Extraction d'information

L'extraction d'information consiste à analyser (souvent superficiellement) des textes pour en obtenir des informations en vue d'une application précise. Le RALI travaille dans ce domaine depuis plusieurs années et les travaux ont porté sur différents aspects, notamment:

 

Analyse de microblogs

En collaboration avec la société MediaBadger de Halifax, Houssem Eddine Dridi, dans sa thèse de doctorat (voir sa proposition de thèse présentée en juillet 2012), développe un système automatique pour l’analyse des opinions et pour détecter les préoccupations des utilisateurs et les tendances à partir des informations publiées sur des microblogs, notamment Twitter. Le travail portera principalement sur des textes en français et en arabe. 
 

Annotation syntaxico-sémantique des actants

Fadila Hadouche a travaillé dans le domaine de la sémantique lexicale sur l'affectation de rôles sémantiques à des actants d'une lexie verbale. Elle a proposé des méthodes automatiques afin d'accélérer le processus d'annotation. Elle a soutenu sa thèse en 2011 sous la direction de Guy Lapalme du RALI et de Marie-Claude L'Homme de l'Observatoire de Linguistique Sens Texte (OLST). Ce travail a donné lieu à plusieurs publications.
 
À la suite de sa thèse, Fadila a effectué un stage postdoctoral, sous la direction de Guy Lapalme et de Narjès Boufaden, à la compagnie Keatext spécialisée en traitement automatique des documents, extraction d'infomation et recherche d'information. Elle a étudié la construction d'une ressource lexicale dans le domaine juridique afin d'améliorer les résultats d'un moteur de recherche en se basant sur la recherche d'information contextuelle et l'extraction de patrons d'extraction d'information basés sur la sémantique.
 

Analyse d'opinion et sentiments

Marina Sokolova, dans le cadre son stage post-doctoral au RALI entre 2006 et 2008 financé par le CRSNG, a étudié plusieurs méthodes d'apprentissage appliquées à l'analyse d'opinions et sentiments. Les études ont porté notamment sur l'utilisation de règles pour détecter des caractéristiques (des mots ou des collocations) pour prédire l'opinion de rédacteurs. Elle a également étudié certains aspects théoriques de la classification de texte. Elle a de plus poursuivi ses recherches sur l'analyse de textes de négociations électroniques qu'elle avait débutées dans sa thèse à l'Université d'Ottawa. Les résultats de ce travail ont mené à plusieurs publications.

En 2005-2006, Olga Feiguina a travaillé sur un système pour organiser et résumer les commentaires de consommateurs publiés sur des sites spécialisés.

 

Analyse de conversations

Narjès Boufaden a travaillé sur l'extraction d'information à partir de transcriptions manuelles de conversations téléphoniques recueillies dans un contexte de recherche-sauvetage (search and rescue). Sa thèse, soutenue en mars 2005, sous la direction de Guy Lapalme et Yoshua Bengio, a abordé différents aspects dont:

  • la segmentation automatique de dialogues en thèmes
  • la reconnaissance d'entités nommées généralisées.

 

Traitement du courrier électronique

Merkure était un projet qui a étudié la problématique du suivi automatique au courrier électronique envoyé à une grande entreprise. Il a été financé de 1999 à 2003 par les Laboratoires Universitaires Bell (LUBE) et le CRSNG dans le cadre d'une subvention de recherche et développement coopérative (RDC).

Le courrier électronique est le mode de communication grandissant le plus rapidement aujourd'hui. Cependant, les entreprises ne sont généralement pas en mesure de faire face à un tel accroissement de demande de service à la clientèle par ce médium. Il est donc intéressant d'explorer l'utilisation des outils de traitement automatique des langues pour faire le suivi automatique des courriels.

Nous avons étudié trois approches complémentaires pour ce problème dans le contexte du service aux investisseurs de Bell Canada Entreprises (BCE):

  • la classification de texte qui regroupe des messages selon des caractéristiques communes. Son application au courriel de BCE a fait l'objet du mémoire de maîtrise de Julien Dubois qui a testé plusieurs combinaisons d'approches.
  • le raisonnement à base de cas qui est une approche qui semble assez naturelle car elle correspond à répondre à un message en modifiant une réponse déjà envoyée précédemment. Ce travail a fait l'objet de la thèse de doctorat de Luc Lamontagne. Il a développé une méthodologie et un prototype qui calcule la similarité entre un nouveau message et les messages d'une base de cas formée de paires message-suivi déjà effectués. Le système adapte ensuite le suivi en fonction des nouvelles informations.
  • la question-réponse est plus appropriée pour des questions courtes et explicites qui demandent une réponse factuelle se retrouvant dans une base documentaire (p.e. Combien de succursales avez-vous en Amérique du Nord ?). L'analyse de courriels de BCE montre qu'une bonne partie dentre elles sont des questions posées à l'entreprise. La thèse de doctorat de Luc Bélanger a développé une architecture pour le traitement automatisé de courriels et établi certains liens avec les systèmes de question-réponse tels que Quantum décrit plus loin.

 

Question-réponse

Quantum était un système de question-réponse développé par Luc Plamondon entre 2000 et 2003 dans le cadre du projet Merkure. Quantum a participé aux évaluations TREC-QA entre 2000 et 2002. Le but de la question-réponse est d'identifier dans une base documentaire une réponse factuelle à une question courte et explicite (p.e. Quel est le nom de jeune fille d'Hillary Clinton ?). Ce travail a débuté dans le contexte du mémoire de maîtrise de Luc Plamondon qui a ensuite continué à y travailler en tant que chercheur au RALI pour participer à d'autres compétitions de systèmes de question-réponse.

Quantum effectue une analyse de la question pour en déterminer le focus et une recherche d'information à partir des termes de la question pour identifier les passages de la base documentaire les plus susceptibles de contenir la réponse. Ces passages sont ensuite analysés pour extraire des entités sémantiques particulières (noms de personnes, dates,...). En fonction du type de réponse recherchée (date, lieu,...) l'entité la plus probable est extraite et est retournée comme réponse à l'utilisateur.

Dans le cadre d'une collaboration avec le Centre National de Recherche du Canada (CNRC), Quantum a également été utilisé pour la réponse translinguistique (questions en français sur un corpus de textes en anglais) à la compétition CLEF 2003. Les questions et les réponses ont été traduites par un moteur de traduction statistique développé par George Foster.

Pour le développement du système, le CNRC a traduit les questions de TREC en français. Ce corpus français/anglais de près de 2000 questions dans chacune des langues constitue une ressource unique pour le développement de systèmes de question-réponse multilingues, mais aussi pour le développement d'applications de traduction automatique en général car les questions ont une structure syntaxique très différente des phrases déclaratives dont sont faits les corpora habituels.