Entités nommées et liage d'entités pour enrichir un catalogue

Sciences de l'information · Master 1

Extraire personnes, lieux et organisations d'un texte et les relier à des référentiels.

Introduction

Les textes numérisés ou les notices contiennent des noms de personnes, de lieux et d'organisations. La reconnaissance d'entités nommées (NER) les repère automatiquement, et le liage d'entités (entity linking) les associe à un identifiant dans un référentiel comme Wikidata ou VIAF.

Ces techniques permettent de créer des index de noms, d'enrichir des catalogues et de relier des collections. Sur des textes issus d'OCR, le bruit dégrade cependant les résultats : une validation humaine et une évaluation par échantillon sont nécessaires.

Objectifs d'apprentissage

Définir NER et entity linking
Distinguer reconnaissance, désambiguïsation et liage
Choisir un référentiel d'identifiants adapté
Évaluer un extracteur avec précision, rappel et F-mesure
Identifier l'impact de l'OCR bruité

Concepts clés

NER: Repérage dans un texte de mentions classées en types : personne, lieu, organisation, date.
Entity linking: Association d'une mention à l'entité correspondante d'un référentiel.
Désambiguïsation: Choix de la bonne entité quand un nom est ambigu.

Conclusion

NER et liage transforment des textes en données structurées et reliées. Leur valeur dépend de la qualité de l'OCR, du référentiel choisi et d'une évaluation honnête.

Cartes

Que fait un système de NER ?: Il repère dans un texte des mentions et leur attribue un type (personne, lieu, organisation, date...).
Qu'ajoute l'entity linking à la NER ?: Il relie chaque mention à un identifiant d'un référentiel, ce qui distingue par exemple deux personnes homonymes.
Pourquoi « Lausanne » peut-elle être ambiguë ?: Le nom peut désigner la ville suisse, un district ou d'autres lieux homonymes ; le contexte permet de choisir.
Citez des référentiels utilisables pour le liage.: Wikidata, VIAF (fichiers d'autorité de personnes), GeoNames (lieux), fichiers d'autorité des bibliothèques nationales.
Comment calcule-t-on la précision d'un extracteur ?: Entités correctes extraites divisées par l'ensemble des entités extraites.
Comment calcule-t-on le rappel ?: Entités correctes extraites divisées par l'ensemble des entités réellement présentes dans le texte.
Que mesure la F-mesure ?: La moyenne harmonique de la précision et du rappel, utile pour résumer les deux en un score.
Pourquoi l'OCR dégrade-t-il la NER ?: Les erreurs de reconnaissance créent des mots déformés (« Genéve », « Geneve ») qui échappent aux modèles ou aux listes.
Quel rôle garde l'expert humain ?: Corriger un échantillon, valider les liens ambigus et ajuster les règles ou le modèle.
Pourquoi les données personnelles sont-elles sensibles dans ce cadre ?: Un index de noms de personnes contemporaines peut être soumis à la nLPD ; il faut prévoir des restrictions d'accès.

Glossaire

Mention: Occurrence d'un nom dans un texte, avant son rattachement à une entité.
Entité: Personne, lieu ou objet identifiable de façon unique dans un référentiel.
Wikidata: Base de connaissances ouverte et collaborative qui attribue des identifiants aux entités.
VIAF: Fichier d'autorité virtuel international regroupant les fichiers d'autorité nationaux.
F-mesure: Moyenne harmonique de la précision et du rappel.
Corpus annoté: Ensemble de textes dont les entités ont été marquées par des humains.