Construction assistée de thésaurus à l'aide de Machine Learning
Intervenant⋅e⋅s
Résumé
Le métier de Proxem est de collecter un corpus de documents sur un domaine spécifique, de l’organiser, puis celui-ci organisé, d’extraire de l’information au niveau du corpus entier. L’étape d’organisation comprend généralement deux étapes : une étape d’annotation (extraction de concepts organisés selon un thésaurus) puis une étape de classification via une certaine taxonomie définie avec le client. L’étape d’annotation nécessite un paramétrage adapté au domaine du corpus et donc généralement de connaître l’univers associé, sa terminologie, etc. Par ailleurs, une approche type « page blanche » cause des problèmes de taux de couverture.
Dans l’optique de répondre à ce problème, Proxem a développé une solution de construction de thésaurus assistée par Machine Learning, via une double approche :
- Une approche bottom-up : après une étape d’apprentissage non-supervisé réalisé sur le corpus (calcul de clusters, de représentations distributionnelles de termes, etc.), l’ordinateur fait des propositions à l’utilisateur et ce dernier valide ou invalide ces propositions. Ensuite, via une démarche itérative, l’ordinateur prend en compte les décisions de l’utilisateur, et essaie d’améliorer ses propositions. Le nommage des clusters se fait via l'importation des données de WikiData. Une approche top-down : l’utilisateur importe de la connaissance du monde, via par exemple de la donnée structurée existante. Cette donnée structurée permet d’apprendre des modèles d’apprentissage supervisés que l’on utilise directement sur notre corpus en inférence. Il peut également importer des bases de connaissances au format SKOS (ESCO pour les Ressources Humaines, EuroVoc, GEMET, AGROVOC, etc.)
Pour chacun des concepts du thésaurus, l’ordinateur propose plusieurs façons d’extraire le concept dans le corpus (désambiguïsation via termes activateurs et inhibiteurs, modèle d’extraction d’entités nommées pré-appris, etc.). L’ordinateur propose directement les termes correspondants aux concepts dans les autres langues, permettant ainsi la création d’un thésaurus multilingue, exportable au format SKOS.
Une fois que l’utilisateur est satisfait du thésaurus, il peut ensuite s’en servir pour annoter son corpus et indexer les annotations afin de les requêter dans un moteur de recherche et d'obtenir les résultats en affichant les mots en contexte comme le ferait un concordancier.
Auteurs
Jean-Marc Marty Diplômé de l’Ecole Polytechnique en 2014, Jean-Marc Marty a rejoint l’équipe de Recherche et Développement de Proxem pour développer les technologies d’analyse sémantique de l’entreprise. Il est plus particulièrement spécialisé dans l’apprentissage de modèles de langues et dans le développement de modèles statistiques en vue de la classification cross-langage de documents.