Extraction d’information
Cours 1
Nassim ZELLAL
Objectifs du cours
Apprendre à maîtriser la plateforme de Traitement Automatique du
Langage Naturel (TALN, en anglais NLP) « UNITEX » pour
l’extraction d’information à partir de corpus. Les techniques
d’extraction d’information proposées par « UNITEX » sont : les
dictionnaires DELAF/DELAS, les graphes (grammaires) d’extraction
et les expressions régulières.
Apprendre à construire automatiquement des ressources linguistiques
pour l’analyse et l’extraction d’information à partir du Web (web
scraping).
Manipuler des chaînes de caractères pour traiter des problématiques
liées à la langue et à l’analyse de fichiers textuels.
Apprendre à maîtriser les encodages de fichiers et savoir mettre en
œuvre des solutions, dans les situations les plus fréquemment
rencontrées en pratique, pour la gestion et le traitement informatique
des encodages.
Exploiter les connaissances acquises dans le cours « Python »,
notamment la gestion de fichiers, les expressions régulières et
l’analyse statistique de données textuelles pour l’« Extraction
d’information ».
Le TALN
Le traitement automatique du langage naturel (TALN) ou
traitement automatique des langues (TAL) est la
capacité pour un programme informatique de
comprendre le langage humain. Il fait partie des
technologies d'intelligence artificielle.
En Intelligence Artificielle (IA), le TALN est une discipline
qui a pour objectif donc de modéliser, grâce à
l'informatique, le langage qu'il soit écrit ou parlé. Les
technologies TALN sont présentes dans divers
systèmes, comme Google, IBM Watson, Facebook,
Apple Siri, Amazon Alexa, etc.).
Le traitement automatique des langues, TAL, est une
discipline à la frontière de la linguistique, de
l’informatique et de l’intelligence artificielle.
Extraction d’information (EI)
L’EI est utilisée dans le TALN, qui appartient
au domaine de l’Intelligence Artificielle (IA).
Intelligence artificielle -> Data mining
(documents structurés) -> Text mining ->
Extraction d’information (documents non
structurés).
L’EI ne cherche pas à comprendre les textes
dans leur ensemble, mais vise à extraire d’un
texte des informations (éléments) pertinents,
afin de comprendre la sémantique du
texte.
Informations extraites par un système d’EI
Parmi les informations extraites par un système
d’Extraction d’Information :
Reconnaissance d’entités nommées (NER :
Named Entities Recognition). Une entité nommée
peut être un événement ou un nom propre, e.g.
nom de personne, nom de lieu, nom
d’organisation, etc.
Reconnaissance de relations sémantiques entre
entités nommées, e.g. relation d’acquisition,
relation de contact, relation de déplacement, etc.
Extraction d’information (EI)
Entrée :
L’Algérie a battu le Niger 4 à 0 lors du match de
la 4e journée du deuxième tour des qualifications
à la Coupe du monde 2022 au Qatar.
Sortie :
Algérie, Niger et Qatar nom de pays nom de
lieu nom propre
4 à 0 score expression numérique
2022 date expression temporelle
Coupe du monde 2022 au Qatar événement
Extraction d’information (EI)
L'extraction d'information consiste à analyser
des corpus (données textuelles), afin d’en
extraire des informations (ou connaissances)
pertinentes, en vue d'une application précise.
L’EI permet de produire automatiquement une
représentation structurée (e.g. format XML) du
contenu non structuré (texte brut) d’un corpus.
L’<PAYS>Algérie</PAYS> a battu le
<PAYS>Niger</PAYS> <SCORE>4 à 0</SCORE>
lors du match de la 4e journée du deuxième tour
des qualifications à la <EVEN>Coupe du monde
<DATE>2022</DATE> au <PAYS> Qatar </PAYS>
</EVEN>
À quoi servent ces informations ?
Applications nombreuses :
indexation sémantique de documents pour les moteurs de
recherche;
enrichissement automatiquement d’une base de données;
analyse sémantique et enrichissement d’ontologies;
inférence automatique (moteur sémantique);
anonymisation de documents;
informatique décisionnelle, aide à la décision (business
intelligence), extraction automatique d’opinions (analyse
d’opinions/sentiments);
analyse en temps réel de l’information (veille intelligente et
renseignement);
systèmes de questions-réponses (moteurs de recherche);
résolution d’anaphore coréférentielle en TAL.
Extraction d’information -
Plateformes de TAL
UNITEX.
NOOJ.
HST (THALES).
Remarque : ces plateformes sont multilingues.
Qu’est-ce qu’UNITEX
UNITEX est une plateforme/suite logicielle
d’analyse de corpus et de TALN basée sur des
dictionnaires et des grammaires (graphes).
Les grammaires et les dictionnaires sont des
ressources linguistiques permettant l’extraction
d’information, e.g. l’extraction d’entités
nommées (noms de personnes, d’organisations,
etc.), ou de relations entre entités nommées,
e.g. relation d’acquisition.
Comment extraire l’information avec
UNITEX ?
Dictionnaires au format DELA.
Grammaires (graphes)
d’extraction/transducteurs à états finis (FST).
Expressions régulières avec UNITEX. (voir à
ce sujet les chapitres 5 et 6 du cours Python -
L2 Acad - S4).
Exemple d’un dictionnaire DELAF (UNITEX)
Exemple d’un graphe d’extraction (UNITEX)
Graphe d’extraction après factorisation
Résultat de l’extraction
de paris sur les événements organisés par ASO
(Amaury Sport Organisation), à savoir le Tour de
France et le Dakar ;– <relcl_Acquisition>Winamax
qui a été racheté par le chanteur Patrick Bruel et par
Marc Simoncini</relcl_Acquisition>, le fondateur
et dirigeant du site de rencontres Meetic.[.] II.–
UNE LIBÉRALISATION RÉGULÉE...[.] Ce projet
de [.]
Sortie structurée XML
Installation d’UNITEX
Lien de téléchargement :
http://unitexgramlab.org/fr
La plateforme Unitex est multilingue.
Elle est également multiplateforme : Windows,
Linux et OS X.
Choisir la version 64 bits ou 32 bits.
Vérifiez que JAVA est bien installé.
Utiliser « Unitex Visual IDE » (Unitex/GramLab
IDE 3.2) dans le cadre du cours.
Exploiter le manuel d’UNITEX.
Installation d’UNITEX
Sous Linux :
1- téléchargez le fichier :
Unitex-GramLab-3.2-linux-i686.run (32 bits)
ou bien
Unitex-GramLab-3.2-linux-x86_64.run (64 bits)
2-donnez lui les droits d'exécution par exemple :
chmod +x Unitex-GramLab-3.2-linux-x86_64.run
3-lancez le fichier :
./Unitex-GramLab-3.2-linux-x86_64.run
4-lancez le jar "Unitex.jar" se trouvant dans le dossier "Unitex-
GramLab>App".
Sous Windows :
Téléchargez l’exécutable Unitex-GramLab-3.2_win64-setup.exe (version 64
bits) ou Unitex-GramLab-3.2_win32-setup.exe (version 32 bits).
Ensuite, lancez l'exécutable à partir du raccourci sur votre bureau ou bien à
partir du dossier "Unitex-GramLab>App", en y ouvrant une invite de
commandes puis tapez: java -jar Unitex.jar
Mon courriel
[email protected]
