Extraction de la terminologie dans un processus global de fouille de textes Mathieu Roche Equipe...

Extraction de la terminologie dans un processus global

de fouille de textes

Mathieu RocheEquipe Inférence et Apprentissage - LRI

11 février 2005Laboratoire CLIPS - Grenoble

2

La fouille de textes

Objectifs, exemples :– Recherche des pages pertinentes sur le Web.– Traitement automatique des courriels (spams, réponses

automatisées aux courriels, etc.).– Recherche des informations précises dans des textes

techniques (médecine, biologie, etc.).– Conception de systèmes de questions/réponses.

Approches : – méthodes linguistiques – méthodes statistiques – méthodes mixtes

3

Le processus global en fouille de textes [Kodratoff et al., JDS'03 ; Roche et al., IIPWM'04]

- - - - -

- - - - -

- - - - -

Corpus brut

- - - - -

- - - - -

- - - - -

Corpus normalisé

- - - - -

- - - - -

- - - - -

Corpus étiqueté

- - - - -

- - - - -

- - - - -

TermesClassification conceptuelle

- Règles d’association

- extraction d’informations par patrons d’extraction

Normalisation Étiqueteur

Extraction des "termes"

Détection des traces de concepts

Extraction d’informations

Acquisition

4

Les corpus étudiés

Tests de psychologie - Ressources Humaines (Société PerformanSe) - 3784 Ko (en français).

Curriculum Vitæ (Groupe VediorBis) - 2470 Ko (en français).

Introductions d’articles sur la Fouille de Données (acquisition par un expert) - 369 Ko (en anglais).

Résumés d’articles sur la Biologie Moléculaire (acquisition par une base de données spécialisée) - 9424 Ko (en anglais).

=> Corpus journalistique de TREC'04 (Text REtrieval Conferences)

5

Problème spécifique étudié :les termes (1/2)

Importance de la caractérisation des termes

– Exemple : traduction automatique

Constitution européenne, article III-10 :

The right to vote and to stand as a candidate in elections...

Le droit de vote et d'éligibilité aux élections ...

6

Problème spécifique étudié : les termes (2/2)

Collocation (candidat-terme) : groupe de mots dont le sens global est déductible des unités composant le groupe [Clas 1994].

– Exemple, "maire de Paris"

Terme : collocation ayant des propriétés syntaxiques + trace linguistique de concepts pour une tâche en cours.

– Exemples, "intelligence artificielle" et "génie logiciel" sont des termes

– Exemple, "chalon sur saône" est-il un terme ?

7

Plan de l'exposé

1. Contexte

2. État de l'art

3. Système EXIT (EXtraction Itérative de la Terminologie)

4. Extraction de la terminologie : une approche d'apprentissage supervisé

8

État de l'art (1/5)

Systèmes linguistiques statistiques références

TERMINO X [David et Plante 1990]

LEXTER X [Bourigault 1993]

FASTR X [Jacquemin 1996]

INTEX X [Silberztein1994 ; Ibekwe-SanJuan 2001]

ANA X [Enguehard 1993]

MANTEX X [Frath et al. 2000]

XTRACT X X [Smadja 1993]

ACABIT X X [Daille 1994]

CLARIT X X [Evans et Zhai 1996]

TERMIGHT X X [Dagan et Church 1997]

C/NC VALUE X X [Frantzi et al. 2000]

SYNTEX X X [Bourigault et Fabre 2000]

WASPBENCH X X [Kilgarriff et Tugwel 2001]

FIPS X X [Nerima et al. 2003]

ESATEC X X [Biskri et al. 2004]

9

État de l'art (2/5)

Exemple de système linguistique : FASTR [Jacquemin 1996]

Entrée : termes de base (congé de formation) Sortie : termes variants (congé annuel de formation). 3 types de règles (linguistiques) :

Limite : nécessite de considérer une fenêtre plus grande [Ville-Ometz et al. 2004].Exemple : thymus gland thymus and adrenal gland

contexte : rat thymus and adrenal gland

coordinations association rule association and classification rules

insertions MRI image MRI brain image

permutations knowledge discovery discovery of knowledge

10

État de l'art (3/5)

Exemple de système statistique : ANA [Enguehard 1993]

Module Familiarisation qui initialise la liste de bootstrap. – Exemple : {chef, contrat, rayon, etc.}

Module Découverte qui construit de manière incrémentale une liste de termes fréquents en utilisant les mots du bootstrap.Exemple : chef de rayon Entrée : {chef, contrat, rayon, etc.}Sortie : {chef, contrat, chef de rayon, etc.}

11

État de l'art (4/5)

Exemple de système mixte : ACABIT [Daille 1994]

Extraction de collocations respectant des patrons d'extraction simples Nom-Nom, Nom-Préposition-Nom, Nom-Adjectif, etc.

Les termes variants sont détectés grâce à des règles morpho-syntaxiques (par exemple, centre de formation centre régional de formation).

Comptabilisation de tous les couples de mots en collocation notés par exemple (centre, formation).

Classement statistique des couples de mots.

12

État de l'art (5/5)

Systèmes linguistiques statistiques références

TERMINO X [David et Plante 1990]

LEXTER X [Bourigault 1993]

FASTR X [Jacquemin 1996]

INTEX X [Silberztein1994 ; Ibekwe-SanJuan 2001]

ANA X [Enguehard 1993]

MANTEX X [Frath et al. 2000]

XTRACT X X [Smadja 1993]

ACABIT X X [Daille 1994]

CLARIT X X [Evans et Zhai 1996]

TERMIGHT X X [Dagan et Church 1997]

SYNTEX X X [Bourigault et Fabre 2000]

C/NC VALUE X X [Frantzi et al. 2000]

WASPBENCH X X [Kilgarriff et Tugwel 2001]

FIPS X X [Nerima et al. 2003]

ESATEC X X [Biskri et al. 2004]

Coopératif

Itératif

EXIT X X [Roche et al. 2004]

13

Plan de l'exposé

1. Contexte

2. État de l'art

3. Système EXIT (EXtraction Itérative de la Terminologie)

4. Extraction de la terminologie : une approche d'apprentissage supervisé

14

Présentation du système EXIT (EXtraction Itérative de la Terminologie)

Système mixte (linguistique et statistique)

Système itératif

Système coopératif

Extension du TF X IDF aux termes

15

3.1. Processus itératif (1/3) [Roche, EGC'03 ; Roche et al., IIPWM'04 ; Roche et al., JADT'04]

Processus itératif pour extraire les termes nominaux, adjectivaux et adverbiaux.

- - - - -

- - - - -

- - - - -

Corpus normalisé

- - - - -

- - - - -

- - - - -

Corpus étiqueté

- - - - -

- - - - -

- - - - -

Termes

Exemple :

1ère itération : assistant de gestion

2ème itération : assistant-de-gestion de production

ETIQ [Amrani et al. 04]

Extraction

Introduction des termes avec "-"

16

3.1. Processus itératif (2/3)

Extraction des collocations typées

– Adjectif-Adjectif– Adverbe-Adverbe– Adverbe-Adjectif– Adjectif-Nom– Nom-Nom– ...

collocations de modifieurs

(adjectif et adverbe)

collocations nominales

exploitation des itérations

+ connaissances de l'expert

17

3.1. Processus itératif (3/3)

Paramètre CIP (Coefficient Itérations Précédentes)

But : utiliser les connaissances de l’expert

CIP privilégie les collocations – avec des mots inclus dans les collocations pertinentes

des itérations précédentes.– avec des mots absents des collocations non pertinentes

des itérations précédentes.

=> pourcentage de collocations pertinentes amélioré

(+2% à +16%).

18

Plan de l'exposé

1. Contexte

2. État de l'art

3. Système EXIT (EXtraction Itérative de la Terminologie)3.1. Processus itératif3.2. Mesures statistiques

3.2.1. État de l'art des mesures statistiques3.2.2. Évaluation expérimentale des mesures existantes3.2.3. Proposition de mesures hybrides

3.3. Extension du TF X IDF aux termes3.4. L'interface d'EXIT

4. Extraction de la terminologie : une approche d'apprentissage supervisé

19

3.2. Mesures statistiques[Roche et al., JFT'03 ; Roche et al., INFORSID'04]

Rang Collocations Nb

1

2

3

4

...

43

...

67

...

74

...

144

...

Rang Collocations Nb

1

2

3

4

...

50

...

63

64

...

69

...

...

mise en place 111

traitement de textes 57

assistante de direction 60

hôtesse de caisse 28

mise en place 111

traitement de textes 57

assistante de direction 60

hôtesse de caisse 28

Rapport de Vraisemblance Information Mutuelle

chalon sur saône 4chalon sur saône 4

jéjunum de rat 3 jéjunum de rat 3

beurre de karité 3 beurre de karité 3

puy en velay 3 puy en velay 3

20

3.2.1. État de l'art des mesures statistiques (1/4)

Exemples de mesures fondées sur l'Information Mutuelle

Information Mutuelle [Church et Hanks 1990]

Information Mutuelle au Cube [Daille 1994]

))(log())(log()),((log.3),( 23 ynbxnbyxnbyxI

)()(

),(log),( 2 yPxP

yxPyxIM

))(log())(log()),((log),( 2 ynbxnbyxnbyxI

21

3.2.1. État de l'art des mesures statistiques (2/4)

Mesure d’Association [Jacquemin 1997] : – isobarycentre des valeurs normalisées de l’information

mutuelle et du nombre d’occurrences.

),(min),,(max

),(min),,(max

),(

2

1),(

2

1),(

qpnbm

nbqpnbM

nb

qpImIqpI

MI

nbnb

yxnb

II

yxIyxAss

mMmM

22

3.2.1. État de l'art des mesures statistiques (3/4)

Rapport de Vraisemblance [Dunning, 1993]

y y' avec y' y

x a b

x' avec x' x c d

RV (x,y) = a.log(a) + b.log(b) + c.log(c) + d.log(d) - (a+b).log(a+b) - (a+c).log(a+c) - (b+d).log(b+d) - (c+d).log(c+d)

+ (a+b+c+d).log(a+b+c+d)

23

3.2.1. État de l'art des mesures statistiques (4/4)

Mesures Références

I Information Mutuelle [Church et Hanks 1990]

I3 Information Mutuelle au Cube [Daille 1994]

Ass Mesure d'Association [Jacquemin 1997]

Dice Coefficient de Dice [ Smadja et al. 1996]

RV Rapport de Vraisemblance [Dunning 1993]

Khi 2 Khi 2 [Manning et Scütze 1999; Curran et Moens 2002]

Ttest T-test [Manning et Scütze 1999; Curran et Moens 2002]

SeSc Sebag - Schoenauer [Sebag et Schoenauer 1988]

J J-mesure [Goodman et Smyth 1988]

Conv Conviction [Brin et al. 1997]

MC Moindre Contradiction [Azé et Kodratoff 2003]

Mul Multiplicateur de Cote [Lallich et Teytaud 2004]

TALN

Règles d'association

24

3.2.2. Évaluation expérimentale des mesures existantes (1/6)

Objectif : Choix d'une mesure pour une tâche en cours

Critères de performance :– Précision– Courbe d'élévation ("lift chart")– Rappel– Fscore– Courbes ROC

25

3.2.2. Évaluation expérimentale des mesures existantes (2/6)

Corpus de Fouille de Données (FD), des Ressources Humaines (RH) et des CVs.

Nb collocations Nb collocations

après élagage (3)

FD RH CV FD RH CV

Nom-Prep-Nom 313 4703 3634 7 1268 307

Nom-Nom 2070 98 1781 223 11 162

Adjectif-Nom 2411 1260 1291 176 478 103

Nom-Adjectif X 5768 3455 X 1628 448

Exemples :emploi solidarité

action communication

fichier client

service achat

…

26

3.2.2. Évaluation expérimentale des mesures existantes (3/6)

Les résultats présentés portent sur le corpus FD (relation Nom-Nom).

Sur ce corpus, 1074 termes sont associés à un concept par l'expert du domaine.

Protocole expérimental :– Expérimentations sur la tâche d’extraction des collocations

pertinentes pour la classification conceptuelle.– 12 mesures de qualité expérimentées.

27

3.2.2. Évaluation expérimentale des mesures existantes (4/6)

I I3 Ass Dice RV Khi 2 Ttest SeSc J Conv MC Mul

20% 59.0 75.0 70.4 68.1 88.6 70.4 70.4 65.9 84.0 59.0 77.2 61.3

40% 66.2 73.0 66.2 73.0 75.2 69.6 69.6 65.1 79.7 65.1 65.1 60.6

60% 60.1 67.6 63.9 66.1 69.9 65.4 65.4 65.4 71.4 63.9 62.4 62.1

80% 58.9 63.4 60.6 61.7 62.3 61.7 61.7 60.5 65.1 62.9 62.3 59.6

Précision (en %) sur le corpus de FD avec les collocations Nom-Nom.

28

3.2.2. Évaluation expérimentale des mesures existantes (5/6)

Courbes d'élévation avec le corpus FD.

29

3.2.2. Évaluation expérimentale des mesures existantes (6/6)

Résultats similaires avec les 3 autres corpus – CV – Ressources Humaines– Biologie

Bon comportement global des mesures suivantes :– Rapport de Vraisemblance– Information Mutuelle au Cube– J-mesure

30

3.2. Proposition de mesures hybrides (1/2) [Roche et al., INFORSID'04]

Motivations d'utiliser une nouvelle mesure. Ajout de λ à la mesure d’association :

Problème d'optimisation avec λ.=> λ* = 0

mMmM nbnb

yxnb

II

yxIyxAss

),()1(

),(),(

=> Mise en place de la mesure OccRV

- classement selon le nombre d'occurrences

- classement des collocations ayant le même

nombre d'occurrences avec RV

31

3.2. Proposition de mesures hybrides (2/2)

[Roche et al., INFORSID'04]

Courbes d'élévation avec le corpus FD.

32

Plan de l'exposé

1. Contexte

2. État de l'art

3. Système EXIT3.1. Processus itératif3.2. Mesures statistiques3.3. Extension du TF X IDF aux termes3.4. L'interface d'EXIT

4. Extraction de la terminologie : une approche d'apprentissage supervisé

33

N

i

yxnb

ji

i jyxnbyxDiffTextes

1

1),(

1

)10

),(),(

texteiledansprésenteestncollocatiouneoùfoisdenombrenb

corpusdutextesdetotalnombreNème

i :

.:

Paramètre privilégiant les collocations présentes dans des textes différents.

Paramètre DiffTextes

– Exemple : nombre de collocations : 3 nombre de textes : 1

Paramètre TF/IDF

DiffTextes = 2.7 ( 3-(3/10) )

3.3. Extension du TFXIDF pour les termes (1/2) [Roche, EGC'03 ; Roche et al., JADT'04]

34

3.3. Extension du TFXIDF pour les termes (2/2)

Expérimentation du paramètre DiffTextes sur le corpus FD.

I3 RV J OccRV

20% +1.7 +4.4 +4.3 +4.4

40% +0.5 +2.9 +1.9 -0.3

60% +1.6 -1.5 +0.1 +2.5

80% +2.6 +0.9 +4.4 +2.1

Amélioration globale de la précision

35

3.4. L'interface d'EXIT [Roche et al., JADT'04; Heitz et al., EGC'05]

36

Plan de l'exposé

1. Contexte

2. État de l'art

3. Système EXIT

4. Extraction de la terminologie : une approche d'apprentissage supervisé

37

Approche supervisée pour apprendre une mesure [Roche et al., ROCAI'04 ; Azé et al., ICCI'04]

Entrée : quelques collocations étiquetées (positives ou négatives).

Sortie : fonction de rang [Cohen et al. 1999]

Évaluation d’une fonction de rang : somme des rangs des exemples positifs.

Minimiser la somme des rangs des exemples positifs maximiser l'aire sous la courbe ROC

rangs = 25h2 : +++-+++---

AUC

rangs = 21

h1: ++++++----

AUCArea Under the Curve

38

Protocole expérimental (1/2)

Données utilisées

# collocations% collocations

pertinentes

% collocations

non pertinentes

CV, fréquents 376 85.7 14.3

CV, rares 2822 56.6 43.4

Biologie 1028 90.9 9.1

39

Protocole expérimental (2/2)

Critères statistiques

AUCcollocations fréquentes

corpus de CVs

AUCcollocation fréquentes

corpus de Biologie

OccRV - Occurrence + RV [Roche et al. 2004] 0.58 0.57

RV - Rapport de Vraisemblance [Dunning 1993] 0.43 0.42

I3 - Information Mutuelle au cube [Daille et al. 1998] 0.40 0.35

Dice - Coefficient de Dice [Smadja et al. 1996] 0.39 0.31

I - Information Mutuelle [Church and Hanks 1990] 0.31 0.30

Combinaison de mesures

40

Algorithme ROGER (ROC based GEnetic learneR) (1/2)

Approche linéaireh(Coll) = wi x mesi (Coll) avec (Coll, +/-)

Approche non linéaireh(Coll) = wi x | mesi (Coll) - ci | avec (Coll, +/-)

Hypothèses : Aire sous la courbe ROCh (rang(Coll), Etiq(Coll))classer les exemples par rangs croissants

++++-+---++-----+++-----------

+ : collocation pertinente- : collocation non pertinente

rang

41

Algorithme ROGER (2/2)

Protocole expérimental

– 90% Apprentissage, 10% Test, 10 validations croisées

– 21 exécutions indépendantes

– Soit h1,...,hT les meilleurs hypothèses retenues à partir de T (T=21) exécutions indépendantes de ROGER.

)..1),(()( TtxhMédianexBh t

42

Algorithme ROGER (2/2)

Validation expérimentale sur les ensembles tests

Bagged-Roger Bagged-SVM

OccRV Linéaire Non linéaire Linéaire Gaussien Quadratique

Biologie, fréquents 0.57 0.61 0.04 0.67 0.05 0.51 0.13 0.54 0.12 0.32 0.07

CV, fréquents 0.58 0.59 0.10 0.61 0.11 0.46 0.13 0.42 0.14 0.52 0.07

Etude de généralité– différents domaines– différentes langues– différentes fréquences des collocations

43

Étude de généralité (1) : apprentissage CVs / application Biologie (fréquents)

AUCCollocation fréquentes

Corpus de Biologie

OccRV 0.57

RV 0.42

I3 0.35

Dice 0.31

I 0.30

SVM Bagged-ROGER

Linéaire Linéaire Non Linéaire

0.59 0.63 0.71

Autres noyaux donnent des résultats plus faibles

taux de faux positifs

tau

x d

e vr

ais

po

siti

fs

44

Étude de généralité (2) : apprentissage Biologie / validation CVs (fréquents)

AUCCollocations fréquentes

Corpus de CVs

OccRV 0.58

RV 0.43

I3 0.40

Dice 0.39

I 0.31

SVM Bagged-ROGER

Linéaire Linéaire Non Linéaire

0.65 0.64 0.63taux de faux positifs

tau

x d

e vr

ais

po

siti

fs

45

Étude de généralité (3) : apprentissage coll. fréquentes / application coll. rares (CVs)

AUCCollocations rares

Corpus de CVs

OccRV 0.37

Dice 0.32

RV 0.30

I3 0.30

I 0.29

SVM Bagged-ROGER

Linéaire Linéaire Non Linéaire

0.56 0.67 0.70

tau

x d

e vr

ais

po

siti

fs

taux de faux positifs

46

Conclusions

La méthode supervisée proposée donne de bons résultats.

– bonne généralisation selon les langues, les domaines et la fréquence des collocations.

Principales caractéristiques d'EXIT :– Approche itérative– Approche coopérative– Ajout de paramètres

CIP (Coefficient Itérations Précédentes) critères statistiques DiffTextes

47

Perspectives

Apprentissage actif : demander à l'expert de valider un nombre restreint de collocations à chaque exécution de ROGER.

Étude approfondie de la terminologie verbale.

Étude du bruit et du silence.

Étude de la terminologie à partir d'autres langues.

48

DEFT'05

Le but du défi DEFT (DEfi Fouille de Textes) consiste à supprimer les phrases non pertinentes dans un corpus de discours politiques en français.

Page Web : http://www.lri.fr/ia/fdt/DEFT05/

N'hésitez pas à participer...

49

Annexe

50

Méthode (1/2)

Utilisation des courbes ROC (Receiver Operating Characteristic): courbe dont le taux de vrais positifs est représenté en ordonnées et le taux de faux positifs est représenté par l'axe des abscisses.

Avantage : pas de sensibilité dans le cas d'un déséquilibre entre les classes.

But : optimiser l'aire sous les courbes ROC (AUC) [Sebag et al. 2003].

0 1

1

taux de faux positifs

taux devrais positifs

51

Méthode (2/2)

Etape d'optimisationmaximiser l'aire sous la courbe ROC

minimiser la somme des rangs des exemples positifs

rangs = 21 rangs = 25 rangs = 26

h1: ++++++---- h2 : +++-+++--- h3 : ++-+-++-+-

52

Exemple

Type de collocations : adj3 adj2 adj1 nom1 et adj3 adj2 adj1 nom2

Elagage : élagage 1 à la première itération et 2 à la deuxième

Extraction :

1. Type Adjectif-Adjectif

Itération 1 : adj3 adj2 (2 fois)

Itération 2 : adj3-adj2 adj1 (2 fois)

2. Type Adjectif-Nom

Itération 1 : adj3-adj2-adj1 nom1 (1 fois)

adj3-adj2-adj1 nom2 (1 fois)

Extraction :

1. Type Adjectif-Nom

Itération 1 : adj1 nom1 (1 fois)

adj1 nom2 (1 fois)

2. Type Adjectif-Adjectif

Itération 1 : adj3-adj2 (2 fois)

adj3-adj2-adj1-nom1

et adj3-adj2-adj1-nom1 non extraites

Exemple : latent semantic analysis

latent semantic indexing