Extraction d'Informations dans les réseaux sociaux par apprentissage de représentations textes/images : application à la gestion des catastrophes naturelles

Information Extraction in Social Networks by learning text/image representations: application to natural disaster management

• Auteur / Autrice : Badreddine Farah
• Direction : Guillaume Cleuziou, Adel Hafiane
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/11/2021
• Etablissement(s) : Orléans
• Ecole(s) doctorale(s) : Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes - MIPTIS
• Partenaire(s) de recherche : Laboratoire : LIFO - Laboratoire d'Informatique Fondamentale d'Orléans

Mots clés

Mots clés libres

Apprentissage de representations

Extraction d'Informations

Gestion des catastrophes naturelles

Apprentissage multimodal

Representations learning

Information Extraction

Natural disaster management

Multimodal learning

Résumé

Cette thèse vise à proposer une méthodologie d'analyse conjointe des images et des textes issus des réseaux sociaux (tels que Twitter) pour l'Extraction d'Informations utiles à la gestion de catastrophes naturelles. Il s'agira d'une part de définir un ou plusieurs modèles, potentiellement hybrides (multi/uni-modaux), reposant sur des techniques d'apprentissage profond via des architectures neuronales pour l'analyse de tweets. D'autre part, de concevoir ces modèles avec une visée applicative, en identifiant des tâches d'extraction d'information utiles à la gestion de catastrophes naturelles (ex. géolocalisation de la catastrophe, identification de la nature des sinistres, quantification des risques, etc.) et d'en dériver une ou plusieurs preuves de concept. Enfin, pour mener à bien ces travaux, un état des lieux des corpus disponibles devra être réalisé, afin d'identifier les ressources susceptibles de répondre aux besoins des modèles d'apprentissage à concevoir. Cette étude pourra s'appuyer en premier lieu sur les données déjà récoltées par le BRGM dans le cadre de la plateforme Suricate-Nat (environ 1 million de tweets en Français).

This thesis aims at proposing a methodology for joint analysis of images and texts from social networks (such as Twitter) for Information Extraction useful for natural disaster management. On the one hand, we will define one or several models, potentially hybrid (multi/unimodal), based on deep learning techniques via neural architectures for the analysis of tweets. On the other hand, to design these models with an applicative aim, by identifying information extraction tasks useful for natural disaster management (e.g. geolocation of the disaster, identification of the nature of the disasters, quantification of the risks, etc.) and to derive one or more proofs of concept from them. Finally, in order to carry out this work, an inventory of the available corpus will have to be carried out, in order to identify the resources likely to meet the needs of the learning models to be designed. This study will be based first of all on the data already collected by BRGM within the framework of the Suricate-Nat platform (about 1 million tweets in French).