Extraction de relations économiques à partir de textes

Business relation extraction from texts

• Auteur / Autrice : Hadjer Khaldi
• Direction : Farah Benamara, Nathalie Aussenac-Gilles
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Télécommunications
• Date : Soutenance le 12/12/2022
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)
• Jury : Président / Présidente : Thierry Charnois
• Jury : Examinateurs / Examinatrices : Pascale Zaraté, Raphaël Troncy
• Jury : Rapporteurs / Rapporteuses : Claire Nédellec

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Information économique

Analyse des données

Mots clés libres

Extraction de relation

Extraction d'information

TAL

Relation économique

Jeux de données

Modèle de langue

Relation extraction

Information extraction

NLP

Business relations

Dataset

Language model

Résumé

L'économie du XXIe siècle a façonné le monde économique et modifié la manière dont les acteurs du marché interagissent les uns avec les autres dans un marché mondial où les frontières nationales ont fondu et où les échanges sont devenus plus ouverts et plus libres, ce qui a donné lieu à un monde des affaires plus compétitif. En effet, la rivalité s'est déplacée du niveau du marché local au niveau multinational, incitant les entreprises et les industries à renforcer leur capacité d'innovation afin de fournir des produits et services compétitifs, de développer leur croissance économique et d'améliorer leurs performances. Dans ce contexte, les informations textuelles commerciales et financières disponibles sur l'internet (annonces d'entreprises, rapports de recherche sectoriels, articles d'actualité en ligne et déclarations de politique générale) sont devenues une source d'information majeure pour les entreprises et les professionnels qui souhaitent suivre l'évolution de leur environnement commercial complexe, concurrentiel et en mutation rapide. En outre, le contenu textuel ne se limite plus à l'anglais ; le contenu multilingue a immergé apparu pour aider les entreprises à améliorer leur expérience client et à étendre leur présence sur le marché régional et mondial. Nous construisons un jeu de données multilingues pour l'extraction de relations économiques, qui est ensuite utilisé pour entraîner une variété de modèles supervisés à base de réseaux de neurones. Nos résultats sont encourageants, et ils représentent la première étape vers l'extraction de relations économiques multilingues à partir du web.

The economy of the twenty-first century has shaped the economic landscape and changed the way market stakeholders interact with one another in a global market where national borders have melted and trades have become more open and free, resulting in a more competitive business world. Indeed, rivalry has moved from the local market level to the multinational level, inciting companies and industries to strengthen their capacity for innovation in order to deliver competitive products and services, expand their economic growth, and improve economic performances. In this context, the available business and financial textual information on the internet (e.g., company announcements, industry research reports, online news articles, and policy statements) has become a major source of information for companies and professionals to keep track of their complex, rapidly changing, and competitive business environment. Furthermore, textual content is no longer limited to English; multilingual content has emerged to assist businesses in improving their customer experience and expanding their regional and global market presence. The primary goal of this dissertation is to develop a system capable of structuring these multilingual textual data and reconstructing the business network from them by identifying business interactions between the market's key players. We build a multilingual dataset for business relationship extraction, which is then used to train a variety of neural-based supervised models. Our findings are encouraging, and they represent the first step toward extracting multilingual business relationships from the web.