Assas Recherche | Extraction d'information non-supervisée et en monde ouvert à partir de collections de documents non-structurées et spécifiques à un domaine

Extraction d'information non-supervisée et en monde ouvert à partir de collections de documents non-structurées et spécifiques à un domaine (Document en Anglais)

Accès au(x) document(s)

Accéder au(x) document(s) :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Genest Pierre-Yves

Genest, Pierre-Yves

Nom

Genest

Prénom

Pierre-Yves

Nationalité

Français

Date de soutenance : 09-12-2024

Directeur(s) de thèse : Egyed-Zsigmond Elöd

Egyed-Zsigmond, Elöd

Nom

Egyed-Zsigmond

Prénom

Elöd

- Calabretto Sylvie

Calabretto, Sylvie

Nom

Calabretto

Prénom

Sylvie

Etablissement de soutenance : Lyon, INSA

Lyon, INSA

Nom

Lyon, INSA

Laboratoire : Laboratoire d'InfoRmatique en Images et Systèmes d'information (Ecully, Rhône ; 2003-....)

Laboratoire d'InfoRmatique en Images et Systèmes d'information (Ecully, Rhône ; 2003-....)

Nom

Laboratoire d'InfoRmatique en Images et Systèmes d'information (Ecully, Rhône ; 2003-....)

- Laboratoire d'InfoRmatique en Image et Systèmes d'information / LIRIS

Laboratoire d'InfoRmatique en Image et Systèmes d'information / LIRIS

Nom

Laboratoire d'InfoRmatique en Image et Systèmes d'information / LIRIS

Ecole doctorale : ED Informatique et Mathématiques de Lyon

ED Informatique et Mathématiques de Lyon

Nom

ED Informatique et Mathématiques de Lyon

Informations générales

Discipline : Informatique
Classification : Informatique

Mots-clés libres : Informatique, Extraction d'Information, Annotation de documents, Reconnaissance d’entités nommées, Extraction de relation, Traitement automatique de la langue
Mots-clés :

Informatique
Traitement automatique du langage naturel

Résumé : La croissance exponentielle de la production de données a fait de l’analyse de collections de documents textuels non structurés un défi majeur. Cette thèse de doctorat vise à relever ce défi en se concentrant sur l’extraction d’information (IE), qui englobe quatre tâches principales : reconnaissance d’entités nommées (NER), résolution des coréférences (CR), annotation sémantique (EL) et extraction de relations (RE). Ces tâches permettent d’extraire et de structurer des connaissances à partir de documents non formatés, ce qui facilite leur intégration dans des bases de données structurées et leur utilisation par des outils d’analyse de données. Nos contributions commencent par la création de Linked-DocRED, le premier jeu de données de grande taille, diversifié, et annoté manuellement pour l’IE sur des documents. Pour cela, nous partons du jeu de données DocRED, que nous complétons avec des annotations sémantiques de haute qualité. Également, nous proposons un nouvel ensemble de métriques pour évaluer les modèles d’extraction d’information. L’évaluation de baselines sur Linked-DocRED met en évidence les complexités et les défis inhérents à l’IE sur des documents : erreurs en cascade, traitement de longs contextes et rareté de l’information. Nous présentons ensuite PromptORE, un modèle d’extraction de relations non supervisé et en monde ouvert. En adaptant le paradigme du prompt-tuning, PromptORE réalise la représentation et le clustering de relations sans nécessiter d’entraînement ni d’ajustement d’hyperparamètres (une faiblesse majeure des baselines précédentes) et surpasse de manière significative les modèles de l’état de l’art. Cette méthode démontre la faisabilité de l’extraction de relations sémantiquement cohérentes dans un contexte de monde ouvert. En généralisant notre approche basée sur les prompts, nous développons CITRUN, un NER non supervisé et fonctionnant en monde ouvert. En utilisant l’apprentissage contrastif avec des données étiquetées hors domaine, CITRUN améliore la représentation des types d’entités, surpassant les NERs non supervisés basés sur des LLMs, et atteignant des performances compétitives par rapport aux modèles zero-shot qui sont plus supervisés. Ces avancées facilitent l’extraction de connaissances à partir de documents non structurés, tout en tenant compte des contraintes pratiques du monde réel et en améliorant l’applicabilité des modèles d’IE dans des contextes industriels.

Informations techniques

Type de contenu : Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2024ISAL0111
Type de ressource : Thèse