Extraction d'information ouverte au RALI

Depuis 2013, une partie des efforts de recherche menés par Philippe Langlais et son équipe au RALI se sont tournés vers l’OIE (Open Information Extraction, soit extraction d’information ouverte). Le but de ce domaine de recherche est l’extraction de connaissances structurées à partir de texte libre, non structuré.

En d’autres termes, on cherche à permettre aux systèmes informatiques d’acquérir des connaissances à partir de textes en langue naturelle. Ces faits prennent typiquement la forme de triplets (ou n-uples), par exemple (Justin Bieber, est né en, 1994). C’est une première étape cruciale pour l’intégration sémantique de sources de connaissances disparates, pour la création de bases de connaissances riches et facilement explorables.

OIE au RALI

Doter la machine des connaissances implicites sur le monde est la motivation de plusieurs programmes de recherche comme la Common Sense Computing Initiative (MIT) ou NELL (CMU), pour l’anglais, typiquement.

Résultats marquants

Avec le projet defacto (2014-2018), le RALI a modifié ReVerb afin qu’il traite le français et puisse  extraire des faits simples à partir de Wikipédia français. Des concepts de haut niveau ont été extraits de ces données et ensuite mis en relation avec des instances dans le corpus. La version française de ReVerb est disponible sur GitHub. Afin de visualiser les résultats, ces connaissances ont été disposées sous forme de graphe interactif à l’aide de Gephi et de Sigmajs Exporter.

Après extraction de millions de faits issus de Wikipédia et du corpus Érudit, nous avons conçu un classifieur d’entités basé sur les relations que ces entités entretiennent. Nous avons publié nos résultats à la conférence Canadian Artificial Intelligence en 2016.

Le problème des anaphores est important en extraction d’information ouverte. Ainsi, il faut résoudre les anaphores de type il ou l’artiste en trouvant l’entité à laquelle ces mots font référence. Abbas Ghaddar a travaillé sur cet aspect et a construit plusieurs ressources utiles comme WikiCoref et d’autres.

Projet CO.SHS

Description du projet

En septembre 2016, la Fondation canadienne pour l'innovation (FCI) annonce le financement du projet de Cyberinfrastructure ouverte pour les sciences humaines et sociales (CO.SHS), dirigé par le professeur Vincent Larivière, titulaire de la Chaire de recherche du Canada sur les transformations de la communication savante.

Le projet CO.SHS est fondé sur la plate-forme de diffusion Érudit ainsi que sur le logiciel de gestion éditoriale Public Knowledge Project. Le projet a pour but de soutenir la recherche en sciences humaines et sociales, en facilitant la production et la diffusion de publications savantes, ainsi que l’exploration de ces textes à l’aide d’outils d’analyse et de visualisation innovants. Plusieurs équipes multi-disciplinaires collaborent pour atteindre ces buts.

Au RALI

Le projet porté par le RALI vise à exploiter la sémantique présente dans les textes afin d'étendre l'expérience utilisateur par extraction directe dans les textes de faits indexés (« Sylvain L’Espérance est un documentariste »), pour offrir une navigation plus conceptuelle des textes diffusés sur Érudit et répondre à des requêtes (« quels sont les documentaristes contemporains qui s’intéressent à la question migratoire ? »), ou encore colliger des fiches thématiques (liste de cinéastes militants).

Pour ce faire, divers défis en traitement des langues doivent être relevés, incluant l’extraction de faits à partir de texte peu structuré, ainsi que leur mise en relation avec des bases de connaissances et collections externes. Le tout doit être possible en français et en anglais, sur les méga-données que représentent les corpus volumineux de la plate-forme Érudit et des autres collections utilisées dans le cadre du projet CO.SHS. L'évaluation est également un aspect non trivial, comme le projet WiRe57 le montre.