Apprentissage structuré avec des arbres latents : une approche jointe de la résolution de la coréférence
FR |
EN
Auteur / Autrice : | Emmanuel Lassalle |
Direction : | Laurence Danlos, Pascal Denis |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance en 2015 |
Etablissement(s) : | Sorbonne Paris Cité |
Ecole(s) doctorale(s) : | École doctorale Sciences mathématiques de Paris centre (Paris ; 2000-....) |
Partenaire(s) de recherche : | autre partenaire : Université Paris Diderot - Paris 7 (1970-2019) |
Mots clés
FR
Résumé
FR |
EN
Nous explorons différentes manières de définir des systèmes de résolution de la coréférence utilisant des techniques d'apprentissage statistique structuré. Nous mettons au point des modèles supervisés qui apprennent à construire des classes d'équivalence de coréférence à partir de texte brut : notre principal objectif est de définir des modèles capables de traiter les documents de manière globale et structurée afin de créer des sorties cohérentes Nos modèles sont entraînés et évalués sur la partie anglaise du corpus de la Shared Task CoNLL-2012. Nous effectuons des comparaisons détaillées de différentes versions des modèles afin de mettre au point un système complet de résolution de la coréférence.