Extraction en langue chinoise d'actions spatiotemporalisées réalisées par des personnes ou des organismes

Extraction of spatiotemporally located actions performed by individuals or organizations from Chinese texts

• Auteur / Autrice : Zhen Wang
• Direction : Pierre Zweigenbaum
• Type : Thèse de doctorat
• Discipline(s) : Traitement automatique des langues
• Date : Soutenance le 09/06/2016
• Etablissement(s) : Sorbonne Paris Cité
• Ecole(s) doctorale(s) : École doctorale Langues, littératures et sociétés du monde (1997-... ; Paris)
• Partenaire(s) de recherche : Laboratoire : Équipe de Recherche en Textes- Informatique- Multilinguisme / ERTIM
• Partenaire(s) de recherche : établissement de préparation : Institut national des langues et civilisations orientales (Paris ; 1971-....)
• Jury : Examinateurs / Examinatrices : Pierre Zweigenbaum, Denis Maurel, Stéphane Ferrari, Christine Lamarre, Damien Nouvel, Christian Fluhr
• Jury : Rapporteur / Rapporteuse : Denis Maurel, Stéphane Ferrari

Mots clés

Mots clés contrôlés

Exploration de données

Linguistique -- Informatique

Analyse automatique (linguistique)

Syntaxe

Chinois (langue)

Traitement automatique du langage naturel

Mots clés libres

Langue chinoise

Traitement automatique du chinois

Extraction d'information

Segmentation

Analyse syntaxique

Reconnaissance d'entités nommées

Chinese

Chinese language processing

Knowledge extraction

Segmentation

Parsing

Named entity recognition

Résumé

La thèse a deux objectifs : le premier est de développer un analyseur qui permet d'analyser automatiquement des sources textuelles en chinois simplifié afin de segmenter les textes en mots et de les étiqueter par catégories grammaticales, ainsi que de construire les relations syntaxiques entre les mots. Le deuxième est d'extraire des informations autour des entités et des actions qui nous intéressent à partir des textes analysés. Afin d'atteindre ces deux objectifs, nous avons traité principalement les problématiques suivantes : les ambiguïtés de segmentation, la catégorisation ; le traitement des mots inconnus dans les textes chinois ; l'ambiguïté de l'analyse syntaxique ; la reconnaissance et le typage des entités nommées. Le texte d'entrée est traité phrase par phrase. L'analyseur commence par un traitement typographique au sein des phrases afin d'identifier les écritures latines et les chiffres. Ensuite, nous segmentons la phrase en mots à l'aide de dictionnaires. Grâce aux règles linguistiques, nous créons des hypothèses de noms propres, changeons les poids des catégories ou des mots selon leur contextes gauches ou/et droits. Un modèle de langue n-gramme élaboré à partir d'un corpus d'apprentissage permet de sélectionner le meilleur résultat de segmentation et de catégorisation. Une analyse en dépendance est utilisée pour marquer les relations entre les mots. Nous effectuons une première identification d'entités nommées à la fin de l'analyse syntaxique. Ceci permet d'identifier les entités nommées en unité ou en groupe nominal et également de leur attribuer un type. Ces entités nommées sont ensuite utilisées dans l'extraction. Les règles d'extraction permettent de valider ou de changer les types des entités nommées. L'extraction des connaissances est composée des deux étapes : extraire et annoter automatiquement des contenus à partir des textes analysés ; vérifier les contenus extraits et résoudre la cohérence à travers une ontologie.

We have developed an automatic analyser and an extraction module for Chinese langage processing. The analyser performs automatic Chinese word segmentation based on linguistic rules and dictionaries, part-of-speech tagging based on n-gram statistics and dependency grammar parsing. The module allows to extract information around named entities and activities. In order to achieve these goals, we have tackled the following main issues: segmentation and part-of-speech ambiguity; unknown word identification in Chinese text; attachment ambiguity in parsing. Chinese texts are analysed sentence by sentence. Given a sentence, the analyzer begins with typographic processing to identify sequences of Latin characters and numbers. Then, dictionaries are used for preliminary segmentation into words. Linguistic-based rules are used to create proper noun hypotheses and change the weight of some word categories. These rules take into account word context. An n-gram language model is created from a training corpus and selects the best word segmentation and parts-of-speech. Dependency grammar parsing is used to annotate relations between words. A first step of named entity recognition is performed after parsing. Its goal is to identify single-word named entities and noun-phrase-based named entities and to determine their semantic type. These named entities are then used in knowledge extraction. Knowledge extraction rules are used to validate named entities or to change their types. Knowledge extraction consists of two steps: automatic content extraction and tagging from analysed text; extracted contents control and ontology-based co-reference resolution.