Stage: M2, Fouille de donnees pour la recherche d'information

[Thierry Hamon]

Date: Fri, 10 Jan 2014 15:21:04 +0100
From: Damien Nouvel <damien.nouvel at limsi.fr>
Message-ID: <CAHKNiVUEQOteftOhLYYW5m+egJuwfLX0j2ookBwAj4++kPtHEw at mail.gmail.com>
X-url: http://damien.nouvels.net/fr/mxs
X-url: http://www.limsi.fr
X-url: http://li.univ-tours.fr/equipes/equipe-bdtln-198022.kjsp
X-url: http://www.afcp-parole.org/etape.html

Proposition de stage Master  / Ecole d'Ingénieur
LIMSI-CNRS (Paris-Sud) et LI (Tours)

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 LIMSI-CNRS (Paris-Sud) et le LI (Tours) 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) par utilisation de
techniques de fouille de données. La tâche concernée est la
reconnaissance des entités nommées (REN), qui permet d'extraire les noms
de personnes, de lieux, d'organisations, d'unités monétaire ou
temporelles dans des textes. Pour cela, sont implémentés des systèmes
plus ou moins supervisés (des automates aux CRF) qui s'appuient sur
d'autres traitements TAL (morphologie, morpho-syntaxe) et/ou des
lexiques à large couverture. Ces systèmes sont régulièrement mis en
compétition lors de campagne d'évaluation.

Le système que nous avons développé (mXS) met en œuvre des techniques de
fouille de données. Son originalité consiste à rechercher séparément les
balises de début et de fin de chaque entité nommée. Pour ce faire, le
système énumère les motifs linguistiques (séquentiels hiérarchiques) qui
forment le contexte de ces balises et filtrent les motifs d'intérêt
comme "règles d'annotation". mXS a obtenu de bonnes performances
(3ème/8) dans le cadre de la campagne d'évaluation ETAPE, en particulier
dans des contextes bruités (transcriptions automatiques). Cependant,
pour améliorer encore les performances du système, il s'agit de
déterminer si les choix de modélisation effectués avantagent ou
pénalisent le système. Ce stage a pour objectif de mener des travaux
expérimentaux permettant d'apporter de nouvelles perspectives sur les
avantages et inconvénients de notre approche.

Travail à réaliser

En préliminaire, la personne recrutée se familiarisera avec les
différentes briques du système, dont en particulier :

- les prétraitements (morpho-syntaxe, lexiques) qui enrichissent les
  textes,
- le programme d'extraction de motifs séquentiels hiérarchiques (fouille
  de données),
- les modèles (symboliques et/ou statistiques) qui utilisent les motifs
  pour annoter des textes.

Ensuite, une étude approfondie sera menée sur l'apport des techniques
supervisées par insertion des balises d'annotation par rapport aux
approches de classification mot-à-mot. Cette étude sera amorcée par une
comparaison des erreurs sur la campagne ETAPE commises par mXS avec
celles commises par un système à base de transducteurs et un CRF (voire
à des version hybrides). Les expérimentations et études à mener par la
suite seront décidées selon déterminées selon les résultats de cette
étude. A terme, l'objectif est de déterminer quelles sont les
perspectives d'évolution les plus prometteuses pour les systèmes de REN.

En cas d'avancée satisfaisante du travail, le stage pourra être élargi à
l'étude des méthodes utilisant les motifs séquentiels hiérarchiques pour
le traitement du langage. Par exemple, cela pourra consister en
l'implémentation d'outils qui permettent de caractériser des corpus
selon les motifs qui en ont été extraits automatiquement. De manière
plus générale, l'idée est de découvrir de nouveaux liens possibles entre
les méthodes formelles (motifs organisés au sein de treillis) et des
tâches liées au TAL.

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 (groupes ILES et TLP) : http://www.limsi.fr
- 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
-------------------------------------------------------------------------