utilisation de mesures pour extraire la terminologie de corpus...

Extraction de la terminologiedans un processus global

de fouille de textes

Mathieu RocheEquipe Inférence et Apprentissage - LRI

11 avril 2005Bordeaux

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’informationspar 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)

[Bourigault et Fabre 2000]XXSYNTEX

[Biskri et al. 2004]XXESATEC

[Nerima et al. 2003]XXFIPS

[Kilgarriff et Tugwel 2001]XXWASPBENCH

[Frantzi et al. 2000]XXC/NC VALUE

[Dagan et Church 1997]XXTERMIGHT

[Evans et Zhai 1996]XXCLARIT

[Daille 1994]XXACABIT

[Smadja 1993]XXXTRACT

[Frath et al. 2000]XMANTEX

[Enguehard 1993]XANA

[Silberztein1994 ; Ibekwe-SanJuan 2001]XINTEX

[Jacquemin 1996]XFASTR

[Bourigault 1993]XLEXTER

[David et Plante 1990]XTERMINO

référencesstatistiqueslinguistiquesSystèmes

9


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

knowledge discovery discovery of knowledgepermutationsMRI image MRI brain imageinsertionsassociation rule association and classification rules coordinations

10


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


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


[Bourigault et Fabre 2000]XXSYNTEX

[Biskri et al. 2004]XXESATEC

[Nerima et al. 2003]XXFIPS

[Kilgarriff et Tugwel 2001]XXWASPBENCH

[Frantzi et al. 2000]XXC/NC VALUE

[Dagan et Church 1997]XXTERMIGHT

[Evans et Zhai 1996]XXCLARIT

[Daille 1994]XXACABIT

[Smadja 1993]XXXTRACT

[Frath et al. 2000]XMANTEX

[Enguehard 1993]XANA

[Silberztein1994 ; Ibekwe-SanJuan 2001]XINTEX

[Jacquemin 1996]XFASTR

[Bourigault 1993]XLEXTER

[David et Plante 1990]XTERMINO

référencesstatistiqueslinguistiquesSystèmes

Itératif

Coopératif

[Roche et al. 2004]XXEXIT

13

Plan de l'exposé

1. Contexte

2. État de l'art

3. Système EXIT (EXtraction Itérative de la Terminologie)


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

ETIQ [Amrani et al. 04]

Introduction des termes avec "-"

Extraction

Exemple :

1ère itération : assistant de gestion2ème itération : assistant-de-gestion de production

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


19

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

144

...

...

74

...

67

...

43

...

4

3

2

1

NbCollocationsRang

...

...

69

...

64

63

...

50

...

4

3

2

1

NbCollocationsRang

chalon sur saône 4chalon sur saône 4

traitement de textes 57traitement de textes 57

mise en place 111mise en place 111

assistante de direction 60

hôtesse de caisse 28

assistante de direction 60

hôtesse de caisse 28

jéjunum de rat 3 jéjunum de rat 3

beurre de karité 3 beurre de karité 3

puy en velay 3 puy en velay 3

Rapport de Vraisemblance Information Mutuelle

20

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

Exemples de mesures fondées sur l'Information MutuelleInformation Mutuelle [Church et Hanks 1990]

Information Mutuelle au Cube [Daille 1994]

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

)()(),(log),( 2 yPxPyxPyxIM =

))(log())(log()),((log),( 2 ynbxnbyxnbyxI −−=

21


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

mutuelle et du nombre d’occurrences.

),(min),,(max

),(min),,(max

),(21),(

21),(

qpnbmnbqpnbMnb

qpImIqpIMI

nbnbyxnb

IIyxIyxAss

mMmM

==

==

−+

−=

22


Rapport de Vraisemblance [Dunning, 1993]

dcx' avec x' ≠ xbax

y' avec y' ≠ yy

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


Mul

MC

Conv

J

SeSc

Ttest

Khi 2

RV

Dice

Ass

I3I

Mesures

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

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

[Sebag et Schoenauer 1988]Sebag - Schoenauer[Goodman et Smyth 1988]J-mesure

[Brin et al. 1997]Conviction[Azé et Kodratoff 2003]Moindre Contradiction

[Lallich et Teytaud 2004]Multiplicateur de Cote

[Dunning 1993]Rapport de Vraisemblance

[ Smadja et al. 1996]Coefficient de Dice

[Jacquemin 1997]Mesure d'Association

[Daille 1994]Information Mutuelle au Cube

[Church et Hanks 1990]Information Mutuelle

Références

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


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

4481628X34555768XNom-Adjectif

103478176129112602411Adjectif-Nom

162112231781982070Nom-Nom

3071268736344703313Nom-Prep-Nom

CVRHFDCVRHFD

Nb collocationsaprès élagage (3)

Nb collocations Exemples :emploi solidaritéaction communicationfichier clientservice achat…

26


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


80%

60%

40%

20%

59.662.362.965.160.561.761.762.361.760.663.458.9

62.162.463.971.465.465.465.469.966.163.967.660.1

60.665.165.179.765.169.669.675.273.066.273.066.2

61.377.259.084.065.970.470.488.668.170.475.059.0

MulMCConvJSeScTtestKhi 2RVDice AssI3I

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

28


Courbes d'élévation avec le corpus FD.

20

30

40

50

60

70

80

90

100

0 50 100 150 200

Pre

cisi

on (

%)

Nombre de collocations fournies aux experts

Rapport de vraisemblance (RV)J mesure (J)

Information mutuelle au cube (I3)Information mutuelle (I)

29


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 nbnbyxnb

IIyxIyxAss

−−+

−=

),()1(),(),( λλλ

=> 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.

20

30

40

50

60

70

80

90

100

0 50 100 150 200

Pre

cisi

on (

%)

Nombre de collocations fournies aux experts

Occ_RVRapport de vraisemblance (RV)

J mesure (J)Information mutuelle au cube (I3)

Information mutuelle (I)

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


33

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

∑ ∑=

−

=

−=

N

i

yxnb

ji

i jyxnbyxDiffTextes1

1),(

1)

10),(),(

texteiledansprésenteestncollocatiouneoùfoisdenombrenbcorpusdutextesdetotalnombreN

èmei :

.:

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) )

34

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

Expérimentation du paramètre DiffTextes sur le corpus FD.

80%

60%

40%

20%

+2.1+4.4+0.9+2.6

+2.5+0.1-1.5+1.6

-0.3+1.9+2.9+0.5

+4.4+4.3+4.4+1.7

OccRVJRVI3

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


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 exemplespositifs.

Minimiser la somme des rangs des exemples positifs ⇔ maximiserl'aire sous la courbe ROC

Σrangs = 25h2 : +++-+++---

AUC

Σrangs = 21h1: ++++++----

AUCArea Under the Curve

38

Protocole expérimental (1/2)

Données utilisées

9.190.91028Biologie

43.456.62822CV, rares

14.385.7376CV, fréquents

% collocationsnon pertinentes

% collocationspertinentes

# collocations

39

Protocole expérimental (2/2)

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

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

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

0.42 0.43 RV - Rapport de Vraisemblance [Dunning 1993]

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

AUCcollocation fréquentes

corpus de Biologie

AUCcollocations fréquentes

corpus de CVs

Critères statistiques

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

CV, fréquents

Biologie, fréquents

0.52 ± 0.070.42 ± 0.140.46 ± 0.130.61 ± 0.110.59 ± 0.100.58

0.32 ± 0.070.54 ± 0.120.51 ± 0.130.67 ± 0.050.61 ± 0.040.57

QuadratiqueGaussienLinéaireNon linéaireLinéaireOccRV

Bagged-SVMBagged-Roger

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

43

Étude de généralité (1) : apprentissageCVs / application Biologie (fréquents)

0.30 I 0.31 Dice0.35 I30.42 RV 0.57 OccRV

AUCCollocation fréquentesCorpus de Biologie

0.59

Linéaire

SVM Bagged-ROGER

0.710.63

Non LinéaireLinéaire0

0.2

0.4

0.6

0.8

1

0 0.2 0.4 0.6 0.8 1

Tru

e re

leva

nt r

ate

False relevant rate

Bagged-Roger non lineaireBagged-Roger lineaire

SVM lineaireOcc+L

taux de faux positifs

taux

de

vrai

s po

sitif

s

Autres noyaux donnent des résultats plus faibles

44

Étude de généralité (2) : apprentissageBiologie / validation CVs (fréquents)

0.31I 0.39Dice0.40 I30.43RV 0.58OccRV

AUCCollocations fréquentes

Corpus de CVs

0.65

Linéaire

SVM Bagged-ROGER

0.630.64


0.2

0.4

0.6

0.8

1

0 0.2 0.4 0.6 0.8 1

Tru

e re

leva

nt r

ate

False relevant rate


SVM lineaireOcc+L


taux

de

vrai

s po

sitif

s

45

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

0.29I 0.30I30.30 RV0.32Dice 0.37OccRV

AUCCollocations raresCorpus de CVs

Bagged-ROGERSVM

0.56

Linéaire

0.700.67


0.2

0.4

0.6

0.8

1

0 0.2 0.4 0.6 0.8 1

Tru

e re

leva

nt r

ate

False relevant rate


SVM lineaireOcc+L

taux

de

vrai

s po

sitif

s


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 statistiquesDiffTextes

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

Annexe

49

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 déséquilibreentre les classes.

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

0 1

1


taux devrais positifs

50

Méthode (2/2)

Etape d'optimisationmaximiser l'aire sous la courbe ROC

⇔ minimiser la somme des rangs des exemples positifs

Σrangs = 21 Σrangs = 25 Σrangs = 26h1: ++++++---- h2 : +++-+++--- h3 : ++-+-++-+-

51

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 analysislatent semantic indexing

utilisation de mesures pour extraire la terminologie de corpus...

Documents