Proposition de stage M2 recherche en informatique/TAL au Lattice
(http://www.lattice.cnrs.fr) à Montrouge (tout près de Paris)


Reconnaissance automatique des chaînes de coréférences

La reconnaissance des chaînes de coréférences dans les textes,
c'est-à-dire des portions de textes qui réfèrent à une même entité, est
une tâche importante du TAL. Elle a des incidences sur de nombreuses
autres tâches, comme la recherche et l'extraction d'information, le
résumé automatique, etc. Cette tâche a fait l'objet de nombreux
challenges mais, faute de données de référence en français, ils
portaient jusqu'à présent principalement sur des textes en anglais. L'an
dernier, la diffusion du corpus ANCOR (ANaphore et Coréférence dans les
Corpus ORaux, cf. Lefeuvre et al. 2014), constitué d'un ensemble de
transcriptions du français parlé annotées en coréférences, a permis de
lancer des premières expériences sur le français. Elles ont donné lieu à
un premier système, CROC (Coreference Resolution for Oral Corpus),
entraîné par apprentissage automatique sur ANCOR (Désoyer at al. 2015).
Mais ce système est encore rudimentaire : il fait l'hypothèse que les
mentions d'entités ont été préalablement reconnues dans les textes et se
contente donc de prédire leur regroupement en entités coréférentes. Pour
enrichir et améliorer ce système, plusieurs travaux sont envisagés :

- reconnaître automatiquement les mentions référentielles, qui
  coïncident plus ou moins avec les groupes nominaux présents dans les
  textes,

- reprendre les expériences qui ont donné lieu à CROC pour essayer
  d'améliorer ses performances.

La méthodologie employée fera dans tous les cas appel à de
l'apprentissage automatique supervisé (méthodes de classification ou
d'annotation).

Compétences requises :

- stage de niveau M2 en informatique ou en ingénierie linguistique ou
  école d'ingénieur,

- compétences en informatique : programmation, langage de script,
  manipulation de corpus,

- intérêt pour le Traitement Automatique des Langues,

- des compétences en apprentissage automatique seraient un plus.

Références :

Désoyer A, Landragin F, Tellier I, Lefeuvre A, Antoine J-Y, "Les
coréférences à l'oral : une expérience d'apprentissage automatique sur
le corpus ANCOR", à paraître dans TAL en 2015.

Landragin F, Schnedecker C (Eds.) "Les chaînes de référence", Langages
195, numéro de septembre 2014.

Lefeuvre A, Antoine J-Y, Schang E, "Le corpus ANCOR_Centre et son outil
de requêtage : application à l'étude de l'accord en genre et en nombre
dans les coréférences et anaphores en français parlé", Actes 4éme
Congrès Mondial de Linguistique Française (CMLF 2014), 2014.


Le stage peut durer de 4 à 6 mois au sein du Lattice, à partir de
février/mars 2015. Il sera co-encadré par Frédéric Landragin, Isabelle
Tellier (http://www.lattice.cnrs.fr/sites/itellier/) et Marco Dinarelli,
et sera financé au tarif stage de 435 euros mensuels.

Envoyer CV + lettre de motivation à frederic.landragin@ens.fr,
isabelle.tellier@univ-paris3.fr et marco.dinarelli@ens.fr