File size: 123,793 Bytes
6fa4bc9 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2149 2150 2151 2152 2153 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2199 2200 2201 2202 2203 2204 2205 2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218 2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235 2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249 2250 2251 2252 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2266 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285 2286 2287 | {
"paper_id": "F13-1034",
"header": {
"generated_with": "S2ORC 1.0.0",
"date_generated": "2023-01-19T09:42:01.893095Z"
},
"title": "Annotation s\u00e9mantique pour des domaines sp\u00e9cialis\u00e9s et des ontologies riches",
"authors": [
{
"first": "Yue",
"middle": [],
"last": "Ma",
"suffix": "",
"affiliation": {},
"email": "mayue@tcs.inf.tu-dresden.de"
},
{
"first": "Fran\u00e7ois",
"middle": [],
"last": "L\u00e9vy",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "CNRS",
"location": {
"country": "France"
}
},
"email": ""
},
{
"first": "Adeline",
"middle": [],
"last": "Nazarenko",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "CNRS",
"location": {
"country": "France"
}
},
"email": "adeline.nazarenko@lipn.univ-paris13.fr"
}
],
"year": "",
"venue": null,
"identifiers": {},
"abstract": "Explorer et maintenir une documentation technique est une t\u00e2che difficile pour laquelle on pourrait b\u00e9n\u00e9ficier d'un outillage efficace, \u00e0 condition que les documents soient annot\u00e9s s\u00e9mantiquement. Les annotations doivent \u00eatre riches, coh\u00e9rentes, suffisamment sp\u00e9cialis\u00e9es et s'appuyer sur un mod\u00e8le s\u00e9mantique explicite-habituellement une ontologie-qui mod\u00e9lise la s\u00e9mantique du domaine cible. Il s'av\u00e8re que les approches d'annotation traditionnelles donnent pour cette t\u00e2che des r\u00e9sultats limit\u00e9s. Nous proposons donc une nouvelle approche, l'annotation s\u00e9mantique statistique bas\u00e9e sur les syntagmes, qui pr\u00e9dit les annotations s\u00e9mantiques \u00e0 partir d'un ensemble d'apprentissage r\u00e9duit. Cette mod\u00e9lisation facilite l'annotation s\u00e9mantique sp\u00e9cialis\u00e9e au regard de mod\u00e8les s\u00e9mantiques de domaine arbitrairement riches. Nous l'\u00e9valuons \u00e0 l'aide de plusieurs m\u00e9triques et sur deux textes d\u00e9crivant des r\u00e9glementations m\u00e9tier. Notre approche obtient de bons r\u00e9sultats. En particulier, la F-mesure est de l'ordre de 91, 9 % et 97, 6 % pour la pr\u00e9diction de l'\u00e9tiquette et de la position avec diff\u00e9rents param\u00e8tres. Cela sugg\u00e8re que les annotateurs humains peuvent \u00eatre fortement aid\u00e9s pour l'annotation s\u00e9mantique dans des domaines sp\u00e9cifiques.",
"pdf_parse": {
"paper_id": "F13-1034",
"_pdf_hash": "",
"abstract": [
{
"text": "Explorer et maintenir une documentation technique est une t\u00e2che difficile pour laquelle on pourrait b\u00e9n\u00e9ficier d'un outillage efficace, \u00e0 condition que les documents soient annot\u00e9s s\u00e9mantiquement. Les annotations doivent \u00eatre riches, coh\u00e9rentes, suffisamment sp\u00e9cialis\u00e9es et s'appuyer sur un mod\u00e8le s\u00e9mantique explicite-habituellement une ontologie-qui mod\u00e9lise la s\u00e9mantique du domaine cible. Il s'av\u00e8re que les approches d'annotation traditionnelles donnent pour cette t\u00e2che des r\u00e9sultats limit\u00e9s. Nous proposons donc une nouvelle approche, l'annotation s\u00e9mantique statistique bas\u00e9e sur les syntagmes, qui pr\u00e9dit les annotations s\u00e9mantiques \u00e0 partir d'un ensemble d'apprentissage r\u00e9duit. Cette mod\u00e9lisation facilite l'annotation s\u00e9mantique sp\u00e9cialis\u00e9e au regard de mod\u00e8les s\u00e9mantiques de domaine arbitrairement riches. Nous l'\u00e9valuons \u00e0 l'aide de plusieurs m\u00e9triques et sur deux textes d\u00e9crivant des r\u00e9glementations m\u00e9tier. Notre approche obtient de bons r\u00e9sultats. En particulier, la F-mesure est de l'ordre de 91, 9 % et 97, 6 % pour la pr\u00e9diction de l'\u00e9tiquette et de la position avec diff\u00e9rents param\u00e8tres. Cela sugg\u00e8re que les annotateurs humains peuvent \u00eatre fortement aid\u00e9s pour l'annotation s\u00e9mantique dans des domaines sp\u00e9cifiques.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Abstract",
"sec_num": null
}
],
"body_text": [
{
"text": "Les documents techniques sont souvent complexes \u00e0 lire et \u00e0 maintenir mais ce sont des ressources critiques pour de nombreuses organisations. Les textes r\u00e9glementaires d\u00e9crivent les proc\u00e9dures, les r\u00e8gles et les politiques auxquels les organisations doivent se conformer ; ce sont des sources importantes, qui guide souvent la prise de d\u00e9cision dans ces organisations. Les instructions d'utilisation indiquent comment utiliser et maintenir des objets techniques qui sont parfois extr\u00eamement complexes. Les experts ont besoin d'outils pour les aider \u00e0 ma\u00eetriser et \u00e0 valider ces documents autant que pour les maintenir \u00e0 jour quand des \u00e9volutions techniques se produisent. Les textes sont de longueur variable (de quelques dizaines \u00e0 plusieurs centaines de pages), mais souvent trop longs pour \u00eatre faciles \u00e0 lire, en particulier quand les informations importantes sont dispers\u00e9es dans diff\u00e9rentes parties. Ils contiennent des descriptions g\u00e9n\u00e9riques plut\u00f4t que des exemples et reposent sur des vocabulaires sp\u00e9cialis\u00e9s, qui sont souvent d\u00e9finis de fa\u00e7on plus ou moins formelle et pr\u00e9cise dans des thesaurus ou des ontologies.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Il est possible d'aider les experts qui consultent ces textes en leur fournissant des outils. Le b\u00e9n\u00e9fice est plus important si les documents sources sont enrichis par des informations s\u00e9mantiques (ontologiques), qui assurent une certaine interop\u00e9rabilit\u00e9 et qui permettent de faire des recherches s\u00e9mantiques plut\u00f4t que de simples recherches de cha\u00eenes de caract\u00e8res (Welty et Ide, 1999; Uren et al., 2006; Nazarenko et al., 2011) . L'annotation s\u00e9mantique aide \u00e0 visualiser et \u00e0 rassembler l'information importante, mais aussi \u00e0 contr\u00f4ler la documentation technique (v\u00e9rification de coh\u00e9rence, aide \u00e0 la d\u00e9cision et tra\u00e7abilit\u00e9, mise \u00e0 jour, etc.).",
"cite_spans": [
{
"start": 368,
"end": 388,
"text": "(Welty et Ide, 1999;",
"ref_id": "BIBREF38"
},
{
"start": 389,
"end": 407,
"text": "Uren et al., 2006;",
"ref_id": "BIBREF36"
},
{
"start": 408,
"end": 431,
"text": "Nazarenko et al., 2011)",
"ref_id": "BIBREF29"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Des outils ont \u00e9t\u00e9 d\u00e9velopp\u00e9s, tels que GATE (Cunningham et al., 2011) ou SemEx (Nazarenko et al., 2011) , pour explorer des textes dont certaines portions sont li\u00e9es par des annotations \u00e0 divers \u00e9l\u00e9ments d'un mod\u00e8le s\u00e9mantique de domaine. L'annotation s\u00e9mantique automatique de la documentation technique sp\u00e9cialis\u00e9e pr\u00e9sente cependant deux caract\u00e9ristiques importantes.",
"cite_spans": [
{
"start": 45,
"end": 70,
"text": "(Cunningham et al., 2011)",
"ref_id": null
},
{
"start": 80,
"end": 104,
"text": "(Nazarenko et al., 2011)",
"ref_id": "BIBREF29"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "En premier lieu, les annotations s\u00e9mantiques int\u00e9ressantes \u00e9tiquettent souvent des notions g\u00e9n\u00e9riques ou des concepts plut\u00f4t que des mentions d'entit\u00e9s mod\u00e9lis\u00e9es comme des instances de concepts. Ceci diff\u00e8re de la Reconnaissance des Entit\u00e9s Nomm\u00e9es (REN) qui vise \u00e0 rep\u00e9rer les instances de certains types s\u00e9mantiques 1 . Par exemple, dans le texte de la figure 1, le fragment \"Service conducting approval tests\" est annot\u00e9 par le concept TestC onduc tingSer vice et pas par l'une ses instances. Les notions g\u00e9n\u00e9riques susceptibles d'\u00eatre annot\u00e9es sont plus nombreuses que les types canoniques des entit\u00e9s nomm\u00e9es, et les approches d'annotation s\u00e9mantique traditionnelles sont handicap\u00e9es dans ce cas par des caract\u00e9ristiques moins r\u00e9guli\u00e8res et des ressources plus rares. On observe que les m\u00e9thodes d'annotation au regard d'une ontologie se concentrent g\u00e9n\u00e9ralement sur les instances de concepts dans une perspective de peuplement d'ontologies (Kiryakov et al., 2004; Amardeilh et al., 2005; Uren et al., 2006) . En second lieu, les ontologies g\u00e9n\u00e9riques (par ex. DBpedia) utilis\u00e9es par de nombreux services d'annotation s\u00e9mantique ouverts sont peu utiles pour les documents techniques. Nous avons test\u00e9 plusieurs d'entre elles sur un corpus traitant de la r\u00e9glementation dans l'industrie automobile. Quatre produisent tr\u00e8s peu d'annotations : OpenCalais 2 , Zemanta 3 et DBpedia Spotlight (Mendes et al., 2011) ont des rappels de 3,3 %, 0,8 % et 0 % ; AlchemyAPI 4 reconna\u00eet la mention de deux organisations 5 et d'une ville 6 , mais deux de ces annotations sont manifestement erron\u00e9es dans le domaine consid\u00e9r\u00e9. A l'inverse, la Wiki Machine (LiveMemories, 2010) annote surabondamment le r\u00e8glement : dans le fragment \"In the case of an assembly incorporating a retractor\", \"case\" est annot\u00e9 par Law, Justice et \"assembly\" est li\u00e9 \u00e0 Parliamentary procedure et Meetings, mais ce n'est pas le sens qu'ont ces termes dans nos donn\u00e9es. Ces annotateurs du Web bas\u00e9s sur des ontologies publiques renvoient souvent une interpr\u00e9tation trompeuse des textes sp\u00e9cialis\u00e9s.",
"cite_spans": [
{
"start": 319,
"end": 320,
"text": "1",
"ref_id": null
},
{
"start": 947,
"end": 970,
"text": "(Kiryakov et al., 2004;",
"ref_id": "BIBREF15"
},
{
"start": 971,
"end": 994,
"text": "Amardeilh et al., 2005;",
"ref_id": "BIBREF0"
},
{
"start": 995,
"end": 1013,
"text": "Uren et al., 2006)",
"ref_id": "BIBREF36"
},
{
"start": 1393,
"end": 1414,
"text": "(Mendes et al., 2011)",
"ref_id": "BIBREF24"
},
{
"start": 1512,
"end": 1513,
"text": "5",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Nous en concluons qu'un syst\u00e8me d'annotation s\u00e9mantique des documents techniques devrait avoir les propri\u00e9t\u00e9s suivantes : (1) pouvoir noter un concept et pas seulement des instances de types g\u00e9n\u00e9raux comme signification d'un terme ; (2) fournir une interpr\u00e9tation pr\u00e9cise et fiable, en tenant compte des mod\u00e8les s\u00e9mantiques du domaine trait\u00e9 ; (3) avoir une bonne couverture du texte, de sorte que les fragments textuels int\u00e9ressants puissent \u00eatre facilement d\u00e9tect\u00e9s et reli\u00e9s. Notre approche repose sur le constat qu'un expert m\u00e9tier peut fournir un petit nombre d'exemples annot\u00e9s manuellement, mais ne peut pas annoter des documents volumineux. Nous avons vu que les approches de l'\u00e9tat de l'art r\u00e9pondent mal \u00e0 ces sp\u00e9cifications.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Nous proposons donc une nouvelle approche d'annotation, \u00e0 la fois simple et naturelle, qui s'inspire de la traduction automatique bas\u00e9e sur les syntagmes et qui est adapt\u00e9e \u00e0 l'annotation sp\u00e9cialis\u00e9e requise par les textes techniques.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Nous transposons le mod\u00e8le de la traduction automatique statistique (TAS) bas\u00e9e sur les syntagmes \u00e0 notre probl\u00e8me et nous montrons exp\u00e9rimentalement, avec diff\u00e9rentes m\u00e9triques d'\u00e9valuation, que l'annotateur ainsi construit obtient des r\u00e9sultats significatifs \u00e0 partir d'un corpus r\u00e9duit annot\u00e9 manuellement. Par effet de bord, il peut int\u00e9grer dans un mod\u00e8le unique les interpr\u00e9tations que diff\u00e9rents experts auraient donn\u00e9es du m\u00eame texte. Les exp\u00e9riences rapport\u00e9es ici portent sur un r\u00e8glement international sur le contr\u00f4le des ceintures de s\u00e9curit\u00e9 (par la suite \u00ab R\u00e8glement des ceintures de s\u00e9curit\u00e9 \u00bb), auquel les constructeurs d'automobiles doivent se conformer.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Le reste de l'article est structur\u00e9 ainsi : nous discutons l'\u00e9tat de l'art dans la section qui suit et d\u00e9finissons la t\u00e2che dans la section 3. Puis notre m\u00e9thode est d\u00e9crite dans la section 4. Les exp\u00e9riences et leur \u00e9valuation sont pr\u00e9sent\u00e9es dans les sections 5 et 6.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "2. http://www.opencalais.com 3. http://www.zemanta.com 4. http://www.alchemyapi.com 5. \"cabinet\" dans \"... shall be placed in a refrigerated cabinet at -10 C + 1 C for two hours\" et\"Technical Service\" dans \"One of these axes shall be in the direction chosen by the Technical Service conducting the approval test\".",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "6. \"anchorage\" dans la phrase \"except in the case of retractors having a pulley or strap guide at the upper belt anchorage\".",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Les deux facettes de notre probl\u00e8me, pr\u00e9dire les labels s\u00e9mantiques et les fronti\u00e8res de ces \u00e9tiquettes, se retrouvent dans la REN (Nadeau et Sekine, 2007) et les annotateurs du Web s\u00e9mantique (Uren et al., 2006) . Dans la REN, les \u00e9tiquetages sont souvent limit\u00e9s \u00e0 quelques grandes cat\u00e9gories g\u00e9n\u00e9riques comme Personne, Endroit, Organization, Produit, et Date. Quant aux annotateurs du Web, dont les \u00e9tiquetages proviennent g\u00e9n\u00e9ralement d'ontologies g\u00e9n\u00e9rales, comme TAP (Dill et al., 2003) , DBpedia Lexicalization Dataset 7 ), ils ne sont pas efficaces pour les textes sp\u00e9cialis\u00e9s et des domaines diff\u00e9rents. De plus, ils privil\u00e9gient souvent la pr\u00e9cision au d\u00e9triment du rappel, produisant moins de deux annotations par page en moyenne (Dill et al., 2003; Mihalcea et Csomai, 2007; Cucerzan, 2007) .",
"cite_spans": [
{
"start": 131,
"end": 155,
"text": "(Nadeau et Sekine, 2007)",
"ref_id": "BIBREF27"
},
{
"start": 193,
"end": 212,
"text": "(Uren et al., 2006)",
"ref_id": "BIBREF36"
},
{
"start": 473,
"end": 492,
"text": "(Dill et al., 2003)",
"ref_id": "BIBREF10"
},
{
"start": 526,
"end": 527,
"text": "7",
"ref_id": null
},
{
"start": 741,
"end": 760,
"text": "(Dill et al., 2003;",
"ref_id": "BIBREF10"
},
{
"start": 761,
"end": 786,
"text": "Mihalcea et Csomai, 2007;",
"ref_id": "BIBREF25"
},
{
"start": 787,
"end": 802,
"text": "Cucerzan, 2007)",
"ref_id": "BIBREF8"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Etat de l'art",
"sec_num": "2"
},
{
"text": "Un premier type d'approches de l'annotation s\u00e9mantique consiste \u00e0 appliquer des r\u00e8gles sur des segments s\u00e9lectionn\u00e9s par des wrappers (Ciravegna, 2003; Etzioni et al., 2004; Cimiano et al., 2004) . S'agissant d'une annotation s\u00e9mantique pr\u00e9cise et sp\u00e9cialis\u00e9e, il est difficile d'apprendre des r\u00e8gles pour chaque type d'annotation, \u00e0 cause du grand nombre de cat\u00e9gories s\u00e9mantiques. De plus, les r\u00e8gles sont souvent plus complexes que pour la REN, o\u00f9 les entit\u00e9s cibles ont g\u00e9n\u00e9ralement une forme particuli\u00e8re (par ex. d\u00e9butant par une majuscule) ou sont associ\u00e9es \u00e0 des d\u00e9clencheurs comme un titre (par ex. \u00ab M. \u00bb, \u00ab Le pr\u00e9sident \u00bb). Dans l'annotation sp\u00e9cialis\u00e9e, les fragments de texte \u00e0 annoter sont tr\u00e8s vari\u00e9s et leurs fronti\u00e8res sont difficiles \u00e0 identifier. Par exemple, dans le r\u00e8glement des ceintures de s\u00e9curit\u00e9, \"tested according to paragraph 7.6.4.2.\" a \u00e9t\u00e9 \u00e9tiquet\u00e9 manuellement par M ethod (voir section 5).",
"cite_spans": [
{
"start": 134,
"end": 151,
"text": "(Ciravegna, 2003;",
"ref_id": "BIBREF6"
},
{
"start": 152,
"end": 173,
"text": "Etzioni et al., 2004;",
"ref_id": "BIBREF11"
},
{
"start": 174,
"end": 195,
"text": "Cimiano et al., 2004)",
"ref_id": "BIBREF5"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Etat de l'art",
"sec_num": "2"
},
{
"text": "Une seconde famille d'approches d'annotation s\u00e9mantique repose sur des mod\u00e8les statistiques ou l'apprentissage automatique (par ex. HMM (Zhou et Su, 2002; Ratinov et Roth, 2009) , CRF (Finkel et Manning, 2009) , et Perceptron ou Winnow (Collins, 2002) ). Ces approches exploitent la richesse des ressources textuelles du Web (Dill et al., 2003; LiveMemories, 2010; Mendes et al., 2011) ou de journaux (Nadeau et Sekine, 2007; Ratinov et Roth, 2009) comme donn\u00e9es d'entra\u00eenement pour la d\u00e9sambigu\u00efsation. Le traitement de l'ambigu\u00eft\u00e9 est important quand on consid\u00e8re diff\u00e9rents niveaux de granularit\u00e9 ontologique : selon le contexte, un terme comme \"test\" peut faire r\u00e9f\u00e9rence au concept g\u00e9n\u00e9nral Test, \u00e0 une cat\u00e9gorie pr\u00e9cise de tests o\u00f9 \u00e0 une instance de test particuli\u00e8re. Cependant, dans les domaines sp\u00e9cialis\u00e9s, on a rarement de gros volumes de donn\u00e9es. Notre approche repose sur un mod\u00e8le statistique diff\u00e9rent, qui prend en compte la forme brute des textes (sans traitement linguistique pr\u00e9alable) et montre de meilleures performances que les champs al\u00e9atoires conditionnels en cha\u00eenes lin\u00e9aires (CRF) sur un petit volume de donn\u00e9es.",
"cite_spans": [
{
"start": 136,
"end": 154,
"text": "(Zhou et Su, 2002;",
"ref_id": "BIBREF40"
},
{
"start": 155,
"end": 177,
"text": "Ratinov et Roth, 2009)",
"ref_id": "BIBREF31"
},
{
"start": 184,
"end": 209,
"text": "(Finkel et Manning, 2009)",
"ref_id": "BIBREF12"
},
{
"start": 236,
"end": 251,
"text": "(Collins, 2002)",
"ref_id": "BIBREF7"
},
{
"start": 325,
"end": 344,
"text": "(Dill et al., 2003;",
"ref_id": "BIBREF10"
},
{
"start": 345,
"end": 364,
"text": "LiveMemories, 2010;",
"ref_id": null
},
{
"start": 365,
"end": 385,
"text": "Mendes et al., 2011)",
"ref_id": "BIBREF24"
},
{
"start": 401,
"end": 425,
"text": "(Nadeau et Sekine, 2007;",
"ref_id": "BIBREF27"
},
{
"start": 426,
"end": 448,
"text": "Ratinov et Roth, 2009)",
"ref_id": "BIBREF31"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Etat de l'art",
"sec_num": "2"
},
{
"text": "Les recherches sur la REN dans des corpus sp\u00e9cialis\u00e9s (Wang, 2009; Liu et al., 2011) indiquent qu'il faudrait entra\u00eener des syst\u00e8mes d'annotation sp\u00e9cifiques m\u00eame dans le cas o\u00f9 le jeu d'\u00e9tiquettes est le m\u00eame que pour la REN classique (Wang, 2009; Liu et al., 2011) quand le corpus est sp\u00e9cialis\u00e9 (ex. Tweet, notes cliniques). Le pr\u00e9sent travail s'int\u00e9resse aux cas o\u00f9 le corpus et les jeux d'\u00e9tiquettes sont sp\u00e9cialis\u00e9s, comme dans (Aronson et Lang, 2010; M\u00fcller et al., 2004) qui proposent un entra\u00eenement sp\u00e9cialis\u00e9 pour la biom\u00e9dicine. A la diff\u00e9rence de cette approche qui est difficile \u00e0 adapter \u00e0 un autre domaine, notre m\u00e9thode, fond\u00e9e sur TAS, peut \u00eatre facilement appliqu\u00e9e sur un autre domaine sp\u00e9cialis\u00e9 \u00e0 condition qu'un petit volume de donn\u00e9es d'entrainement annot\u00e9es soit disponible. 7. http://dbpedia.org/Lexicalizations Les mod\u00e8les de TAS ont \u00e9t\u00e9 appliqu\u00e9s \u00e0 d'autres questions que la traduction, en particulier \u00e0 la normalisation de textes et de SMS (Aw et al., 2006; Beaufort et al., 2010) et \u00e0 l'analyse s\u00e9mantique (Wong et Mooney, 2006) . Selon ces auteurs, leurs r\u00e9sultats, mesur\u00e9s par les m\u00e9triques de traduction automatique, sont bons. S'agissant de l'annotation s\u00e9mantique de documents sp\u00e9cialis\u00e9s, nous adoptons nous aussi un mod\u00e8le de TAS bas\u00e9e sur les syntagmes, mais nous l'\u00e9valuons diff\u00e9remment parce que les m\u00e9triques de traduction automatique s'av\u00e8rent limit\u00e9es pour notre t\u00e2che.",
"cite_spans": [
{
"start": 54,
"end": 66,
"text": "(Wang, 2009;",
"ref_id": "BIBREF37"
},
{
"start": 67,
"end": 84,
"text": "Liu et al., 2011)",
"ref_id": "BIBREF21"
},
{
"start": 236,
"end": 248,
"text": "(Wang, 2009;",
"ref_id": "BIBREF37"
},
{
"start": 249,
"end": 266,
"text": "Liu et al., 2011)",
"ref_id": "BIBREF21"
},
{
"start": 434,
"end": 457,
"text": "(Aronson et Lang, 2010;",
"ref_id": "BIBREF1"
},
{
"start": 458,
"end": 478,
"text": "M\u00fcller et al., 2004)",
"ref_id": "BIBREF26"
},
{
"start": 969,
"end": 986,
"text": "(Aw et al., 2006;",
"ref_id": "BIBREF2"
},
{
"start": 987,
"end": 1009,
"text": "Beaufort et al., 2010)",
"ref_id": "BIBREF3"
},
{
"start": 1036,
"end": 1058,
"text": "(Wong et Mooney, 2006)",
"ref_id": "BIBREF39"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Etat de l'art",
"sec_num": "2"
},
{
"text": "On dispose d'une ontologie pour un domaine sp\u00e9cialis\u00e9 dont le volet lexical est utilis\u00e9 pour annoter un petit corpus d'entra\u00eenement. La t\u00e2che consiste \u00e0 identifier \u00e0 la fois les fronti\u00e8res et la cat\u00e9gorie ontologique des \u00e9l\u00e9ments s\u00e9mantiques majeurs de chaque phrase du corpus \u00e0 annoter.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9finition de la t\u00e2che",
"sec_num": "3"
},
{
"text": "En plus des termes sp\u00e9cialis\u00e9s qu'il est utile de d\u00e9tecter et d'annoter, un autre probl\u00e8me fr\u00e9quent pour l'annotation s\u00e9mantique de documents techniques au regard d'une ontologie riche est qu'un grand nombre de mots identiques en surface peuvent \u00eatre annot\u00e9s avec plusieurs \u00e9tiquettes ontologiques qui ne sont pas logiquement disjointes comme c'est le cas dans l'homonymie, mais qui refl\u00e8tent simplement une granularit\u00e9 de sens variable en contexte. Par exemple, dans les quatre phrases ci-dessous, \u00ab test \u00bb a \u00e9t\u00e9 annot\u00e9 par l'expert comme BuckleTest \u00e0 trois reprises (S1, S2 et S3) et M ethod une fois (S4). La r\u00e9solution de l'ambigu\u00eft\u00e9 est importante pour le succ\u00e8s de cette t\u00e2che. S1. The force required to open the buckle in the test as prescribed in paragraph 7.8. below shall not exceed 6 daN.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9finition de la t\u00e2che",
"sec_num": "3"
},
{
"text": "S2. In the case of harness belt buckles, this test may be carried out without all the tongues being introduced.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9finition de la t\u00e2che",
"sec_num": "3"
},
{
"text": "S3. In the case of buckles which incorporate a component common to two assemblies, the strength and release tests of paragraphs 7.7. and 7.8. shall also be carried out with the part of the buckle pertaining to one assembly being engaged in the mating part pertaining to the other, if it is possible for the buckle to be so assembled in use.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9finition de la t\u00e2che",
"sec_num": "3"
},
{
"text": "S4. Retractors shall be subjected to tests and shall fulfill the requirements specified below, including the tests for strength prescribed in paragraphs 7.5.1. and 7.5.2.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9finition de la t\u00e2che",
"sec_num": "3"
},
{
"text": "Nous mod\u00e9lisons l'annotation s\u00e9mantique des documents sp\u00e9cialis\u00e9s comme une t\u00e2che de traduction automatique ayant les caract\u00e9ristiques suivantes : (1) les unit\u00e9s textuelles pertinentes pour traduire ou annoter sont des syntagmes plut\u00f4t que de simples mots ; (2) de m\u00eame qu'un mot peut \u00eatre traduit de diff\u00e9rentes fa\u00e7ons, on peut annoter un fragment de texte de plusieurs mani\u00e8res, des \u00e9l\u00e9ments ontologiques diff\u00e9rents pouvant avoir des lexicalisations communes.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotation s\u00e9mantique statistique bas\u00e9e sur les syntagmes",
"sec_num": "4"
},
{
"text": "Dans cette vision d'une annotation s\u00e9mantique comme traduction, le texte initial non annot\u00e9 est consid\u00e9r\u00e9 comme le texte \u00e0 \u00ab traduire \u00bb et le texte annot\u00e9 comme le texte cible \u00ab traduit \u00bb.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "L'annotation s\u00e9mantique en tant que traduction automatique",
"sec_num": "4.1"
},
{
"text": "Formellement, on a deux phrases \u2329s 1 , s 2 \u232a dans deux \u00ab langages \u00bb L 1 and L 2 : ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "L'annotation s\u00e9mantique en tant que traduction automatique",
"sec_num": "4.1"
},
{
"text": "L 1 est ici l'anglais et L 2 = L 1 \u222a Voc(O) est l'",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "L'annotation s\u00e9mantique en tant que traduction automatique",
"sec_num": "4.1"
},
{
"text": "FIGURE 2 -L'annotation s\u00e9mantique en tant que traduction D'apr\u00e8s (Tomeh, 2012) , la TAS a conceptuellement trois \u00e9tapes 9 : 1) les phrases appari\u00e9es sont align\u00e9es sur les mots -ou les syntagmes -pour constituer la relation de traduction qui sp\u00e9cifie quel \u00e9l\u00e9ment de s 2 est la traduction de quel \u00e9l\u00e9ment de s 1 ; 2) des r\u00e8gles de traduction sont apprises sur ces donn\u00e9es, en g\u00e9n\u00e9ral en s'appuyant sur une table de traduction ; 3) chaque phrase \u00e0 traduire est segment\u00e9e en syntagmes qui sont traduits s\u00e9par\u00e9ment puis r\u00e9ordonn\u00e9s pour adapter le r\u00e9sultat au langage cible. Quand il s'agit d'annotation s\u00e9mantique, la relation de traduction est monotone (sans r\u00e9arrangement). C'est m\u00eame l'identit\u00e9 pour tous les \u00e9l\u00e9ments qui restent non-annot\u00e9s. Les donn\u00e9es en entr\u00e9e de l'algorithme d'apprentissage sont donc moins bruit\u00e9es que dans le cas d'un alignement bilingue. L'obtention d'annotations correctes quand l'information lexicale est ambig\u00fce repose sur l'algorithme d'apprentissage et la projection de ses r\u00e9sultats sur le texte, dans la mesure o\u00f9 cet algorithme prend en compte le contexte pour apprendre les r\u00e8gles. A noter que le mod\u00e8le tient compte dans ses calculs des \u00e9l\u00e9ments qui ne doivent pas \u00eatre annot\u00e9s : il apprend aussi \u00e0 traduire \u00e0 l'identique.",
"cite_spans": [
{
"start": 65,
"end": 78,
"text": "(Tomeh, 2012)",
"ref_id": "BIBREF35"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "S1 S2",
"sec_num": null
},
{
"text": "8. Pour diff\u00e9rentier les \u00e9l\u00e9ments de Voc(O) du vocabulaire anglais, les noms de O sont pr\u00e9fix\u00e9s par 'XX' dans L 2 . 9. M\u00eame si elles peuvent \u00eatre entrelac\u00e9es dans le calcul.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "S1 S2",
"sec_num": null
},
{
"text": "Notre approche repose sur le mod\u00e8le du canal bruit\u00e9, qui consid\u00e8re que les phrases annot\u00e9es constituent l'information vis\u00e9e (en entr\u00e9e du canal) mais qu'elles ont \u00e9t\u00e9 brouill\u00e9es, produisant ainsi le texte brut (re\u00e7u en sortie ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Le mod\u00e8le",
"sec_num": "4.2"
},
{
"text": ") = \u03a0 m i=1 P(s i 1 |s i 2 )",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Le mod\u00e8le",
"sec_num": "4.2"
},
{
"text": ". On suppose que la distribution de probabilit\u00e9 sur toutes les segmentations possibles est uniforme et on a",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Le mod\u00e8le",
"sec_num": "4.2"
},
{
"text": "s * = arg max s 2 {P(s 2 ) \u00d7 \u03a0 m i=1 P(s i 1 |s i 2 )}.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Le mod\u00e8le",
"sec_num": "4.2"
},
{
"text": "Il y a deux param\u00e8tres \u00e0 calculer dans le mod\u00e8le ci-dessus : le mod\u00e8le de langage P(s 2 ) et la table de traduction des syntagmes P(s i 1 |s i 2 ). Le mod\u00e8le de langage s\u00e9lectionne la phrase annot\u00e9e la plus probable parmi toutes celles qui sont possibles et la table de traduction des syntagmes joue le r\u00f4le d'un dictionnaire sophistiqu\u00e9 entre les langages source et cible. Nous ne pouvons entrer ici dans les d\u00e9tails, mais, pour nos exp\u00e9rimentations, nous utilisons SRILM (Stolcke, 2002) , la boite \u00e0 outils du SRI servant \u00e0 construire et exploiter des mod\u00e8les de langage, pour apprendre un mod\u00e8le de trigrammes. Parmi les nombreuses solutions propos\u00e9es pour l'apprentissage d'une table de traduction (Marcu et Wong, 2002; Koehn et al., 2003; Och et Ney, 2003; Chiang, 2007) , nous utilisons la m\u00e9thode relativement simple mais efficace d\u00e9finie dans (Koehn et al., 2003) . A cause de la proximit\u00e9 des langages source et cible, les donn\u00e9es fournies \u00e0 cet algorithme sont peu bruit\u00e9es. Le d\u00e9codage est r\u00e9alis\u00e9 par une recherche en faisceau telle qu'impl\u00e9ment\u00e9e par Moses (Koehn et al., 2007) .",
"cite_spans": [
{
"start": 473,
"end": 488,
"text": "(Stolcke, 2002)",
"ref_id": "BIBREF33"
},
{
"start": 702,
"end": 723,
"text": "(Marcu et Wong, 2002;",
"ref_id": "BIBREF23"
},
{
"start": 724,
"end": 743,
"text": "Koehn et al., 2003;",
"ref_id": "BIBREF17"
},
{
"start": 744,
"end": 761,
"text": "Och et Ney, 2003;",
"ref_id": "BIBREF30"
},
{
"start": 762,
"end": 775,
"text": "Chiang, 2007)",
"ref_id": "BIBREF4"
},
{
"start": 851,
"end": 871,
"text": "(Koehn et al., 2003)",
"ref_id": "BIBREF17"
},
{
"start": 1070,
"end": 1090,
"text": "(Koehn et al., 2007)",
"ref_id": "BIBREF16"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Le mod\u00e8le",
"sec_num": "4.2"
},
{
"text": "Pour identifier la position pr\u00e9cise des annotations s\u00e9mantiques pr\u00e9dites par l'annotation s\u00e9mantique statistique bas\u00e9e sur les syntagmes (ASSS), nous utilisons l'alignement des traductions au niveau du mot. Par exemple, dans un tel alignement, la suite \"15-14 16-14\" indique que les 15 \u00e8me et 16 \u00e8me mots de la phrase originale ont \u00e9t\u00e9 remplac\u00e9s par le 14 \u00e8me mot de la traduction. Si le 14 \u00e8me mot appartient \u00e0 Voc(O) (par exemple X X M ethod), c'est que le concept qui la compose (dans notre exemple, le concept M ethod) est l'\u00e9tiquette s\u00e9mantique associ\u00e9e au 15 \u00e8me et au 16 \u00e8me mots de la phrase originale.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Rep\u00e9rage des annotations s\u00e9mantiques",
"sec_num": "4.3"
},
{
"text": "Cette section d\u00e9crit les donn\u00e9es d'\u00e9valuation et les m\u00e9triques utilis\u00e9es.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Exp\u00e9rimentation",
"sec_num": "5"
},
{
"text": "L'approche ASSS a \u00e9t\u00e9 test\u00e9e sur deux textes annot\u00e9s. L'un est compl\u00e8tement annot\u00e9, c'est-\u00e0-dire annot\u00e9 par l'ensemble des \u00e9tiquettes s\u00e9mantiques provenant d'une ontologie construite pour le domaine en question. On trouve dans le texte des mentions de chaque concept, mais en nombre limit\u00e9 : ce corpus permet de tester la tol\u00e9rance de notre approche \u00e0 la dispersion des donn\u00e9es d'annotation s\u00e9mantique. L'autre texte est plus volumineux mais il n'est annot\u00e9 que par une partie de l'ontologie, par les 17 concepts identifi\u00e9s consid\u00e9r\u00e9s comme ambigus, car \u00e9tant associ\u00e9s \u00e0 des termes ambigus. Ce second corpus permet de tester la capacit\u00e9 de notre approche \u00e0 r\u00e9soudre les ambigu\u00eft\u00e9s, qui sont fr\u00e9quentes en domaine de sp\u00e9cialit\u00e9, ne serait-ce parce qu'on peut choisir de rattacher un terme \u00e0 diff\u00e9rents niveaux de l'ontologie.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Exp\u00e9rimentation",
"sec_num": "5"
},
{
"text": "Deux m\u00e9thodes de r\u00e9f\u00e9rence ont \u00e9t\u00e9 d\u00e9finies et sont utilis\u00e9es pour les exp\u00e9riences. La premi\u00e8re est une approche \u00e0 base de dictionnaire de fr\u00e9quence qui est traditionnelle pour les t\u00e2ches de d\u00e9sambigu\u00efsation lexicale et qui peut s'\u00e9tendre \u00e0 notre sc\u00e9nario d'annotation s\u00e9mantique. L'autre repose sur un mod\u00e8le bas\u00e9 sur l'\u00e9tiquetage de s\u00e9quences, plus particuli\u00e8rement sur les champs al\u00e9atoires conditionnels en cha\u00eenes lin\u00e9aires (CRF) (Lafferty, 2001; Sutton et Mccallum, 2006) ) : l'annotation s\u00e9mantique est souvent vue comme une t\u00e2che d'\u00e9tiquetage de s\u00e9quences et les champs al\u00e9atoires conditionnels permettent de tenir compte des noeuds voisins dans un graphe. L'\u00e9valuation exp\u00e9rimentale montre que notre m\u00e9thode d\u00e9passe significativement des approches standards sur les deux corpus utilis\u00e9s.",
"cite_spans": [
{
"start": 435,
"end": 451,
"text": "(Lafferty, 2001;",
"ref_id": "BIBREF18"
},
{
"start": 452,
"end": 477,
"text": "Sutton et Mccallum, 2006)",
"ref_id": "BIBREF34"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Exp\u00e9rimentation",
"sec_num": "5"
},
{
"text": "Mat\u00e9riel 10 Les corpus choisis sont deux textes extraits d'un r\u00e8glement international d\u00e9crivant les tests auxquels les fabricants d'automobiles doivent se plier dans la fabrication des ceintures de s\u00e9curit\u00e9. Apr\u00e8s segmentation par Treetagger (Schmid, 1995) , le corpus 1 comporte 133 phrases et le corpus 2 en a 1821, dont beaucoup sont longues. L'ontologie 11 qui forme le mod\u00e8le s\u00e9mantique contient 154 entit\u00e9s s\u00e9mantiques (73 concepts, 58 individus, 23 propri\u00e9t\u00e9s).",
"cite_spans": [
{
"start": 242,
"end": 256,
"text": "(Schmid, 1995)",
"ref_id": "BIBREF32"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Donn\u00e9es d'\u00e9valuation",
"sec_num": "5.1"
},
{
"text": "Annotation s\u00e9mantique le corpus 1 a \u00e9t\u00e9 compl\u00e8tement annot\u00e9 par un expert du domaine (un des auteurs), soit 364 annotations (2,78 annotations par phrase). Pour la validation crois\u00e9e, 90 % des donn\u00e9es sont utilis\u00e9es comme donn\u00e9es d'entra\u00eenement (80 % servent \u00e0 entrainer le mod\u00e8le, et 10 % au tunning) et les 10 % restant sont utilis\u00e9es comme donn\u00e9es de test. Les donn\u00e9es d'entra\u00eenement de chaque exp\u00e9rience comportent plus de 50 entr\u00e9es s\u00e9mantiques distinctes.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Donn\u00e9es d'\u00e9valuation",
"sec_num": "5.1"
},
{
"text": "Deux facteurs principaux ont \u00e9t\u00e9 pris en compte dans la constitution du corpus 2 : le degr\u00e9 d'ambigu\u00eft\u00e9 (une m\u00eame forme lexicale peut \u00eatre annot\u00e9e diff\u00e9remment dans des contextes diff\u00e9rents -voir la section 3 pour un exemple) et la taille du corpus, de fa\u00e7on que notre seconde m\u00e9thode de r\u00e9f\u00e9rence puisse \u00eatre calcul\u00e9e en un temps raisonnable eu \u00e9gard \u00e0 nos ressources de calcul (Mac OS X 10.6.8, g++ 4.2.1, avec 2Go de m\u00e9moire et un CPU Intel Core 2 Duo 2.26GHz). Nous avons s\u00e9lectionn\u00e9 17 entit\u00e9s s\u00e9mantiques ambigu\u00ebs de l'ontologie, nous nous en sommes servis pour annoter le document entier et nous avons s\u00e9lectionn\u00e9 les 313 phrases \u00e9tiquet\u00e9es au moins une fois. ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Donn\u00e9es d'\u00e9valuation",
"sec_num": "5.1"
},
{
"text": "Nous comparons l'approche propos\u00e9e avec deux m\u00e9thodes de r\u00e9f\u00e9rence : l'Annotation S\u00e9mantique \u00e0 base de Dictionnaire et de Fr\u00e9quence (ASDF) et l'Annotation S\u00e9mantique par CRF (ASCRF). L'approche ASDF est une extension de la d\u00e9sambigu\u00efsation lexicale classique parce qu'elle int\u00e8gre le fait qu'une annotation peut couvrir plusieurs mots. L'ASDF repose essentiellement sur la construction et la consultation d'un dictionnaire d'annotation. Celui-ci a comme entr\u00e9es des mots ou groupes de mots associ\u00e9s \u00e0 des labels s\u00e9mantiques. Ces groupes sont extraits des textes annot\u00e9s d'entra\u00eenement, et pour chaque mot ou groupe de mots, les labels s\u00e9mantiques qui annotent ses occurrences sont enregistr\u00e9s dans le dictionnaire. L'entr\u00e9e est lemmatis\u00e9e pour s'affranchir des variations morphologiques. L'algorithme d'annotation cherche d'abord dans le texte lemmatis\u00e9 les entr\u00e9es du dictionnaire. Une forme de surface reconnue pouvant \u00eatre incluse dans une autre, seules les entit\u00e9s s\u00e9mantiques attach\u00e9es \u00e0 la plus longue sont conserv\u00e9es. Pour d\u00e9sambigu\u00efser une entr\u00e9e donn\u00e9e, on choisit le label le plus fr\u00e9quent. ASDF est impl\u00e9ment\u00e9e en Python.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotations de r\u00e9f\u00e9rence",
"sec_num": "5.2"
},
{
"text": "ASCRF segmente et annote les s\u00e9quences de mots gr\u00e2ce au mod\u00e8le discriminant suivant :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotations de r\u00e9f\u00e9rence",
"sec_num": "5.2"
},
{
"text": "p \u03b8 ( y | x) = 1 Z \u03b8 (x) ex p{ K k=1 \u03b8 k F k (x, y)}, o\u00f9 x = (x 1 , ...x T ) et y = (y 1 , ..., y T ) sont les s\u00e9quences d'entr\u00e9e et de sortie ; F k (x, y) est d\u00e9fini par T t=1 f k (x t\u22121 , y t ), { f k }",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotations de r\u00e9f\u00e9rence",
"sec_num": "5.2"
},
{
"text": "1\u2264k\u2264K \u00e9tant un ensemble arbitraire de fonctions de traits ; les {\u03b8 k } k\u2264k\u2264K sont les valeurs param\u00e9triques associ\u00e9es.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotations de r\u00e9f\u00e9rence",
"sec_num": "5.2"
},
{
"text": "Pour \u00eatre comparables avec le mod\u00e8le ASSS propos\u00e9, les patrons extraits par ASCRF sont des traits orthographiques et lexicaux des unigrammes et des bigrammes figurant dans une fen\u00eatre de 3 mots avant et apr\u00e8s chaque position observ\u00e9e. Comme les annotations s'\u00e9tendent \u00e9ventuellement sur plusieurs mots, elles sont repr\u00e9sent\u00e9es selon le sch\u00e8me D.I.E. (le D\u00e9but, l'Int\u00e9rieur et l'Ext\u00e9rieur du segment de texte. Enfin, ASCRF est mis en oeuvre gr\u00e2ce \u00e0 l'impl\u00e9mentation hautement optimis\u00e9e de la boite \u00e0 outils Wapiti (Lavergne et al., 2010) .",
"cite_spans": [
{
"start": 513,
"end": 536,
"text": "(Lavergne et al., 2010)",
"ref_id": "BIBREF20"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Annotations de r\u00e9f\u00e9rence",
"sec_num": "5.2"
},
{
"text": "Bien que nous utilisions un mod\u00e8le de traduction automatique, le syst\u00e8me est \u00e9valu\u00e9 en calculant la pr\u00e9cision, le rappel et la F-mesure, qui sont plus souvent utilis\u00e9s dans le domaine de l'extraction d'information. Nous consid\u00e9rons en outre deux crit\u00e8res diff\u00e9rents : la correction des \u00e9tiquettes s\u00e9mantiques (label) et celle de leurs fronti\u00e8res (position). Bien que seul le crit\u00e8re d'\u00e9tiquette importe dans certaines applications, comme en REN, la position peut \u00eatre significative dans d'autres cas, comme par exemple pour l'extraction de relations s\u00e9mantiques. . Pour \u00b5-posi tion, le crit\u00e8re est l'identit\u00e9 des positions de l'annotation dans le candidat et la r\u00e9f\u00e9rence, m\u00eame si on pourrait aussi tenir compte du recouvrement partiels des positions.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "M\u00e9triques d'\u00e9valuation",
"sec_num": "5.3"
},
{
"text": "Dans cette section, nous comparons d'abord la m\u00e9thode ASSS propos\u00e9e et le syst\u00e8me ASDF. Ensuite, nous comparons ASSS et ASCRF sur les m\u00eame corpus sous des r\u00e9glages diff\u00e9rents. Pour ces deux comparaisons, les exp\u00e9riences ont \u00e9t\u00e9 effectu\u00e9es sur les deux corpus en utilisant une validation crois\u00e9e par 10 \u00e8me . Pour ASCRF, nous avons partiellement r\u00e9utilis\u00e9 la mise en oeuvre de MOSES (Koehn et al., 2007) en inactivant son mod\u00e8le de distorsion.",
"cite_spans": [
{
"start": 382,
"end": 402,
"text": "(Koehn et al., 2007)",
"ref_id": "BIBREF16"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Evaluation",
"sec_num": "6"
},
{
"text": "Le tableau 2 compare les performances moyennes de ASDF et ASSS sur le corpus 1 et les confronte \u00e0 ceux de l'approche hybride d\u00e9finie ci-apr\u00e8s. ASSS a \u00e9t\u00e9 l\u00e9g\u00e8rement meilleur pour la pr\u00e9diction des \u00e9tiquettes que ASDF (0,26 % d'am\u00e9lioration de la F-mesure), mais ASDF a fonctionn\u00e9 mieux qu'ASSS dans la pr\u00e9diction des positions (+5,2 % sur la F-mesure). Les deux syst\u00e8mes ont r\u00e9alis\u00e9 des performances comparables sur le corpus 1.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Comparaison de ASSS et ASDF sur le corpus 1",
"sec_num": "6.1"
},
{
"text": "Cela signifie que si l'on ne consid\u00e8re que les labels d'annotations, la m\u00e9thode ASSS est un meilleur choix : contrairement \u00e0 la consultation de dictionnaires, ASSS permet une correspondance approch\u00e9e. Cependant, ASSS manque plus souvent l'emplacement exact de l'\u00e9tiquette. Par Dans le tableau 2, nous pouvons voir que le syst\u00e8me hybride a la m\u00eame F-mesure de label et a am\u00e9lior\u00e9 la F-mesure de position d'ASSS de 4,28 %, m\u00eame si cette derni\u00e8re est encore inf\u00e9rieure de 0,61 % \u00e0 celle d'ASDF.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Comparaison de ASSS et ASDF sur le corpus 1",
"sec_num": "6.1"
},
{
"text": "Le tableau 3 montre l'int\u00e9r\u00eat de l'approche ASSS en cas d'ambigu\u00eft\u00e9. ASSS all signifie que l'exp\u00e9rience a \u00e9t\u00e9 r\u00e9alis\u00e9e sur les 313 phrases du Corpus 2 (s\u00e9lectionn\u00e9es pour la pr\u00e9sence de syntagmes ambigus) mais qu'elles sont annot\u00e9es avec toutes les entr\u00e9es s\u00e9mantiques possibles de l'ontologie. Nous pouvons voir qu'ASSS est robuste \u00e0 l'ambigu\u00eft\u00e9, comme en t\u00e9moigne la F-mesure de label \u00e0 92,95 %.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Comparaison d'ASSS et ASDF sur le corpus 2",
"sec_num": "6.2"
},
{
"text": "Une autre observation est que, sauf pour la perte de 1,04 % de rappel de position, ASSS a de meilleures performances qu'ASDF. En effet, les diff\u00e9rences entre ASSS et ASDF sont importantes pour la pr\u00e9diction des \u00e9tiquettes (par exemple +21,17 % pour la F-mesure de label), mais assez faibles pour la pr\u00e9diction des positions (par exemple +2,21 % pour la F-mesure de position). L'explication est que le choix des annotations appropri\u00e9es est plus difficile que la localisation de ces annotations dans le corpus 2, en raison d'une plus grande proportion d'ambigu\u00eft\u00e9s dans le corpus 2 que dans le corpus 1.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Comparaison d'ASSS et ASDF sur le corpus 2",
"sec_num": "6.2"
},
{
"text": "Enfin, le tableau 3 montre que m\u00eame si ASSS a obtenu des scores \u00e9lev\u00e9s dans la pr\u00e9diction de label sur le corpus 2, les scores sont encore inf\u00e9rieurs \u00e0 ceux de la position (par exemple une F-mesure de 92,95 % en pr\u00e9diction de label vs. 97,65 % en pr\u00e9diction de position), ce qui contredit le r\u00e9sultat du corpus 1. C'est encore parce que dans le corpus 2, la d\u00e9sambigu\u00efsation d'\u00e9tiquettes est plus difficile \u00e0 r\u00e9aliser que d\u00e9tection de la position.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Comparaison d'ASSS et ASDF sur le corpus 2",
"sec_num": "6.2"
},
{
"text": "Il convient enfin de noter que l'approche ASSS fonctionnant mieux en pr\u00e9diction de position qu'ASDF (97,65 % contre 95,44% pour la F-mesure de position) pour le corpus 2, l'approche hybride consid\u00e9r\u00e9e pour le corpus 1 est inutile pour le corpus 2.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Comparaison d'ASSS et ASDF sur le corpus 2",
"sec_num": "6.2"
},
{
"text": "13. On rappelle que, dans nos d\u00e9finitions, seules les positions exactes (m\u00eames d\u00e9but et fin) sont compt\u00e9es correctes dans la F-mesure. -Sur le corpus 1, ASSS a supplant\u00e9 ASCRF pour toutes les mesures. C'est parce que la taille des donn\u00e9es d'entra\u00eenement dans le corpus 1 n'est pas suffisante pour qu'ASCRF parvienne \u00e0 une pr\u00e9diction pr\u00e9cise. La comparaison avec la tableau 2 montre qu'ASCRF a fonctionn\u00e9 bien plus mal qu'ASDF sur le corpus 1. Cela signifie qu'ASSS est plus robuste qu'ASCRF lorsque la taille des donn\u00e9es d'entra\u00eenement est limit\u00e9e. -Sur le corpus 2, ASSS 17 a surpass\u00e9 ASCRF 17 de plus de 8 % pour la pr\u00e9diction des \u00e9tiquettes, \u00e0 la fois en pr\u00e9cision et en rappel, mais a \u00e9t\u00e9 surpass\u00e9 de 1,71 % en pr\u00e9cision dans la pr\u00e9diction de position. Cela montre qu'ASSS a une plus forte capacit\u00e9 de d\u00e9sambigu\u00efsation qu'ASCRF, mais est moins bon qu'ASCRF pour placer les annotations parce que le mod\u00e8le des positions d'\u00e9tiquettes est implicite pour ASSS. De plus, il est int\u00e9ressant de noter que les deux approches ASSS et ASCRF ont obtenu des scores relativement \u00e9lev\u00e9s en pr\u00e9diction de position pour le corpus 2 (> 94 % en pr\u00e9cision et en rappel). -ASSS all a une meilleure performance que ASCRF 17 et ASSS 17 sur le corpus 2. Cela montre que le pourcentage plus \u00e9lev\u00e9 d'ambigu\u00eft\u00e9s dans les corpus ASCRF 17 et ASSS 17 augmente la difficult\u00e9 de la t\u00e2che.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Comparaison d'ASSS et ASDF sur le corpus 2",
"sec_num": "6.2"
},
{
"text": "Cet article propose une approche statistique bas\u00e9e sur les syntagmes, nouvelle et flexible, qui permet d'annoter les entit\u00e9s s\u00e9mantiques dans des documents sp\u00e9cialis\u00e9s en utilisant des onto-14. Pour ASCRF, l'ex\u00e9cution de la validation crois\u00e9e au 10 \u00e8me a dur\u00e9 30 heures en se limitant aux 17 entr\u00e9es s\u00e9mantiques ambig\u00fces. Traiter toutes les entr\u00e9es comme pour ASSS t ous aurait n\u00e9cessit\u00e9 beaucoup plus de temps parce que l'entra\u00eenement d'un mod\u00e8le de CRF est quadratique en le nombre d'\u00e9tiquettes (Lavergne et al., 2011) . ",
"cite_spans": [
{
"start": 497,
"end": 520,
"text": "(Lavergne et al., 2011)",
"ref_id": "BIBREF19"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion et perspectives",
"sec_num": "7"
},
{
"text": "c ATALA",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
},
{
"text": ". Dans la section Exp\u00e9rimentation, \u00b5-indep et \u00b5-couple ne figurent qu'\u00e0 titre d'explication ; en fait ces mesures sont des combinaisons des deux autres.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
},
{
"text": "Nous projetons maintenant d'am\u00e9liorer notre approche en \u00e9tendant ASSS pour utiliser des informations linguistiques rendues accessibles en pr\u00e9-traitant les documents source. Nous envisageons aussi de concevoir des campagnes d'annotation ontologique dans des domaines sp\u00e9cialis\u00e9s, en exploitant cette m\u00e9thode qui permet d'entra\u00eener un syst\u00e8me d'annotation sur un petit ensemble d'annotations manuelles. En effet, il semble qu'il soit plus facile pour les annotateurs humains de corriger une annotation initiale, pourvu qu'elle soit suffisamment bonne, que d'annoter \u00e0 partir de rien(Fort et Sagot, 2010).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
}
],
"back_matter": [
{
"text": "Ce travail a \u00e9t\u00e9 partiellement financ\u00e9 par OSEO dans le cadre du programme Quaero. Il s'inscrit \u00e9galement dans l'axe 5 du labex EFL (ANR/CGI).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Remerciements",
"sec_num": null
}
],
"bib_entries": {
"BIBREF0": {
"ref_id": "b0",
"title": "Document annotation and ontology population from linguistic extractions",
"authors": [
{
"first": "F",
"middle": [],
"last": "Amardeilh",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Laublet",
"suffix": ""
},
{
"first": "J.-L",
"middle": [],
"last": "Minel",
"suffix": ""
}
],
"year": 2005,
"venue": "Proceedings of the 3rd international conference on Knowledge capture (K-CAP '05)",
"volume": "",
"issue": "",
"pages": "161--168",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "AMARDEILH, F., LAUBLET, P. et MINEL, J.-L. (2005). Document annotation and ontology population from linguistic extractions. In Proceedings of the 3rd international conference on Knowledge capture (K-CAP '05), pages 161-168, New York, NY, USA. ACM.",
"links": null
},
"BIBREF1": {
"ref_id": "b1",
"title": "An overview of metamap : historical perspective and recent advances",
"authors": [
{
"first": "A",
"middle": [
"R"
],
"last": "Aronson",
"suffix": ""
},
{
"first": "F.-M",
"middle": [],
"last": "Lang",
"suffix": ""
}
],
"year": 2010,
"venue": "JAMIA",
"volume": "17",
"issue": "3",
"pages": "229--236",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ARONSON, A. R. et LANG, F.-M. (2010). An overview of metamap : historical perspective and recent advances. JAMIA, 17(3):229-236.",
"links": null
},
"BIBREF2": {
"ref_id": "b2",
"title": "A phrase-based statistical model for sms text normalization",
"authors": [
{
"first": "A",
"middle": [],
"last": "Aw",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Zhang",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Xiao",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Su",
"suffix": ""
}
],
"year": 2006,
"venue": "Proceedings of COLING-ACL '06 poster sessions",
"volume": "",
"issue": "",
"pages": "33--40",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "AW, A., ZHANG, M., XIAO, J. et SU, J. (2006). A phrase-based statistical model for sms text normalization. In Proceedings of COLING-ACL '06 poster sessions, pages 33-40.",
"links": null
},
"BIBREF3": {
"ref_id": "b3",
"title": "A hybrid rule/model-based finite-state framework for normalizing sms messages",
"authors": [
{
"first": "R",
"middle": [],
"last": "Beaufort",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Roekhaut",
"suffix": ""
},
{
"first": "L.-A",
"middle": [],
"last": "Cougnon",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Fairon",
"suffix": ""
}
],
"year": 2010,
"venue": "ACL",
"volume": "",
"issue": "",
"pages": "770--779",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "BEAUFORT, R., ROEKHAUT, S., COUGNON, L.-A. et FAIRON, C. (2010). A hybrid rule/model-based finite-state framework for normalizing sms messages. In ACL, pages 770-779.",
"links": null
},
"BIBREF4": {
"ref_id": "b4",
"title": "Hierarchical phrase-based translation",
"authors": [
{
"first": "D",
"middle": [],
"last": "Chiang",
"suffix": ""
}
],
"year": 2007,
"venue": "Comput. Linguist",
"volume": "33",
"issue": "",
"pages": "201--228",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CHIANG, D. (2007). Hierarchical phrase-based translation. Comput. Linguist., 33:201-228.",
"links": null
},
"BIBREF5": {
"ref_id": "b5",
"title": "Towards the self-annotating web",
"authors": [
{
"first": "P",
"middle": [],
"last": "Cimiano",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Handschuh",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Staab",
"suffix": ""
}
],
"year": 2004,
"venue": "Proceedings of WWW'04",
"volume": "",
"issue": "",
"pages": "462--471",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CIMIANO, P., HANDSCHUH, S. et STAAB, S. (2004). Towards the self-annotating web. In Proceedings of WWW'04, pages 462-471.",
"links": null
},
"BIBREF6": {
"ref_id": "b6",
"title": "(lp) : Rule induction for information extraction using linguistic constraints",
"authors": [
{
"first": "F",
"middle": [],
"last": "Ciravegna",
"suffix": ""
}
],
"year": 2003,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CIRAVEGNA, F. (2003). (lp) : Rule induction for information extraction using linguistic constraints. Rapport technique, Sheffield university.",
"links": null
},
"BIBREF7": {
"ref_id": "b7",
"title": "Discriminative training methods for hidden markov models : theory and experiments with perceptron algorithms",
"authors": [
{
"first": "M",
"middle": [],
"last": "Collins",
"suffix": ""
}
],
"year": 2002,
"venue": "Proceedings of EMNLP'02",
"volume": "",
"issue": "",
"pages": "1--8",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "COLLINS, M. (2002). Discriminative training methods for hidden markov models : theory and experiments with perceptron algorithms. In Proceedings of EMNLP'02, pages 1-8.",
"links": null
},
"BIBREF8": {
"ref_id": "b8",
"title": "Large-scale named entity disambiguation based on wikipedia data",
"authors": [
{
"first": "S",
"middle": [],
"last": "Cucerzan",
"suffix": ""
}
],
"year": 2007,
"venue": "Proceedings of EMNLP-CoNLL'07",
"volume": "",
"issue": "",
"pages": "708--716",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CUCERZAN, S. (2007). Large-scale named entity disambiguation based on wikipedia data. In Proceedings of EMNLP-CoNLL'07, pages 708-716.",
"links": null
},
"BIBREF10": {
"ref_id": "b10",
"title": "Semtag and seeker : bootstrapping the semantic web via automated semantic annotation",
"authors": [
{
"first": "S",
"middle": [],
"last": "Dill",
"suffix": ""
},
{
"first": "N",
"middle": [],
"last": "Eiron",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Gibson",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Gruhl",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Guha",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Jhingran",
"suffix": ""
},
{
"first": "T",
"middle": [],
"last": "Kanungo",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Rajagopalan",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Tomkins",
"suffix": ""
},
{
"first": "J",
"middle": [
"A"
],
"last": "Tomlin",
"suffix": ""
},
{
"first": "J",
"middle": [
"Y"
],
"last": "Zien",
"suffix": ""
}
],
"year": 2003,
"venue": "Proceedings of WWW '03",
"volume": "",
"issue": "",
"pages": "178--186",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "DILL, S., EIRON, N., GIBSON, D., GRUHL, D., GUHA, R., JHINGRAN, A., KANUNGO, T., RAJAGOPALAN, S., TOMKINS, A., TOMLIN, J. A. et ZIEN, J. Y. (2003). Semtag and seeker : bootstrapping the semantic web via automated semantic annotation. In Proceedings of WWW '03, pages 178-186.",
"links": null
},
"BIBREF11": {
"ref_id": "b11",
"title": "Web-scale information extraction in knowitall (preliminary results)",
"authors": [
{
"first": "O",
"middle": [],
"last": "Etzioni",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Cafarella",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Downey",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Kok",
"suffix": ""
},
{
"first": "A.-M",
"middle": [],
"last": "Popescu",
"suffix": ""
},
{
"first": "T",
"middle": [],
"last": "Shaked",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Soderland",
"suffix": ""
},
{
"first": "D",
"middle": [
"S"
],
"last": "Weld",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Yates",
"suffix": ""
}
],
"year": 2004,
"venue": "Proceedings of WWW'04",
"volume": "",
"issue": "",
"pages": "100--110",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ETZIONI, O., CAFARELLA, M., DOWNEY, D., KOK, S., POPESCU, A.-M., SHAKED, T., SODERLAND, S., WELD, D. S. et YATES, A. (2004). Web-scale information extraction in knowitall (preliminary results). In Proceedings of WWW'04, pages 100-110.",
"links": null
},
"BIBREF12": {
"ref_id": "b12",
"title": "Nested named entity recognition",
"authors": [
{
"first": "J",
"middle": [
"R"
],
"last": "Finkel",
"suffix": ""
},
{
"first": "C",
"middle": [
"D"
],
"last": "Manning",
"suffix": ""
}
],
"year": 2009,
"venue": "EMNLP '09",
"volume": "",
"issue": "",
"pages": "141--150",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FINKEL, J. R. et MANNING, C. D. (2009). Nested named entity recognition. In EMNLP '09, pages 141-150.",
"links": null
},
"BIBREF13": {
"ref_id": "b13",
"title": "Influence of Pre-annotation on POS-tagged Corpus Development",
"authors": [
{
"first": "K",
"middle": [],
"last": "Fort",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Sagot",
"suffix": ""
}
],
"year": 2010,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FORT, K. et SAGOT, B. (2010). Influence of Pre-annotation on POS-tagged Corpus Development.",
"links": null
},
"BIBREF14": {
"ref_id": "b14",
"title": "ACL 4th Linguistic Annotation Workshop (LAW 2010)",
"authors": [],
"year": null,
"venue": "",
"volume": "",
"issue": "",
"pages": "56--63",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "In ACL 4th Linguistic Annotation Workshop (LAW 2010), pages 56-63, Uppsala, Su\u00e8de. Quaero (en partie).",
"links": null
},
"BIBREF15": {
"ref_id": "b15",
"title": "Semantic annotation, indexing, and retrieval",
"authors": [
{
"first": "A",
"middle": [],
"last": "Kiryakov",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Popov",
"suffix": ""
},
{
"first": "I",
"middle": [],
"last": "Terziev",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Manov",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Ognyanoff",
"suffix": ""
}
],
"year": 2004,
"venue": "Journal of Web Semantics",
"volume": "2",
"issue": "",
"pages": "49--79",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KIRYAKOV, A., POPOV, B., TERZIEV, I., MANOV, D. et OGNYANOFF, D. (2004). Semantic annotation, indexing, and retrieval. Journal of Web Semantics, 2:49-79.",
"links": null
},
"BIBREF16": {
"ref_id": "b16",
"title": "Moses : Open source toolkit for statistical machine translation",
"authors": [
{
"first": "P",
"middle": [],
"last": "Koehn",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Hoang",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Birch",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Callison-Burch",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Federico",
"suffix": ""
},
{
"first": "N",
"middle": [],
"last": "Bertoldi",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Cowan",
"suffix": ""
},
{
"first": "W",
"middle": [],
"last": "Shen",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Moran",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Zens",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Dyer",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Bojar",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Constantin",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Herbst",
"suffix": ""
}
],
"year": 2007,
"venue": "Proceedings of ACL'07",
"volume": "",
"issue": "",
"pages": "177--180",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KOEHN, P., HOANG, H., BIRCH, A., CALLISON-BURCH, C., FEDERICO, M., BERTOLDI, N., COWAN, B., SHEN, W., MORAN, C., ZENS, R., DYER, C., BOJAR, O., CONSTANTIN, A. et HERBST, E. (2007). Moses : Open source toolkit for statistical machine translation. In Proceedings of ACL'07, pages 177-180.",
"links": null
},
"BIBREF17": {
"ref_id": "b17",
"title": "Statistical phrase-based translation",
"authors": [
{
"first": "P",
"middle": [],
"last": "Koehn",
"suffix": ""
},
{
"first": "F",
"middle": [
"J"
],
"last": "Och",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Marcu",
"suffix": ""
}
],
"year": 2003,
"venue": "HLT-NAACL",
"volume": "",
"issue": "",
"pages": "127--133",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KOEHN, P., OCH, F. J. et MARCU, D. (2003). Statistical phrase-based translation. In HLT-NAACL, pages 127-133.",
"links": null
},
"BIBREF18": {
"ref_id": "b18",
"title": "Conditional random fields : Probabilistic models for segmenting and labeling sequence data",
"authors": [
{
"first": "J",
"middle": [],
"last": "Lafferty",
"suffix": ""
}
],
"year": 2001,
"venue": "Proceedings of the International Conference on Machine Learning",
"volume": "",
"issue": "",
"pages": "282--289",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LAFFERTY, J. (2001). Conditional random fields : Probabilistic models for segmenting and labeling sequence data. In Proceedings of the International Conference on Machine Learning, pages 282-289. Morgan Kaufmann.",
"links": null
},
"BIBREF19": {
"ref_id": "b19",
"title": "From n-gram-based to crf-based translation models",
"authors": [
{
"first": "T",
"middle": [],
"last": "Lavergne",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Allauzen",
"suffix": ""
},
{
"first": "J",
"middle": [
"M"
],
"last": "Crego",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Yvon",
"suffix": ""
}
],
"year": 2011,
"venue": "Proceedings of the Sixth Workshop on Statistical Machine Translation",
"volume": "",
"issue": "",
"pages": "542--553",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LAVERGNE, T., ALLAUZEN, A., CREGO, J. M. et YVON, F. (2011). From n-gram-based to crf-based translation models. In Proceedings of the Sixth Workshop on Statistical Machine Translation, pages 542-553, Edinburgh, Scotland. Association for Computational Linguistics.",
"links": null
},
"BIBREF20": {
"ref_id": "b20",
"title": "Practical very large scale CRFs",
"authors": [
{
"first": "T",
"middle": [],
"last": "Lavergne",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Capp\u00e9",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Yvon",
"suffix": ""
}
],
"year": 2010,
"venue": "Proceedings the 48th Annual Meeting of the Association for Computational Linguistics (ACL)",
"volume": "",
"issue": "",
"pages": "504--513",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LAVERGNE, T., CAPP\u00c9, O. et YVON, F. (2010). Practical very large scale CRFs. In Proceedings the 48th Annual Meeting of the Association for Computational Linguistics (ACL), pages 504-513. Association for Computational Linguistics.",
"links": null
},
"BIBREF21": {
"ref_id": "b21",
"title": "Recognizing named entities in tweets",
"authors": [
{
"first": "X",
"middle": [],
"last": "Liu",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Zhang",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Wei",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Zhou",
"suffix": ""
}
],
"year": 2011,
"venue": "Proceedings of HLT '11",
"volume": "",
"issue": "",
"pages": "359--367",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LIU, X., ZHANG, S., WEI, F. et ZHOU, M. (2011). Recognizing named entities in tweets. In Proceedings of HLT '11, pages 359-367.",
"links": null
},
"BIBREF22": {
"ref_id": "b22",
"title": "Livememories : Second year scientific report",
"authors": [],
"year": 2010,
"venue": "LIVEMEMORIES",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LIVEMEMORIES (2010). Livememories : Second year scientific report. Rapport technique, LiveMemories.",
"links": null
},
"BIBREF23": {
"ref_id": "b23",
"title": "A phrase-based, joint probability model for statistical machine translation",
"authors": [
{
"first": "D",
"middle": [],
"last": "Marcu",
"suffix": ""
},
{
"first": "W",
"middle": [],
"last": "Wong",
"suffix": ""
}
],
"year": 2002,
"venue": "Proceedings of EMNLP'02",
"volume": "",
"issue": "",
"pages": "133--139",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MARCU, D. et WONG, W. (2002). A phrase-based, joint probability model for statistical machine translation. In Proceedings of EMNLP'02, pages 133-139.",
"links": null
},
"BIBREF24": {
"ref_id": "b24",
"title": "DBpedia Spotlight : Shedding light on the web of documents",
"authors": [
{
"first": "P",
"middle": [
"N"
],
"last": "Mendes",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Jakob",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Garc\u00eda-Silva",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Bizer",
"suffix": ""
}
],
"year": 2011,
"venue": "Proceedings of I-Semantics'11",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MENDES, P. N., JAKOB, M., GARC\u00cdA-SILVA, A. et BIZER, C. (2011). DBpedia Spotlight : Shedding light on the web of documents. In Proceedings of I-Semantics'11.",
"links": null
},
"BIBREF25": {
"ref_id": "b25",
"title": "Wikify ! : linking documents to encyclopedic knowledge",
"authors": [
{
"first": "R",
"middle": [],
"last": "Mihalcea",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Csomai",
"suffix": ""
}
],
"year": 2007,
"venue": "Proceedings of CIKM'07",
"volume": "",
"issue": "",
"pages": "233--242",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MIHALCEA, R. et CSOMAI, A. (2007). Wikify ! : linking documents to encyclopedic knowledge. In Proceedings of CIKM'07, pages 233-242.",
"links": null
},
"BIBREF26": {
"ref_id": "b26",
"title": "Textpresso : An ontology-based information retrieval and extraction system for biological literature",
"authors": [
{
"first": "H",
"middle": [],
"last": "M\u00fcller",
"suffix": ""
},
{
"first": "E",
"middle": [
"E"
],
"last": "Kenny",
"suffix": ""
},
{
"first": "P",
"middle": [
"W"
],
"last": "Sternberg",
"suffix": ""
}
],
"year": 2004,
"venue": "PLoS Biol",
"volume": "2",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "M\u00dcLLER, H., KENNY, E. E. et STERNBERG, P. W. (2004). Textpresso : An ontology-based information retrieval and extraction system for biological literature. PLoS Biol, 2:309.",
"links": null
},
"BIBREF27": {
"ref_id": "b27",
"title": "A survey of named entity recognition and classification",
"authors": [
{
"first": "D",
"middle": [],
"last": "Nadeau",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Sekine",
"suffix": ""
}
],
"year": 2007,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "NADEAU, D. et SEKINE, S. (2007). A survey of named entity recognition and classification.",
"links": null
},
"BIBREF28": {
"ref_id": "b28",
"title": "Linguisticae Investigationes",
"authors": [],
"year": null,
"venue": "",
"volume": "30",
"issue": "",
"pages": "3--26",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Linguisticae Investigationes, 30(1):3-26. Publisher : John Benjamins Publishing Company.",
"links": null
},
"BIBREF29": {
"ref_id": "b29",
"title": "Integrating written policies in business rule management systems",
"authors": [
{
"first": "A",
"middle": [],
"last": "Nazarenko",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Guiss\u00e9",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "L\u00e9vy",
"suffix": ""
},
{
"first": "N",
"middle": [],
"last": "Omrane",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Szulman",
"suffix": ""
}
],
"year": 2011,
"venue": "Proceedings of RuleML'11",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "NAZARENKO, A., GUISS\u00c9, A., L\u00c9VY, F., OMRANE, N. et SZULMAN, S. (2011). Integrating written policies in business rule management systems. In Proceedings of RuleML'11.",
"links": null
},
"BIBREF30": {
"ref_id": "b30",
"title": "A systematic comparison of various statistical alignment models",
"authors": [
{
"first": "F",
"middle": [
"J"
],
"last": "Och",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Ney",
"suffix": ""
}
],
"year": 2003,
"venue": "Computational Linguistics",
"volume": "",
"issue": "",
"pages": "19--51",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "OCH, F. J. et NEY, H. (2003). A systematic comparison of various statistical alignment models. Computational Linguistics, pages 19-51.",
"links": null
},
"BIBREF31": {
"ref_id": "b31",
"title": "Design challenges and misconceptions in named entity recognition",
"authors": [
{
"first": "L",
"middle": [],
"last": "Ratinov",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Roth",
"suffix": ""
}
],
"year": 2009,
"venue": "Proceedings of CoNLL'09",
"volume": "",
"issue": "",
"pages": "147--155",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RATINOV, L. et ROTH, D. (2009). Design challenges and misconceptions in named entity recogni- tion. In Proceedings of CoNLL'09, pages 147-155.",
"links": null
},
"BIBREF32": {
"ref_id": "b32",
"title": "Improvements in part-of-speech tagging with an application to german",
"authors": [
{
"first": "H",
"middle": [],
"last": "Schmid",
"suffix": ""
}
],
"year": 1995,
"venue": "Proceedings of the ACL SIGDAT'95-Workshop",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SCHMID, H. (1995). Improvements in part-of-speech tagging with an application to german. In Proceedings of the ACL SIGDAT'95-Workshop.",
"links": null
},
"BIBREF33": {
"ref_id": "b33",
"title": "Srilm -an extensible language modeling toolkit",
"authors": [
{
"first": "A",
"middle": [],
"last": "Stolcke",
"suffix": ""
}
],
"year": 2002,
"venue": "Proceedings of ICSLP'02",
"volume": "",
"issue": "",
"pages": "901--904",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "STOLCKE, A. (2002). Srilm -an extensible language modeling toolkit. In In Proceedings of ICSLP'02, pages 901-904.",
"links": null
},
"BIBREF34": {
"ref_id": "b34",
"title": "Introduction to Conditional Random Fields for Relational Learning",
"authors": [
{
"first": "C",
"middle": [],
"last": "Sutton",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Mccallum",
"suffix": ""
}
],
"year": 2006,
"venue": "",
"volume": "4",
"issue": "",
"pages": "93--128",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SUTTON, C. et MCCALLUM, A. (2006). Introduction to Conditional Random Fields for Relational Learning, chapitre 4, pages 93-128. MIT Press.",
"links": null
},
"BIBREF35": {
"ref_id": "b35",
"title": "Discriminative Alignment Models For Statistical Machine Translation",
"authors": [
{
"first": "N",
"middle": [],
"last": "Tomeh",
"suffix": ""
}
],
"year": 2012,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "TOMEH, N. (2012). Discriminative Alignment Models For Statistical Machine Translation. Th\u00e8se de doctorat, University of Paris 11, Orsay.",
"links": null
},
"BIBREF36": {
"ref_id": "b36",
"title": "Semantic annotation for knowledge management : Requirements and a survey of the state of the art",
"authors": [
{
"first": "V",
"middle": [
"S"
],
"last": "Uren",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Cimiano",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Iria",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Handschuh",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Vargas-Vera",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Motta",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Ciravegna",
"suffix": ""
}
],
"year": 2006,
"venue": "J. Web Sem",
"volume": "4",
"issue": "1",
"pages": "14--28",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "UREN, V. S., CIMIANO, P., IRIA, J., HANDSCHUH, S., VARGAS-VERA, M., MOTTA, E. et CIRAVEGNA, F. (2006). Semantic annotation for knowledge management : Requirements and a survey of the state of the art. J. Web Sem., 4(1):14-28.",
"links": null
},
"BIBREF37": {
"ref_id": "b37",
"title": "Annotating and recognising named entities in clinical notes",
"authors": [
{
"first": "Y",
"middle": [],
"last": "Wang",
"suffix": ""
}
],
"year": 2009,
"venue": "ACL/AFNLP (Student Workshop)",
"volume": "",
"issue": "",
"pages": "18--26",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WANG, Y. (2009). Annotating and recognising named entities in clinical notes. In ACL/AFNLP (Student Workshop), pages 18-26.",
"links": null
},
"BIBREF38": {
"ref_id": "b38",
"title": "Using the right tools : Enhancing retrieval from marked-up documents",
"authors": [
{
"first": "C",
"middle": [],
"last": "Welty",
"suffix": ""
},
{
"first": "N",
"middle": [],
"last": "Ide",
"suffix": ""
}
],
"year": 1999,
"venue": "In Journal Computers and the Humanities",
"volume": "",
"issue": "",
"pages": "33--43",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WELTY, C. et IDE, N. (1999). Using the right tools : Enhancing retrieval from marked-up documents. In Journal Computers and the Humanities, pages 33-10.",
"links": null
},
"BIBREF39": {
"ref_id": "b39",
"title": "Learning for semantic parsing with statistical machine translation",
"authors": [
{
"first": "Y",
"middle": [
"W"
],
"last": "Wong",
"suffix": ""
},
{
"first": "R",
"middle": [
"J"
],
"last": "Mooney",
"suffix": ""
}
],
"year": 2006,
"venue": "Proceedings of HLT-NAACL'06",
"volume": "",
"issue": "",
"pages": "439--446",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WONG, Y. W. et MOONEY, R. J. (2006). Learning for semantic parsing with statistical machine translation. In Proceedings of HLT-NAACL'06, pages 439-446.",
"links": null
},
"BIBREF40": {
"ref_id": "b40",
"title": "Named entity recognition using an hmm-based chunk tagger",
"authors": [
{
"first": "G",
"middle": [],
"last": "Zhou",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Su",
"suffix": ""
}
],
"year": 2002,
"venue": "Proceedings of ACL'02",
"volume": "",
"issue": "",
"pages": "473--480",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ZHOU, G. et SU, J. (2002). Named entity recognition using an hmm-based chunk tagger. In Proceedings of ACL'02, pages 473-480.",
"links": null
}
},
"ref_entries": {
"FIGREF0": {
"text": "Exemple : texte r\u00e9glementaire avec annotations s\u00e9mantiques 1. Typiquement : Personne, Organisation, Lieu, Temps.",
"uris": null,
"type_str": "figure",
"num": null
},
"FIGREF1": {
"text": "On peut former d'autres mesures par combinaison des pr\u00e9c\u00e9dentes, comme label et position consid\u00e9r\u00e9s ind\u00e9pendamment (le score cumule l'\u00e9valuation des labels et des positions) et label et position consid\u00e9r\u00e9s group\u00e9s. Dans ce dernier cas, c'est le couple (label, position) qui est consid\u00e9r\u00e9 globalement comme correct ou incorrect. Pour chaque m\u00e9trique \u00b5 parmi {Pr\u00e9cision, Rappel, F-mesure}, nous \u00e9crivons \u00b5-label, \u00b5-posi tion, \u00b5-indep, et \u00b5-couple pour d\u00e9signer les quatre crit\u00e8res d'\u00e9valuation ci-dessus 12",
"uris": null,
"type_str": "figure",
"num": null
},
"TABREF0": {
"text": "union de l'anglais et du vocabulaire de l'ontologie, Voc(O), utilis\u00e9 comme ensemble d'\u00e9tiquettes 8 . Nous disons que s 2 est une version annot\u00e9e de s 1 s'il est obtenu en rempla\u00e7ant certains groupes de mots anglais de s 1 par des \u00e9l\u00e9ments de Voc(O) comme illustr\u00e9 dans la figure 2.",
"type_str": "table",
"html": null,
"content": "<table/>",
"num": null
},
"TABREF1": {
"text": "). Il s'agit donc de reconstituer l'entr\u00e9e. On attribue une \u00e9tiquette s\u00e9mantique \u00e0 une phrase vue pour la premi\u00e8re fois s 1 \u2208 L 1 en recherchant la phrase s 2 \u2208 L 2 qui a la plus grande valeur pour P(s 2 |s 1 ). Par la r\u00e8gle de Bayes et puisque P(s 1 ) est fix\u00e9e, il s'agit de calculer s",
"type_str": "table",
"html": null,
"content": "<table><tr><td>s 2</td><td>P(s 2 |s 1 ) = arg max s 2</td><td>{P(s 2 )P(s 1 |s 2 )}.</td></tr><tr><td colspan=\"3\">Suivant le mod\u00e8le de traduction bas\u00e9 sur les syntagmes, la phrase d'entr\u00e9e non annot\u00e9e s 1 est</td></tr><tr><td colspan=\"3\">segment\u00e9e pendant le d\u00e9codage en une suite de m syntagmes, not\u00e9e {s i 1 } m i=1 . Chaque segment s i 1 est associ\u00e9 \u00e0 sa version annot\u00e9e s i 2 de sorte que P(s 1 |s 2</td></tr></table>",
"num": null
},
"TABREF2": {
"text": "Pour le corpus 2, la table 1 liste les graphies choisies, le nombre de leurs occurrences annot\u00e9es et les 17 \u00e9tiquettes s\u00e9mantiques qui leur sont associ\u00e9es. Il y a aussi 14 occurrences suppl\u00e9mentaires 10. Ce mat\u00e9riel vient du projet europ\u00e9en OntoRule. 11. A noter que, une fois que les exemples annot\u00e9s sont disponibles, notre m\u00e9thode n'a plus besoin de l'ontologie.",
"type_str": "table",
"html": null,
"content": "<table><tr><td colspan=\"2\">Graphie #Occ</td><td colspan=\"3\">Etiquettes possibles dans la r\u00e9f\u00e9rence</td></tr><tr><td>\"type\"</td><td>123</td><td colspan=\"3\">T y peReactor, T y peRet ractor, T y peBel t</td></tr><tr><td/><td/><td colspan=\"2\">Ret r ac t or Locking Test,</td><td>BreakingS t reng thO f S t rapTest,</td></tr><tr><td>\"tested\"</td><td>29</td><td colspan=\"3\">D ynamicTest, M ethod, C old I mpact Test, NULL</td></tr><tr><td>\"Test(s)\"</td><td>19</td><td colspan=\"2\">D ynamicTest, M ethod</td></tr><tr><td/><td/><td>D ynamicTest,</td><td colspan=\"2\">Ret r ac t or Dur abili t y Test,</td><td>M ethod,</td></tr><tr><td>\"tests\"</td><td>65</td><td colspan=\"3\">BreakingS t reng thO f S t rapTest,</td><td>Accel er at ionTest,</td></tr><tr><td/><td/><td colspan=\"3\">DecelerationTest, Ret r ac t or Locking Test, BuckleTest</td></tr><tr><td/><td/><td>C old I mpact Test,</td><td/><td>Ret r ac t or Locking Test,</td></tr><tr><td/><td/><td>M ethod,</td><td colspan=\"2\">M icroSlipTest,</td><td>BuckleOpening Test,</td></tr><tr><td>\"test\"</td><td>190</td><td colspan=\"3\">BreakingS t reng thO f S t rapTest, D ynamicTest, BuckleTest,</td></tr><tr><td/><td/><td colspan=\"3\">C or rosionTest, Ret r ac t or U nlocking Test, F rontal I mpact Test</td></tr><tr><td/><td/><td colspan=\"3\">TABLE 1 -Description des ambigu\u00eft\u00e9s du corpus2</td></tr><tr><td colspan=\"5\">de \u00ab tested \u00bb non annot\u00e9es (not\u00e9es NULL en ligne 2, colonne 3), ce qui constitue une forme</td></tr><tr><td colspan=\"3\">particuli\u00e8re d'ambigu\u00eft\u00e9.</td><td/></tr></table>",
"num": null
},
"TABREF3": {
"text": "Evaluation de la ASSS et ASDF sur Corpus1exemple, alors que la phrase \"The test has to be performed separately from the tensile test\" a \u00e9t\u00e9 annot\u00e9e avec Tensil et est pour la position | 9 -10 | par l'expert, ASSS n'a associ\u00e9 l'\u00e9tiquetage",
"type_str": "table",
"html": null,
"content": "<table><tr><td>Tensil et est qu'\u00e0 la position | 9 -9 | 13 . Pour rem\u00e9dier \u00e0 cela, nous faisons une combinaison de ASSS et ASDF pour avoir un syst\u00e8me hybride (la 4\u00e8me colonne du tableau 2) d\u00e9fini comme suit :</td></tr><tr><td>D\u00e9finition. (Hybride de ASSS et ASDF) Pour une phrase donn\u00e9e, soit ANNOASSS et ANNOASDF</td></tr><tr><td>les annotations s\u00e9mantiques g\u00e9n\u00e9r\u00e9es respectivement par ASSS et ASDF. Nous disons que deux</td></tr><tr><td>annotations provenant de ANNOASSS et ANNOASDF sont unifiables si leurs positions se chevauchent.</td></tr></table>",
"num": null
},
"TABREF4": {
"text": "ASSS t ous dans le tableau 3, ASSS 17 et ASCRF 17 correspondent au cas o\u00f9 les 313 phrases s\u00e9lectionn\u00e9es dans le corpus 2 ne sont annot\u00e9es que par les 17 entr\u00e9es s\u00e9mantiques ambig\u00fces, ceci pour r\u00e9duire le temps d'ex\u00e9cution d'ASCRF 14 . Les r\u00e9sultats montrent que :",
"type_str": "table",
"html": null,
"content": "<table><tr><td>-Evaluation d'ASSS et ASDF sur le corpus 2</td></tr><tr><td>6.3 Comparaison d'ASSS et ASCRF</td></tr><tr><td>Le tableau 4 compare les performances moyennes d'ASCRF et de'ASSS \u00e0 la fois sur le corpus 1 et</td></tr><tr><td>sur le corpus 2. A la diff\u00e9rence d'</td></tr></table>",
"num": null
},
"TABREF5": {
"text": "Evaluation de ASSS et ASCRF logies de domaine riches. La m\u00e9thode a \u00e9t\u00e9 con\u00e7ue pour des documents techniques, tels que des textes r\u00e9glementaires, pour lesquels les approches traditionnelles d'\u00e9tiquetage s\u00e9mantique (\u00e9tiquetage des entit\u00e9s nomm\u00e9es et annotation s\u00e9mantique g\u00e9n\u00e9rique) pr\u00e9sentent des limitations importantes. En utilisant plusieurs m\u00e9triques d'\u00e9valuation, nous avons montr\u00e9 que la m\u00e9thode propos\u00e9e donne de meilleurs r\u00e9sultats qu'une approche classique \u00e0 base de dictionnaire de fr\u00e9quence ou qu'une approche discriminante, avec un ensemble r\u00e9duit d'exemples annot\u00e9s. Elle obtient des scores \u00e9lev\u00e9s sur le corpus ambigu : une F-mesure de 92,95 % (resp. 97,65 %) pour la pr\u00e9diction de label (resp. de position) pour ASSS all , et une F-mesure de 91.88% (resp. 94,62 %) pour la pr\u00e9diction de label (resp. de position) pour ASSS 17",
"type_str": "table",
"html": null,
"content": "<table/>",
"num": null
}
}
}
} |