Stage: Stage Master / Ecole d'Ingenieur, Techniques de fouille de donnees pour la recherche d'information

[Thierry Hamon]

Date: Fri, 15 Nov 2013 21:34:03 +0100
From: Damien Nouvel <damien.nouvel at limsi.fr>
Message-ID: <CAHKNiVXs4h8Z=3dopBUVv-A8NrCJxxOpmedkPP7yyQ+pRGAxYg at mail.gmail.com>
X-url: http://damien.nouvels.net/fr/mxs

Proposition de stage Master  / Ecole d'Ingénieur
LI, Université François Rabelais de Tours
LIMSI-CNRS, Université Paris XI

Techniques de fouille de données pour la recherche d'information :
évaluation des ressources et traitements pour la reconnaissance
d'entités nommées

Résumé :

Proposition de stage de fin d'études ou de Recherche de niveau Bac+5
(Master, Ecole d'Ingénieur) en Informatique appliquée au Traitement
Automatique des Langues d'une durée de 4 mois minimum.

Contexte scientifique :

Le Laboratoire LI et le LIMSI-CNRS proposent un sujet de stage commun
dans le cadre du projet de recherche TMH (Télécommunications, Mobilité
et Handicap) financé par la société BAMSOO. Le sujet porte sur le
Traitement Automatique des Langues (TAL) appliqué à des tâches
d'extraction d'information textuelle à l'aide de techniques de fouille
de données. Parmi les tâches relevant de l'extraction d'information se
trouve la reconnaissance automatique des entités nommées (REN) qui
consiste à rechercher des références à des noms de personnes, de lieux,
d'organisation, d'unités monétaire ou temporelles dans de grands flux de
données. Ces entités nommées peuvent présenter des formes linguistiques
très variées. Par exemple, les systèmes de REN doivent reconnaître que
François Hollande, le président de la République, le président normal ou
le locataire de l'Elysée désignent toutes la même personne, qui est une
personnalité politique. C'est sur cette tâche de reconnaissance
d'entités nommées que portera spécifiquement ce stage.

Le système que nous avons développé (mXS) propose une approche de type
fouille de données dont une des caractéristiques est de rechercher
séparément le début et la fin de chaque entité nommée. Dans ses
fondements, mXS repose sur l'énumération de motifs en s'appuyant sur des
techniques bien établies en TAL (catégorisation morpho-syntaxique,
lemmatisation, utilisation de lexiques à large couverture) comme en
fouille de données (motifs séquentiels, hiérarchies, règles
d'association). Il a obtenu de bonnes performances dans le cadre de la
campagne d'évaluation ETAPE, en particulier dans des contextes bruités
(transcriptions automatiques). Au delà des performances globales du
système, il reste difficile de déterminer quels sont les choix de
modélisation effectués qui avantagent ou pénalisent le système. Outre
une étape de ré-ingénierie logicielle, ce stage a pour objectif de mener
des travaux expérimentaux permettant de mieux cerner les apports de
notre démarche.

Travail à réaliser :

Le travail à réaliser vise à consolider le code du système existant puis
à mieux étudier son comportement et éventuellement dresser un état des
lieux des utilisations possibles de la fouille de données pour diverses
tâches tournées vers le TAL. Il comportera deux phases successives
principales :

Phase 1 (2 mois) : ré-ingénierie logicielle. Cette étape consistera à
factoriser et optimiser le code existant, afin de le rendre plus
évolutif, de le mettre à disposition en ligne et de favoriser sa large
diffusion dans la communauté scientifique. En pratique, il s'agira ici
de mieux modulariser les différents traitements TAL qui le composent :

- prétraitements (morpho-syntaxe, lexiques) pour enrichir les textes
  selon la langue et les outils disponibles,
- extraction de motifs séquentiels hiérarchiques,
- modèles (symboliques ou statistiques) qui exploitent les motifs pour
  l'annotation.

Phase 2 (2 mois minimum) : étude du comportement du système. Une étude
approfondie sera menée sur l'intérêt de rechercher des marques de début
et de fin d'entités nommées, plutôt que d'adopter une approche plus
classique de classification mot-à-mot. Pour cela, une analyse sera
conduite sur la comparaison des performances et des sorties de
différents types de systèmes : à base de règles et DAG (graphes dirigés
sans cycle) comme le système CasEN développé également au LI, mais aussi
de CRF. A terme, ce travail permettra de définir les perspectives
d'évolution les plus prometteuses pour les systèmes traitant cette
tâche.

Phase complémentaire (si extension de stage). En cas d'avancée
satisfaisante du travail, on cherchera à étudier comment mieux manipuler
les motifs à des fins d'extraction de connaissances. Ce travail
commencera par se doter des outils nécessaires à la caractérisation d'un
corpus à partir des motifs qui en ont été extraits
automatiquement. L'objectif étant d'être à même de sélectionner les
motifs d'intérêt par utilisation de méthodes formelles, les motifs étant
organisés au sein de treillis.

Profil recherché :

La personne recrutée sera en cycle terminal d'études en informatique, de
niveau Bac+5 (Master informatique professionnel, recherche ou
indifférencié, école d'ingénieur). Des compétences en Traitement
Automatique des Langues et/ou en Fouille de Données seront
appréciées. Dans le cas d'un(e) étudiant(e) en Master Recherche, le
sujet de stage pourra être adapté aux attentes de
l'étudiant. Potentiellement, ce travail pourra donner lieu à
communication dans des conférences scientifiques.

Rémunération :

Rémunération maximale prévue par la réglementation à savoir 436,05€ par
mois, pour une durée de 4 mois de stage minimum (prolongation de la
durée du stage jusqu'à 6 mois à la demande de l'étudiant ou de son
établissement). Cette rémunération sera assurée dans le cadre d'un
projet industriel financé par la société BAMSOO.

Lieu d'exercice :

Le stage se déroulera dans les locaux du Laboratoire d'Informatique pour
la Mécanique et les Sciences de l'Ingénieur (LIMSI-CNRS), Université
Paris-Sud, Rue John von Neumann, 91403 Orsay, au sein de l'équipe ILES
(Information, Langue Ecrite et Signée). Le stage sera encadré part
Damien Nouvel, postdoc au LIMSI et Jean-Yves Antoine, professeur de
l'Université François Rabelais de Tours (équipe BDLTN).

Dépôts de candidature :

Contact : damien.nouvel at limsi.fr
Merci de déposer un CV détaillé de vos activités passées, accompagné
d'une lettre de motivation et de vos relevés de notes des deux dernières
années d'études.

Liens utiles :

- Système mXS : http://damien.nouvels.net/fr/mxs
- Laboratoire LIMSI (groupe ILES) :
  http://www.limsi.fr/Scientifique/iles/
- Laboratoire LI (équipe BDTLN) :
  http://li.univ-tours.fr/equipes/equipe-bdtln-198022.kjsp
- Campagne Etape : http://www.afcp-parole.org/etape.html

-------------------------------------------------------------------------
Message diffuse par la liste Langage Naturel <LN at cines.fr>
Informations, abonnement : http://www.atala.org/article.php3?id_article=48
English version       : 
Archives                 : http://listserv.linguistlist.org/archives/ln.html
                                http://liste.cines.fr/info/ln

La liste LN est parrainee par l'ATALA (Association pour le Traitement
Automatique des Langues)
Information et adhesion  : http://www.atala.org/

ATALA décline toute responsabilité concernant le contenu des
messages diffusés sur la liste LN
-------------------------------------------------------------------------