Création de graphes de connaissances géospatiaux à partir de sources hétérogènes

Creation of geospatial knowledge graphs from heterogeneous sources

• Auteur / Autrice : Helen Mair Rawsthorne
• Direction : Cécile Duchêne, Eric Saux
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Technologies de l'Information Géographique
• Date : Soutenance le 15/01/2024
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne) - Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne)
• Jury : Président / Présidente : Thierry Joliveau
• Jury : Examinateurs / Examinatrices : Cécile Duchêne, Eric Saux, Thierry Joliveau, Nathalie Hernandez, Ian N. Gregory, Nathalie Abadie, Eric Kergosien, Antoine Zimmermann
• Jury : Rapporteurs / Rapporteuses : Nathalie Hernandez, Ian N. Gregory

Mots clés

Mots clés contrôlés

Système d'information géographique

Données géospatiales

Apprentissage profond

Ontologies géographiques

Traitement automatique du langage naturel

Mots clés libres

Traitement automatique du langage naturel

Ontologie

Apprentissage profond

Données géospatiales

Natural language processing

Ontology

Deep learning

Geospatial data

Résumé

Certaines connaissances spatiales, actuelles ou historiques, n'existent que sous forme de texte. Les guides de voyage, les documents historiques et les publications sur les réseaux sociaux sont quelques exemples de sources de connaissances spatiales non structurées. Les sources textuelles contiennent des connaissances spatiales naturellement hétérogènes : elles peuvent être écrites par différents auteurs, en utilisant un vocabulaire différent, à partir d'un point de vue différent. Elles peuvent par ailleurs couvrir des zones géographiques larges et diverses et contenir des niveaux de détail variés. Pour toutes ces raisons il est difficile d'intégrer dans les modèles de SIG l'information géographique provenant de texte. L'hypothèse du monde ouvert des technologies du Web sémantique induit que les graphes de connaissances sont une meilleure solution pour modéliser et stocker les connaissances géographiques extraites de textes hétérogènes, incomplets et imparfaits en langage naturel. Structurées en graphe de connaissances géospatial, les connaissances spatiales ambiguës peuvent être désambiguïsées et liées à des ressources géographiques de référence, ce qui les enrichit de références spatiales directes lorsque c'est possible et facilite considérablement leur accessibilité et réutilisation. L'objectif de cette thèse est de développer une approche opérationnelle pour la construction de graphes de connaissances à partir de texte et des données géographiques de référence. Cette approche doit permettre d'intégrer à la fois des références spatiales directes et indirectes. Nous appliquons nos recherches à un corpus de texte français, ce qui nous permet d'identifier et de valider empiriquement une méthodologie fonctionnelle pour la construction de graphes de connaissances géospatiales à partir de texte. Le corpus est constitué des ouvrages Instructions nautiques du Shom, qui décrivent l'environnement maritime côtier et donnent des instructions de navigation côtière. La contribution principale de cette thèse est la méthodologie ATONTE pour la construction semi-automatique de graphes de connaissances, géospatiaux ou non, à partir de texte, des connaissances d'experts et des données de référence. Nous présentons cette méthodologie en détail et nous démontrons la manière dont nous l'avons implémentée afin de construire un graphe de connaissances géospatial du contenu des Instructions nautiques. La première composante de la méthodologie ATONTE est une méthodologie pour le développement d'ontologies de domaine à partir de texte et d'experts. Nous l'appliquons à notre corpus, en intégrant les résultats d'entretiens réalisés auprès d'experts de notre corpus, afin de développer l'ontologie ATLANTIS : une ontologie noyau géospatiale du domaine des Instructions nautiques. La deuxième composante est une approche automatique pour l'extraction d'entités imbriquées et de relations binaires à partir de texte en utilisant des réseaux de neurones profonds. Les modèles sont entraînés sur un jeu de données annoté manuellement, spécifique au domaine. Nous implémentons cette approche afin d'extraire les entités et les relations spatiales de notre corpus, ce qui exige la création d'un jeu de données d'entraînement en français, annoté à la main. Nous donnons des résultats de référence pour ce jeu de données pour l'extraction d'entités spatiales imbriquées, l'extraction de relations spatiales binaires, et l'extraction combinée d'entités et de relations spatiales de bout en bout. La dernière composante utilise des outils disponibles afin de structurer les entités et relations spatiales extraites des Instructions nautiques selon l'ontologie ATLANTIS dans un premier temps, et de lier les entités à leurs entrées correspondantes dans la BD TOPO® dans un second temps. Le résultat est une base opérationnelle du graphe de connaissances géospatial des Instructions nautiques

Some spatial knowledge, current or historical, exists only in the form of text. Examples of such sources of unstructured spatial knowledge include travel guides, historical documents and social media posts. Textual sources contain naturally heterogeneous spatial knowledge: they can be written by different authors, using different vocabulary, from different points of view, they can cover large and diverse geographic areas, and they can contain varied levels of detail. These are some of the reasons why it is difficult to integrate geographic information from textual sources into GIS models, which require highly-structured complete data with direct spatial referencing. The open-world assumption of semantic Web technologies makes knowledge graphs a better solution for modelling and storing geographic information extracted from heterogeneous, incomplete and imperfect natural language text. Structured as a geospatial knowledge graph, what was once ambiguous spatial knowledge can be disambiguated and formally linked to reference geographic resources, thereby enriching it with direct spatial referencing where possible and significantly facilitating its accessibility and reuse.The objective of this thesis is to develop an operational approach for the creation of knowledge graphs from text and geographic reference data that is adapted to the special case of constructing geospatial knowledge graphs that include both direct and indirect spatial referencing. We apply our research to a French text corpus, which allows us to empirically identify and validate a functional methodology for creating geospatial knowledge graphs from text. The corpus is composed of the Instructions nautiques, a series of books published by the Shom that describe the maritime environment and give coastal navigation instructions.The main contribution of this thesis is the ATONTE Methodology for the semi-automatic construction and population of knowledge graphs, geospatial or not, from heterogeneous textual sources, expert knowledge and reference data. We present the ATONTE Methodology in detail and demonstrate how we implemented it to construct a geospatial knowledge graph of the content of the Instructions nautiques.The first of the three components that make up ATONTE is a novel methodology for the manual development of domain ontologies from text and the knowledge of domain experts. We apply this methodology to our corpus, integrating our findings from interviews carried out with expert users of the corpus, to develop the ATLANTIS Ontology: a geospatial seed ontology of the domain of the Instructions nautiques.The second component consists of a baseline approach for automatic nested entity and binary relation extraction from text using a deep neural network. It requires training two existing pretrained deep language models, one for the task of entity extraction and the other for relation extraction, on a domain-specific manually-annotated textual dataset. We implement the approach to extract the spatial entities and relations from our corpus, creating a French-language annotated training dataset in the process. We provide benchmark results for this dataset for three tasks: nested spatial entity extraction, binary spatial relation extraction, and end-to-end spatial entity and relation extraction. The third and final component is dedicated to automatically structuring the information extracted during the previous stage as a knowledge graph according to the ontology developed during the first stage, and disambiguating the entities via entity linking to a reference resource. We present a proof of concept of this stage, using off-the-shelf tools to first structure the spatial entities and relations extracted from the Instructions nautiques according to the ATLANTIS Ontology and then link the entities to their corresponding entries in the BD TOPO®. The result is an operational basis for the geospatial ATLANTIS Knowledge Graph of the Instructions nautiques