Communiquer par SMS : Analyse automatique du langage et extraction de l'information véhiculée

SMS communication : Natural language processing and information extraction

• Auteur / Autrice : Eleni Kogkitsidou
• Direction : Georges Antoniadis
• Type : Thèse de doctorat
• Discipline(s) : Sciences du langage Spécialité Informatique et sciences du langage
• Date : Soutenance le 27/09/2018
• Etablissement(s) : Université Grenoble Alpes (ComUE)
• Ecole(s) doctorale(s) : École doctorale langues, littératures et sciences humaines (Grenoble, Isère, France ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de linguistique et didactique des langues étrangères et maternelles (Grenoble, Isère, France ; 1987-....)
• Jury : Président / Présidente : Gudrun Ledegen
• Jury : Examinateurs / Examinatrices : Rachel Panckhurst, Matthieu Quignard
• Jury : Rapporteurs / Rapporteuses : Cédrick Fairon, Panayota-Tita Kyriacopoulou

Mots clés

Mots clés contrôlés

Normalisation linguistique

Langage SMS

Mots clés libres

Langage SMS

Normalisation des SMS

Recherche d'information

Communication médiée par ordinateur

SMS language

SMS normalization

Information extraction

Computer-Mediated communication

Résumé

Cette thèse concerne l’analyse automatique des SMS et l'extraction des informations qui y sont contenues. Le point de départ de notre recherche est le constat que la plupart des messages courts, observés dans le corpus alpes4science, présentent des différences en comparaison avec le langage standard. Les différences sont mises en évidence, d’une part, par la morphologie particulière des mots et, d’autre part, par les règles de syntaxe et de grammaire qui ne sont pas respectées lorsque l’émetteur considère que cela ne nuit pas à l’intelligibilité du message. À cause des écarts par rapport à la langue standard, le traitement et l'analyse des messages bruités est toujours un défi pour les tâches du TAL. Par conséquent, réduire les écarts est un défi fondamental que nous surmontons en utilisant l’approche de la normalisation pour la conception d’outils en traitement automatique des SMS.Nous proposons un modèle de normalisation en deux étapes, fondé sur une approche symbolique et statistique. La première étape vise à produire une représentation intermédiaire du message SMS par l’application de grammaires locales, tandis que la deuxième utilise un système de traduction automatique à base de règles pour convertir la représentation intermédiaire vers une forme standard. Le résultat produit par ce modèle a été évalué, par la suite, pour la reconnaissance d'entités nommées au travers d'une série de tests appliqués à l'aide de trois autres systèmes. Les résultats obtenus ont montré que les performances de ces systèmes de reconnaissance d'entités nommées présentent des améliorations significatives lorsqu’ils sont appliqués sur les SMS automatiquement normalisés en comparaison avec le corpus brut et manuellement transcrit.Mots-clés : communication médiée par ordinateur, langage SMS, normalisation des SMS, extraction d’informations

This thesis focuses on SMS language and information extraction from the point of view of natural language processing. The starting point of our study is the observation of the differences that most short messages have, using the alpes4science corpora, in comparison with the standard language. The differences are highlighted by the particular morphology of words and by the syntactic and grammar rules that are not respected when the issuer considers that it would not impair the intelligibility of the message.Because of the deviations from the standard language, processing and analyzing noisy messages is still a challenge for any NLP task. Therefore, reducing the gaps is a fundamental step to overcome when designing approaches for automatic SMS processing.We propose a two-step normalization model based on a symbolic and statistical approach. The first step aims to produce an intermediate representation of the SMS by applying local grammars. The second step uses a rule-based machine translation system to convert the intermediate representation to a standard form. The obtained result from this model was evaluated, afterwards, for named entities recognition through a series of tests applied thanks to three other systems. The results have shown that these performances of named entity recognition systems are significantly improved when applied to automatically normalized SMS in comparison with raw and manually normalized corpora.Keywords: computer-mediated communication, SMS language, SMS normalization