Extraction de connaissances dans des textes arabes et français par une méthode linguistico-computationnelle

Knowledge Extraction from texts written in Arabic and French by a linguistico-computational method

• Auteur / Autrice : Janan Ben Salamah
• Direction : Jean-Pierre Desclès
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques, informatique et application aux sciences de l'homme
• Date : Soutenance le 28/10/2017
• Etablissement(s) : Paris 4
• Ecole(s) doctorale(s) : École doctorale Concepts et langages (Paris ; 2000-....)
• Partenaire(s) de recherche : Equipe de recherche : Langues, logiques, informatique, cognition (Paris)
• Jury : Président / Présidente : Joseph Dichy
• Jury : Examinateurs / Examinatrices : Mohammed Al-Shatti, Rim Faiz, Omar Larouk

Mots clés

Mots clés contrôlés

Linguistique -- Informatique

Français (langue)

Sémantique

Arabe (langue)

Exploration de données

Traitement automatique du langage naturel

Mots clés libres

Extraction de connaissance

Extraction des événements

Extraction des référentiels temporels

Annotation d‟information

Cartes Sémantiques

Exploration Contextuelle

Linguistico-Computationnelle

Knowledge extraction

Events extraction

Extraction of temporal references

Annotation

Semantic Maps

Contextual exploration

Computational Linguistics

Résumé

Dans le cadre de notre thèse, nous avons proposé une approche générique multilingue d'extraction automatique de connaissances. Nous avons validé l‟approche sur l'extraction des événements de variations des cours pétroliers et l‟extraction des expressions temporelles liées à des référentiels. Notre approche est basée sur la constitution de plusieurs cartes sémantiques par analyse des données non structurées afin de formaliser les traces linguistiques textuelles exprimées par des catégories d'un point de vue de fouille. Nous avons mis en place un système expert permettant d‟annoter la présence des catégories en utilisant des groupes de règles. Deux algorithmes d'annotation AnnotEV et AnnotEC ont été appliqués, dans la plateforme SemanTAS. Le rappel et précision de notre système d'annotation est autour de 80%. Nous avons présenté les résultats aussi sous forme des fiches de synthèses. Nous avons validé l'aspect Multilingue de l'approche sur la langue française et arabe, et l'aspect généricité et scalabilité en testant sur plusieurs corpus de taille confédérale.

In this thesis, we proposed a multilingual generic approach for the automatic information extraction. Particularly, events extraction of price variation and temporal information extraction linked to temporal referential. Our approach is based on the constitution of several semantic maps by textual analysis in order to formalize the linguistic traces expressed by categories. We created a database for an expert system to identify and annotate information (categories and their characteristics) based on the contextual rule groups. Two algorithms AnnotEC and AnnotEV have been applied in the SemanTAS platform to validate our assumptions. We have obtained a satisfactory result; Accuracy and recall are around 80%. We presented extracted knowledge by a summary file. In order to approve the multilingual aspect of our approach, we have carried out experiments on French and Arabic. We confirmed the scalability level by the annotation of large corpus.