Détection automatique à partir du web des caractéristiques ontologiques et du type d une

Dimension: px

Commencer à balayer dès la page:

Download "Détection automatique à partir du web des caractéristiques ontologiques et du type d une"

Gaston Leduc
il y a 8 ans
Total affichages :

1 Détection automatique à partir du web des caractéristiques ontologiques et du type d une Entité Nommée Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr ismart - Université d Avignon (LIA) Michel Benoit - Patrice Bellot Mercredi 30 juin /17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristique

fr ismart - Université d Avignon (LIA) Michel Benoit - Patrice Bellot Mercredi 30

2 Définition Etat de l art TREC Entity Ranking Questions-réponses Catégorisation des ENs candidates Résultats 2/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristique

3 Déterminer si deux entités nommées sont de même type (représentent le même concept) ex : Nikon d3000 et canon 550d Etude de leur environnement Indépendant de la langue 3/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristique

environnement Indépendant de la langue 3/17 Ludovic Bonnefoy ludovic.

4 Définition Etat de l art Entité Nommée (EN) Définition courante Unité d information (ou textuelle) Représente une personne, une organisation, une date, etc. Intérêt Filtre et amélioration des performances Systèmes de questions-réponses Ex : Quelles sont les villes à visiter en France? 4/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristique

Intérêt Filtre et amélioration des performances Systèmes de questions-réponses Ex : Quelles sont

5 Définition Etat de l art Etat de l art s déductives Utilisation de patrons d extraction Mr. mot première lettre capitale... mot est une personne. s inductives : semi-supervisées Bootstrapping Synonymes, mots de la même classe [Pasca 06] Relations syntaxiques [Cucchiarelli 01] etc. 5/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristique

s inductives : semi-supervisées Bootstrapping Synonymes, mots de la même classe [Pasca 06]

6 Définition Etat de l art Etat de l art (2) s inductives : supervisées Arbres de décision [Sekine 98] CRF [Mc Mallum & Li 03] SVM [Asahara & Matsumoto 03] etc. Ressources Corpus (Penn TreeBank) Listes d ENs (gazeeters) Taxonomies (DBPedia) etc. 6/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristique

Ressources Corpus (Penn TreeBank) Listes d ENs (gazeeters) Taxonomies (DBPedia) etc.

7 Définition Etat de l art Limites Ex : Quels sont les acheteurs potentiels d Eurocopter? Faible nombre de types d ENs reconnus (5-200) Impossibilité de construire des ressources aussi précises que nécessaire Monde en perpétuelle évolution 7/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristique

Faible nombre de types d ENs reconnus (5-200) Impossibilité de construire des

8 TREC Entity Ranking TREC Campagne d évaluation internationale en RI Créée en 1992 Soutenue par le gouvernement américain (NIST) 8/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristique

gouvernement américain (NIST) 8/17 Ludovic Bonnefoy

9 TREC Entity Ranking Entity Ranking Related Entity Finding Retrouver des ENs d un type donné Satisfaisant une relation en texte libre avec une EN source Exemple de Topic : EN : Michael Schumacher Type : personne Texte : Michael s teammates while he was racing in Formula 1 9/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristique

Schumacher Type : personne Texte : Michael s teammates while he was racing in Formula 1 9/17

10 TREC Entity Ranking Corpus et Evaluation Corpus ClueWeb09 1 milliard de pages web 15To de données 4 langues (En, Fr, Es, Ch) Evaluation Plusieurs mesures : P@R, MAP@R, ndcg@r 100 résultats maximum Cinquantaine de topics 10/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristiqu

MAP@R, ndcg@r 100 résultats maximum Cinquantaine de topics 10/17 Ludovic Bonnefoy

11 Questions-réponses Catégorisation des ENs candidates Résultats Questions-réponses Reconnaissance d entités nommées Pers, Org et Loc : Stanford-NER Produits : Règles Analyse morpho-syntaxique TreeTagger Compacité Comp(EC i ) = 1 QW P w QW Z j R j +1 11/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristiqu

Analyse morpho-syntaxique TreeTagger Compacité Comp(EC i ) = 1 QW P w QW Z j R j +1

12 Questions-réponses Catégorisation des ENs candidates Résultats Catégorisation des ENs candidates Collecte d ENs de référence Du type attendu Utilisation de patrons d extraction Ex : teammates including NP Pasca 2004 Constitution de corpus Interrogation de Yahoo! Requête : EN Récupération des x premiers documents Corpus de référence : constitué des documents récupérés pour chaque EN de référence. 12/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristiqu

13 Catégorisation des ENs candidates (2) Questions-réponses Catégorisation des ENs candidates Résultats Modèle de langage Calcul de n-grammes Lissage desj distributions : Dirichlet ps(w d) si w est vu p(w d) = α d p(w C) sinon tf (c,d)+µp(w C) p s(w d) = P w V tf (w,d)+µ µ α d = tf (w,d)+µ P w V Divergence de Kullback-Leibler Distance entre deux distributions de probabilités Le modèle de référence et celui d une EN candidate DKL(P Q) = P P(i) i P(i)log Q(i) 13/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristiqu

(w,d)+µ P w V Divergence de Kullback-Leibler Distance entre deux distributions de probabilités Le modèle de référence et celui d une EN

14 Résultats de la chaîne principale Questions-réponses Catégorisation des ENs candidates Résultats Métrique Max Median Tab.: Résultats, Référentiel TREC Entity Ranking 2009, Anglais. 13 équipes, 4 runs par équipe Métrique PERS ORG PROD ALL P@10 0,067 0,082 0,033 0,0700 Tab.: Catégories, Référentiel TREC Entity Ranking 2009, Anglais Actuellement la catégorisation améliore les résultats d environ 15% 14/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristiqu

13 équipes, 4 runs par équipe Métrique PERS ORG PROD ALL P@10 0,067 0,082 0,033 0,0700 Tab.

15 Détection des caractéristiques Première approche Analyse des différences de comportement d unigrammes entre le modèle lié au corpus d ENs d un même type et un modèle du monde Exemple Différence entre les probabilités des deux modèles d unigrammes Type d ENs : camera 20 premiers unigrammes : measure, 200mm, $599.95, 2000d, advertising, selector, symantec, focus, high-quality, digtal, softcover, globally, select, seldom, differ, picture, softwaresecurity, decent-sized, high-contrast, ex-z /17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristiqu

16 Merci de votre attention Des questions? 16/17 Ludovic Bonnefoy Détection automatique à partir du web des caractéristiqu

17 Métriques Precision Precision = documents pertinents retrouves documents r etrouves Mean Average Precision (MAP) MAP@R = P R r=1 (P@r.rel(r)) NbrDeDocumentARetrouver normalized Discounted Cumulative Gain (ndcg) DCG@R = rel 1 + R i=2 rel i log 2 i ndcg@r = DCG@R IDCG@R 17/17 Ludovic Bonnefoy ludovic.bonnefoy@ismart.fr Détection automatique à partir du web des caractéristiqu

rel(r)) NbrDeDocumentARetrouver normalized Discounted Cumulative Gain (ndcg) DCG@R = rel 1 +

Documents pareils

TEXT MINING Tour d Horizon

TEXT MINING Tour d Horizon Media Campus WAN IFRA "Structurer, optimiser et valoriser son contenu éditorial : les outils de text mining" 24 novembre 2009, PARIS Philippe BONNY Cabinet de Conseil et d Etudes