Sujet de these: Structuration de collections de documents, IRISA, Rennes

[Thierry Hamon]

Date: Fri, 23 May 2014 18:31:43 +0200
From: Vincent Claveau <vincent.claveau at irisa.fr>
Message-ID: <537F77EF.7030701 at irisa.fr>


Sujet de thèse : Structuration, navigation et recherche au sein de 
collections de documents

English below.

Laboratoire : IRISA, Rennes ; labex Comin'Labs. Équipe texmex : 
www.irisa.fr/texmex

Dans beaucoup de domaines, l'exploitation des grandes quantités de 
documents numériques reste un problème majeur. Dans ce contexte dit 'big 
data', une grande partie de l'information se présente de manière 
informelle dans des textes. Le seul stockage informatique de ces 
documents ne permet pas d'accéder facilement aux informations qu'ils 
contiennent, de les retrouver efficacement, de les mettre en regard les 
unes avec les autres, de les recouper en vue de les analyser.
Le projet LIMAH du labex Comin'Labs s'intéresse à ses problématiques de
découverte d'information et de navigation dans des collections
multimédias (journaux TV, blogs...) et c'est dans ce cadre que s'inscrit
ce sujet de thèse.

Il existe bien sûr des outils, comme les moteurs de recherche,
permettant d'interroger des archives textuelles. Cependant, ces outils
ont des limites qui les rendent inadaptées comme outils de découverte de
connaissances.
D'une part, ils nécessitent de l'utilisateur qu'il exprime clairement 
son besoin d'information quelle que soit sa complexité. Ce point est 
souvent bloquant : un utilisateur sait souvent bien ce qu'il cherche 
sans pouvoir le formaliser correctement sous forme d'une requête 
textuelle unique.
D'autre part, les systèmes existants considèrent les documents 
indépendamment les uns des autres et ne permettent donc pas de prendre 
en compte les liens pouvant exister entre ces documents pour répondre à
l'utilisateur.
Enfin, et cela est lié aux deux points précédents, ils ne permettent pas 
à l'utilisateur de naviguer dans la collection en se basant sur le 
contenu de ces documents et sur les différents liens qu'ils peuvent 
entretenir.

Cette thèse a pour but de développer de nouveaux cadres théoriques et 
technologiques pour une exploitation intelligente des informations 
textuelles dans des collections de documents en se basant sur leurs
contenus. Au delà d'un simple moteur de recherche, le candidat devra 
développer, implémenter et évaluer des techniques nouvelles permettant 
de découvrir des liens entre les documents textuels au sein d'une
collection, de les typer et de les exploiter pour la recherche et la 
navigation. Cette thèse s'inscrit donc dans les domaines de la recherche 
d'information (RI), du traitement automatique des langues (TAL) et de la 
fouille de données.

Le travail de thèse s'effectuera dans le cadre d'un contrat à durée 
déterminée de 3 ans, débutant en septembre-octobre 2014.


Candidature

Le candidat devra être issu d'un master en informatique ou d'une 
formation équivalente, avec un très bon classement.
Il devra avoir suivi des cours en apprentissage artificiel et/ou fouille 
de données, et des compétences en traitement automatique des langues 
seront appréciées.

Les candidatures, par e-mail à vincent.claveau at irisa.fr , devront 
comporter un CV, le relevé de notes du master avec une indication du 
classement, une lettre de motivation et le nom et les coordonnées d'un 
professeur pouvant recommander le candidat.

============

PhD : Structuring, navigating and searching through collections of documents

Lab: IRISA, Rennes ; labex Comin'Labs. Team texmex : www.irisa.fr/texmex

In many domains, exploiting large amounts of digital documents is a 
major problem . In this so called 'big data' context, most of the 
information is contained as unformatted texts. Storing these documents 
does is not enough to easily acccess the information they contain, 
compare them...
The LIMAH project in the labex Comin'Labs interested in such issues of 
information discovery and navigation in multimedia collections (TV news, 
blogs ... ) and it is in this context that this PhD is proposed.

Of course there are tools such as search engines, for querying textual 
archives. However, these tools have limitations that make them 
unsuitable for knowledge discovery.
First,  they require the user to clearly express his information need 
regardless of its complexity. This point is often blocking: a user often 
knows what he wants without being able to properly formalize it.
Second, existing systems consider the documents independently of each 
other and therefore do not take into account the possible links between 
these documents.
Consequently, they do not allow the user to browse the collection based 
on the contents of these documents and on the many different links that 
they may share.

The goal of the PhD is to develop new theoretical and technological 
frameworks for intelligent use of textual information in document 
collections based on their content.
Beyond a simple search engine , the candidate will develop, implement 
and evaluate new techniques for discovering links between text documents 
in a collection, for characterizing these links and for exploiting them 
for searching and browsing. This thesis is concerned with information 
retrieval, Natural Language Processing and data mining .

The thesis work will be done under a fixed term contract of 3 years, 
starting in September-October 2014 .


Application

The candidate must belong a master degree in computer science with a 
very good ranking. He must have taken courses in machine learning and / 
or data mining, and skills in language processing will be appreciated.

Applications by e -mail to vincent.claveau at irisa.fr , should include a 
resume, grades and ranks in the master, a motivation letter and the 
names and contact details of a teacher that may recommend the candidate.



V. Claveau
IRISA, TexMex team

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