Journées ABES 2014 - Pourquoi fouiller les publications scientifiques ? Retours d'expériences d'un chercheur

Pourquoi fouiller les publicationsscientifiques ?

Mathieu Roche

ABES - 21 mai 2014

1 / 32

IntroductionLes algorithmes pour fouiller les documents

La fouille des publications scientifiques au CiradProspectives

Plan

1 Introduction

2 Les algorithmes pour fouiller les documentsLes descripteurs linguistiquesLa Recherche d’InformationL’évaluation

3 La fouille des publications scientifiques au CiradLa recherche d’acronymesL’extraction d’entités spatialesL’extraction de la terminologie

4 Prospectives

2 / 32



Les 3V du "Big Data"

Volume : Données massives

Variété : Données hétérogènes "syntaxiquement" et"sémantiquement"

Vélocité : Données disponibles par flux

Et encore plein d’autres V : Versatilité, Véracité, Visualisation,Valorisation, etc.

3 / 32



Fouille de données

4 / 32



Les descripteurs linguistiquesLa Recherche d’InformationL’évaluation

1 Introduction



4 Prospectives

5 / 32




Extraction/Acquisition Exploitation/Filtrage

Processus de Fouille de Textes

- - - -- - - -- - - -- - - -

- - - -- - - -- - - -- - - -

- - - -- - - -- - - -- - - -

DonnéesTextuelles Connaissances

6 / 32




Les descripteurs linguistiques

Exemple

Il vend son bien de Montpellier

7 / 32




Traitement linguistique du mot

Sélection des mots ayant une fonction grammaticale définie(par exemple, noms, verbes, adjectifs)→ sélection des mots vend , bien et MontpellierRemarque : distinction du mot bien entre nom, adverbe et adjectif

Exemple - Etiquetage

Il/Pronom vend/Verbe son/AdjPoss bien/Nom de/PrepMontpellier/NomPropre

Principe de l’étiquetage grammatical (Brill’s tagger) :

lexiques

règles lexicales

règles contextuelles

8 / 32




Traitement linguistique du mot

Rassemblement des mots d’une même famille présents sous formefléchie : lemmatisation ou radicalisation→ vend : vendre

Ajout de connaissances sémantiques→ vendre est lié au concept du Commerce

Résolution anaphorique→ remplacement du pronom

9 / 32




Traitement linguistique du syntagme

Des collocations aux syntagmes/termes

Sens global déductible des unités composant le groupe(chapeau en paille)Connaissances sémantiquesConnaissances syntaxiques (patrons ADJ-NOM,NOM-PREP-NOM, etc)

Méthodes de TAL pour l’extraction de syntagmes/termes :linguistiques, statistiques, mixtes

10 / 32




Résumé : du Corpus... aux descripteurs linguistiques

Mais pour des personnes très spontanées ...

Mais/COO pour/PREP des/DTN:pl personnes/SBC:pl très/ADV spontanées/ADJ...

Etiquetage

Extraction des descripteurs (par

exemple, syntagmes)

fichier clientsconseiller clientèlefront pageassurance qualitélogiciel ciel...

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Corpus

Nettoyage

Normalisation

Processus de Fouille de textes

11 / 32




1 Introduction



4 Prospectives

12 / 32




Recherche d’Information

Première étape : représentation des textes... l’approche "sac demots"

Pondération statistique des descripteurs : TF, IDF, TF-IDF,13 / 32




Deuxième étape : Application d’un algorithme d’apprentissage

K plus proches voisins (KPPV) :

But : déterminer les K plus proches voisins de textes à prédire

Principe : La classe majoritaire propre à ces K plus proches voisinsest choisie pour les textes à prédire (ou la classe majoritaire aprèspondération avec la mesure de similarité)

Paramètres : La valeur K et la mesure de similarité (par exemple,la mesure cosinus)

14 / 32




Deuxième étape : Application d’un algorithme d’apprentissage

K plus proches voisins (KPPV) - Exemple :

15 / 32




1 Introduction



4 Prospectives

16 / 32




Précision = 910 = 90%

17 / 32




Précision = 910 = 90%

18 / 32




Précision = 910 = 90% / Rappel = 9

50 = 18%

19 / 32



La recherche d’acronymesL’extraction d’entités spatialesL’extraction de la terminologie

1 Introduction



4 Prospectives

20 / 32




corpus Cirad (∼15 Mo)

corpus TETIS (∼500 Ko)

Merci à la Délégation à l’Information Scientifique Technique du Cirad

21 / 32




• Identification automatique d’acronymes dans les textes (1)

Méthode

Étape 1 : Extraction des candidats (méthode par patron)

Étape 2 : Filtrage des candidats (méthode statistique)

Mesure Web (fouille du Web) :

WebDice(acro, def ) =2×hits(acro,def )

hits(acro)+hits(def )

Exemple :WebDice(BSV ,Banana streak virus) =2×hits(”BSV ” AND ”Banana streak virus”)

hits(”BSV ”)+hits(”Banana streak virus”)

22 / 32




• Identification automatique d’acronymes dans les textes (2)

Résultats (données Cirad) :

Acronym Possible definition WebDice

ATPSM Agricultural Trade Policy Simulation Model 1.3014TYLCV Tomato yellow leaf curl virus 0.7167NRPS NonRibosomal Peptide Synthetase 0.4423CIAT Centro international de agricultura tropical 0.1408ACMV African cassava mosaic virus 0.0970CSSV Cacao swollen shoot virus 0.0245VLE Virtual Laboratory Environment 0.0222CLF Corynespora Leaf Fall 0.0208BSV Banana streak virus 0.0053BMR Bois Massif Reconstitué 0.0046ER Ehrlichia ruminantium 0.0004

BASIC Brésil, Afrique du Sud, Inde, Chine 0.0001ASA Articulation du Semi-aride 0MAE Mesures agrienvironnementales 0

[Roche, ISA workshop’2014]23 / 32




• Identification automatique d’Entités Spatiales (ES) dans les textes

Utilisation de patrons d’extraction pour identifier

des indicateurs spatiaux (orientation, distance, adjacence, inclusion,figure géométrique)

des Entités Spatiales Absolues et Relatives

[Kergosien et al., IJGIS’2014]

24 / 32




• Identification automatique des termes dans les textes (1)

Travaux menés avec Sophie Fortuno, (Cirad, TETIS)

Méthode

Étape 1 : Extraction des candidats termes (méthodes linguistiques +statistiques)

Exemple : "soft contact" vs. "soft contact lens"

Étape 2 : Filtrage des candidats (combinaison avec d’autres méthodes +des ressources comme Agrovoc)

25 / 32




• Identification automatique des termes dans les textes (2) – Étape 1

[Lossio et al., IJKDB’2014]26 / 32




• Identification automatique des termes dans les textes (3) – Étape 2

+ prise en compte d’Agrovoc (vocabulaire contrôlé issu de la FAO –Food and Agriculture Organization)

27 / 32




• Identification automatique des termes dans les textes (3) – Résultats

Résultats quantitatifs [stage étudiants en informatique (Master IPS)]

Corpus Cirad : 28% des termes simples / 12% des termescomposés de BioTex sont présents dans Agrovoc

Corpus TETIS : 25% des termes simples / 1% des termescomposés de BioTex sont présents dans Agrovoc

Résultats qualitatifs [stage étudiante "Ressources documentaires et basesde données"]

Définition de critères de pertinence liés à l’indexation :sélectivité, objectivité, cohérence, indépendance contextuelle

28 / 32




• Identification automatique des termes dans les textes (3) – RésultatsExemples de termes (en français) : développement durable, sécuritéalimentaire, croissance démographique, développement rural,aménagement du territoire, gouvernance territoriale, etc.

Publication en Open Data (CKAN – Comprehensive KnowledgeArchive Network) :Mise en correspondance des (1) termes extraits, (2) entités spatiales, (3)publications Cirad associées (numéros)

29 / 32



1 Introduction



4 Prospectives

30 / 32



Veille d’épidémiologie animale : Comment détecter des signaux faiblesdans la masse de données ?

Croisement des publications avec d’autres types de données (dépêches,presse, tweets, etc.)

31 / 32



Remerciements

Les chercheurs : Sophie Fortuno (Cirad, TETIS), MaguelonneTeisseire (Irstea, TETIS), Eric Kergosien (LIRMM), Juan AntonioLossio (LIRMM)

Les documentalistes : Marie-Claude Deboin (Cirad),Marie-Christine Duchamp (Cirad), Marie-Francoise Fily (Cirad),Josée Lessard (Cirad), Sylvie Blin-Sarah (Irstea)

Les étudiants : L3 - UM3 : Marie-Odile Aptel-Barral, M1 IPS -UM2 : Amira Akli, Thinhinan Lounis, Serigne Toure, Salim Belkebir

32 / 32

Education

Journées ABES 2014 - Pourquoi fouiller les publications scientifiques ? Retours d'expériences d'un chercheur