: NLP Vocabulary: acquisition automatique de termes

application du TAL > recherche d'information > extraction d'information > extraction de termes > acquisition automatique de termes

acquisition automatique de termes

Méthode qui vise à extraire automatiquement des termes techniques à partir d’un corpus. (Adapté de Lossio-Ventura et al., Extraction automatique de termes combinant différentes informations, TALN, 2014)

Les méthodes d'Extraction Automatique de Termes (EAT) visent à extraire automatiquement des termes techniques à partir d'un corpus. (Lossio-Ventura, Jonquet, Roche & Teisseire, 2014)
L'extraction automatique de termes -clés consiste à extraire du contenu d'un document les unités textuelles les plus importantes, celles qui permettent de le résumer. (Bougouin, Boudin & Daille, 2014)

Dans cet article, nous avons présenté un modèle capable d'apprendre de façon jointe des représentations vectorielles (plongements lexicaux ou embeddings) de mots et d'entités nommées dans un même espace vectoriel, le modèle EAT. (Moreno, Besançon, Beaumont, D'hondt, Ligozat, Rosset, Tannier & Grau, 2017)
Des améliorations similaires sont observées pour le type Lieu : par exemple le modèle EAT permet d'identifier correctement Montrouge comme la ville de la banlieue parisienne au lieu de l'acteur Louis (Émile) Hesnard dont le surnom était Montrouge, dans le contexte " The other loose guy who killed a cop in montrouge seems to have done the same. (Moreno, Besançon, Beaumont, D'hondt, Ligozat, Rosset, Tannier & Grau, 2017)
Le modèle EAT peut être appris en exploitant des corpus existants qui contiennent des textes d'ancrage et les méthodes et embeddings fondées sur la méthode originale de Mikolov et al.) (Moreno, Besançon, Beaumont, D'hondt, Ligozat, Rosset, Tannier & Grau, 2017)
Les méthodes d'EAT impliquent généralement deux étapes principales. (Lossio-Ventura, Jonquet, Roche & Teisseire, 2014)
Nous montrons que le modèle EAT peut être intégré sans difficulté dans une architecture standard de désambiguïsation d'entités nommées et permet d'en améliorer les résultats. (Moreno, Besançon, Beaumont, D'hondt, Ligozat, Rosset, Tannier & Grau, 2017)

http://data.loterre.fr/ark:/67375/8LP-ZL8GPBNS-D

RDF/XML TURTLE JSON-LD Last modified 5/27/24

Loterre