Construction dynamique incrémentale de graphes de connaissances par fouille de contenus

Dynamic incremental construction of knowledge graphs by content extraction

• Auteur / Autrice : Cyrielle Mallart
• Direction : Pascale Sébillot, Guillaume Gravier
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 23/11/2022
• Etablissement(s) : Rennes, INSA
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Entreprise : Ouest-France (périodique)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en informatique et systèmes aléatoires (Rennes)
• Jury : Président / Présidente : Anne Vilnat
• Jury : Examinateurs / Examinatrices : Pascale Sébillot, Guillaume Gravier, Anne Vilnat, Frédéric Béchet, Xavier Tannier, Pierre-François Marteau
• Jury : Rapporteurs / Rapporteuses : Frédéric Béchet, Xavier Tannier

Mots clés

Mots clés contrôlés

Apprentissage supervisé (intelligence artificielle)

Traitement automatique du langage naturel

Exploration de données

Mots clés libres

Traitement du langage naturel

Extraction de relations

Classification de relations

Natural language processing

Relations extraction

Relations classification

Résumé

Cette thèse présente plusieurs travaux, autour de l'extraction et la classification de relations dans les articles d'Ouest-France, acteur majeur de la presse française. Ce cas d'usage révèle des difficultés relatives aux données, notamment un manque de données annotées et un déséquilibre de celles-ci. Nos travaux présentent deux approches pour appliquer l'état-de-l'art en classification de relations a ce scénario, tout en questionnant la pertinence de ces modèles état-de-l'art. Une première méthode est la détection en amont d'un modèle de classification des couples d’entités n'exprimant pas de relation, afin d’améliorer les résultats du classifieur via l'amélioration de la qualité des données qui lui sont fournies, tandis qu'une seconde stratégie est l' extit{active learning}, où un modèle est entraîné de façon incrémentale, en sélectionnant à chaque étape des exemples qui maximisent les prédictions de ce modèle. Ces deux approches permettent l’amélioration des performances de modèles de classification simples, alors que la complexité des modèles de l'état-de-l'art les rend incompatibles avec le peu de données annotées présentes chez-Ouest-France. Nous explorons en outre plusieurs pistes d'extraction de relations non-supervisée, dont l'idée directrice se révèle incompatible avec notre besoin, et de représentation auto-supervisée des relations, qui a montré quelques résultats encourageants pour une poursuite des travaux.

This thesis presents several works about relation extraction and classification in articles from Ouest-France, the largest newspaper in France. This use-case reveals several challenges around the available data, including a lack of annotated corpora and unbalanced data. The present works therefore discuss two possible ways to apply the performant state-of-the-art to this scenario, while questionning the relevance of state-of-the-art models here. A first approach is the detection of irrelevant entity pairs, to catch them before a classification model, so as to improve the quality of classification by improving the quality of samples to predict ,when the second solution is active learning, where we incrementally feed samples to the model, selecting at each iteration samples to maximize the prediction performance of the relation classification model. Those two approaches improved the performance of simple relation classification models, while the complexity of the state-of-the-art models proves not compatible with the type and amount of data currently available at Ouest-France. Additionally, we quickly explore several options for unsupervised relation extraction, which is not adaptable to our task, or self-supervised representation of relations, which shows enough encouraging results to be explored in the future.