| Total | ORG-LOC | ORG-ORG | ORG-PER | PER-LOC | PER-ORG | PER-PER |
| 165 708 15 226 | 13 704 | 10 054 | 47 700 | 40 238 | 38 786 |
| TABLE 1 -Nombre de relations extraites | |
| 3 Regroupement de relations | | | |
| Dans cette section, nous pr\u00e9sentons plus sp\u00e9cifiquement notre m\u00e9thode de clustering multi-niveau |
| d\u00e9finie afin de regrouper les relations extraites en fonction de leur similarit\u00e9 s\u00e9mantique. Cette |
| m\u00e9thode s'organise en deux \u00e9tapes, \u00e0 l'instar de (Cheu et al., 2004) : un premier clustering de |
| base est r\u00e9alis\u00e9 en s'appuyant sur la similarit\u00e9 des formes de surface des relations, ce qui permet |
| de former de mani\u00e8re efficace de petits clusters homog\u00e8nes ; une seconde \u00e9tape de clustering est |
| ensuite appliqu\u00e9e pour rassembler ces clusters initiaux sur la base d'une similarit\u00e9 s\u00e9mantique |
| entre relations plus complexe. | | | | | |
| 3.1 Regroupement de base | | | | |
| 3.1.1 Principe | | | | | | |
| En EI non supervis\u00e9e, le nombre de relations extraites est rapidement important comme le |
| montre le tableau 1. De ce fait, il est quasiment impossible d'appliquer des mesures de similarit\u00e9 |
| s\u00e9mantique \u00e9labor\u00e9es entre toutes les relations extraites. Le tableau 2 illustre cependant le fait |
| que certaines variabilit\u00e9s d'expression sont tr\u00e8s limit\u00e9es et peuvent \u00eatre d\u00e9tect\u00e9es facilement. |
| | create the, who create . . . | | |
| ORG -ORG | | | | | |
| | establish the, who establish the . . . | |
| | base in, a company base in . . . | | |
| ORG -LOC | | | | | |
| | locate in, which be locate in . . . | | |
| ORG -PER | found by, a group found by, which be found by . . . |
| PER -ORG | who be the head of, become head of . . . | |
| PER -LOC | work in, who work in . . . | | |
| PER -PER | who call, who call his manager . . . | |
| TABLE 2 -Illustration de la variabilit\u00e9 linguistique des relations |
| Cette observation nous a conduit \u00e0 mettre en oeuvre un premier niveau de clustering afin de |
| former des regroupements de relations proches les unes des autres sur le plan de leur expression |
| linguistique, comme le fait de regrouper create the et who create. Pour ce faire, nous nous sommes |
| appuy\u00e9s sur une similarit\u00e9 Cosinus appliqu\u00e9e \u00e0 une repr\u00e9sentation de type sac de mots de la |
",
"type_str": "table",
"html": null,
"text": "",
"num": null
},
"TABREF1": {
"content": "| 4.3 \u00c9tude des avantages du clustering multi-niveau |
| Comme indiqu\u00e9 au d\u00e9but de la section 3.1, le calcul des similarit\u00e9s s\u00e9mantiques est beaucoup plus |
| co\u00fbteux que le calcul d'une simple mesure Cosinus. Le nombre total de relations atteint 165 708 |
| (cf. tableau 1), alors que le nombre de clusters de base n'est que de 11 726 (cf. tableau 4). Un |
| premier avantage du clustering multi-niveau est donc d'\u00e9viter de calculer un trop grand nombre |
| de similarit\u00e9s co\u00fbteuses. Mais, parall\u00e8lement, il permet \u00e9galement d'am\u00e9liorer la qualit\u00e9 de |
| l'organisation s\u00e9mantique des relations, en exploitant la redondance d'information pr\u00e9sente dans |
| les clusters de base. |
",
"type_str": "table",
"html": null,
"text": "Exemples de mots regroup\u00e9s dans les clusters s\u00e9mantiques Pour v\u00e9rifier cette hypoth\u00e8se, nous avons compar\u00e9, en nous appuyant sur notre r\u00e9f\u00e9rence, la distribution des similarit\u00e9s entre les relations initiales et entre les clusters de base. Dans un premier temps, nous avons examin\u00e9 toutes les similarit\u00e9s entre deux instances de relations appartenant au m\u00eame cluster de r\u00e9f\u00e9rence (distribution intra-cluster D int ra ) et les similarit\u00e9s entre deux instances appartenant \u00e0 des clusters diff\u00e9rents (distribution intra-cluster D inter ), avec l'hypoth\u00e8se que ces distributions sont bien s\u00e9par\u00e9es (avec une moyenne \u00e9lev\u00e9e pour D int ra et basse pour D inter ). Dans un second temps, nous \u00e9tablissons les m\u00eames distributions de similarit\u00e9s pour les clusters de base, en associant \u00e0 chaque cluster de r\u00e9f\u00e9rence l'ensemble des clusters de base qu'il recouvre. Les distributions de similarit\u00e9 obtenues sont pr\u00e9sent\u00e9es \u00e0 la figure 2 pour la similarit\u00e9 Dist cooc , la m\u00eame tendance \u00e9tant observ\u00e9e pour les autres similarit\u00e9s.",
"num": null
}
}
}
}