Stage M1/M2Pro/M2R : Analyse temporelle de pages web d'information.

Mots-clés : traitement automatique de la langue, classification,
analyse temporelle

Durée : 2 à 6 mois

Niveau : Master 1 ou Master 2 (professionnel ou recherche), fin
d'école d'ingénieur

Le contenu et l'ambition du stage pourront être modulés en fonction du
niveau d'étude et de la durée du stage du candidat.

Contexte

L'analyse temporelle de textes d'information a pour but général de
mieux localiser dans le temps les événements décrits dans ces textes,
et donc d'alimenter de façon plus précise des moteurs de recherche ou
des outils d'extraction d'information. Pour cela, la première étape
est de détecter correctement les expressions temporelles de ces
textes. Ces expressions temporelles peuvent être des dates absolues,
c'est-à-dire que l'on peut placer sans ambiguïté sur l'axe des temps
(par exemple, le 14 juillet 1789), mais aussi des dates relatives, qui
nécessitent une phase de résolution ou de normalisation (par exemple,
le 14 juillet dernier, mardi, il y a deux jours ou deux jours
avant). On devine que cette normalisation nécessite au minimum de
connaître la date à laquelle le document a été écrit.

Les techniques d'analyse temporelle des textes ont fortement progressé
ces dernières années, mais s'attachent en général au traitement
d'articles de journaux sous forme structurée, dans lesquels le contenu
et les metadonnées sont clairement identifiés. Dans le cas de pages
web, il est beaucoup plus difficile de distinguer les informations
pertinentes (date de création, auteurs, titre et texte de
l'article...) des données annexes comme les menus, les publicités, les
légendes d'images. Des outils de nettoyage de pages existent, mais ils
ne sont pas assez précis pour les tâches que nous souhaitons
accomplir.  Travail à réaliser :

Selon le niveau d'étude de la personne choisie, nous pourrons nous
intéresser à une ou plusieurs des problématiques suivantes :

    Extraction de la date de création des pages d'information, et
    d'autres métadonnées éventuellement pertinentes

    Améliorations ciblées du nettoyage des pages web issues des sites
    d'information

    Utilisation et adaptation des outils d'analyse temporelle sur les
    pages web nettoyées

On utilisera un corpus de plusieurs millions de pages web en français
et en anglais.

Le stagiaire devra avoir de bonnes compétences en informatique. Des
connaissances en traitement automatique de la langue et en
apprentissage automatique seront un plus.

Durée : 2 à 6 mois
Niveau : Master 1 ou Master 2 (professionnel ou recherche)
Contacts :
Veronique.Moriceau[at]limsi.fr
Xavier.Tannier[at]limsi.fr