Offre de stage recherche Master 2 informatique

Combinaison de méthodes distributionnelle et d'extraction terminologique
pour l'adaptation de ressources terminologiques

Niveau : Master 2 informatique 
Date de début : avril, mai 2015
Durée : 4-6 mois

Mots clefs: extraction terminologique, ressources linguistiques,
méthodes distributionnelles

Contexte :
L'extraction d'information mise en oeuvre sur des textes de spécialité
(articles scientifiques biomédicaux, dossiers patients, textes de loi,
etc.) s'appuie sur des corpus annotés fournissant des exemples d'entités
à retrouver. Pour améliorer leur couverture sur de nouveaux textes, il
est possible d'utiliser des ressources terminologiques recensant les
termes du domaine du corpus et des informations sémantiques associées
[2, 7]. Cependant, ces ressources ne sont pas suffisantes [1, 6] et
nécessitent un important travail d'adaptation au corpus et aux types
sémantiques des entités devant être identifiées. Pour répondre à cette
phase de constitution de ressources adaptées, il est envisageable
d'exploiter des méthodes d'extraction de termes et d'analyse
distributionnelle [3, 4].

Objectif :
L'objectif du stage est de proposer une approche visant à combiner une
méthode d'extraction de termes avec une approche distributionnelle pour
constituer une ressource adaptée au corpus, associant des termes
extraits automatiquement et des informations sémantiques correspondant
aux types des entités sémantiques visées. L'analyse des regroupements
distributionnels sera également le moyen d'identifier les termes pouvant
être polysémiques.
Les contextes distributionnels exploités pourront avoir des natures
diverses (fenêtres graphique [+/- n mots avant et après un mot central],
fenêtres syntaxiques [chemins partagés dans le graphe de dépendance] ou
encore rôles śemantiques issus d'un système de SRL). Ils permettront de
rapprocher des termes ou des schémas de termes présentant des
similarités non immédiatement explicites.  L'apport de différentes
représentations sémantiques dans un contexte distributionnel sera
également évalué. Ces représentations sémantiques pourront être des
ontologies ou bases de connaissances du domaine (UMLS dans le domaine
ḿedical par exemple) ou des bases de connaissances plus générales
(typiquement le réseau lexical WordNet).
Les traitements linguistiques seront effectués à l'aide des outils
disponibles dans les deux laboratoires (analyseur linguistique libre
LIMA [5], extracteur de termes YaTeA [8], etc.).

L'évaluation de l'approche sera réalisée dans plusieurs langues
(notamment anglais et français), et s'appuiera sur des corpus
disponibles comme les corpus biomédicaux (I2B2, SemEval, Clef-eHealth).

Une poursuite en thèse pourra être envisagée en fonction de l'obtention
d'un financement.

Lieu : dans l'un ou l'autre des laboratoires des encadrants, situés à
       2 km l'un de l'autre,
LIMSI/CNRS, Bât. 508, Université Paris XI, Rue John Von Neumann, Orsay
ou
CEA LIST, LVIC, Centre d'intégration Nano-INNOV, av. de la Vauve,
Palaiseau

Financement : Financement Labex DiGiCosme
              Le stage sera rémunéré selon les règles en vigueur.

Encadrants : Thierry Hamon (LIMSI/CNRS) et Gaël de Chalendar (CEA LIST)

Profil du candidat:
Le stage de recherche est destiné à un étudiant en Master 2
informatique.
- Int́erêt pour le TAL
- Connaissance (ou sensibilisation)
  - des méthodes d'acquisition terminologiques
  - des méthodes d'analyse distributionnelle
- Utilisation habituelle de Linux
- Goût pour la recherche et l'expérimentation

Contact : Merci d'envoyer un CV, une lettre de motivation, les notes
          de Master et les coordonnées de référents 
          à thierry.hamon at limsi.fr et gael.de-chalendar@cea.fr
          avant le 21 février 2015

Références :

[1] Olivier Bodenreider, Thomas C. Rindflesch, and Anita
    Burgun. Unsupervised, corpus-based method for extending a biomedical
    terminology. In Workshop on Natural Language Processing in the
    Biomedical Domain (ACL2002), pages 53-60, 2002.
[2] Kevin Bretonnel Cohen and Dina Demner-Fushman. Biomedical Natural
    Language Processing. John Benjamins publishing company, 2013.
[3] James R. Curran. From distributional to semantic similarity. Phd
    thesis, University of Edinburgh, 2004.
[4] R. Grishman and Y. He. An information extraction customizer. In
    P. Sojka et al., editor, Proceeedings of the conference Text, Speech
    and Dialogue, number 8655 in LNAI, pages 3-10, 2014.
[5] https://github.com/aymara/lima/wiki
[6] Alexa T. McCray, Allen C. Browne, and Olivier Bodenreider. The
    lexical properties of the gene ontology (GO). In Proceedings of the
    AMIA 2002 Annual Symposium, pages 504-508, 2002.
[7] S. M. Meystre, G. K. Savova, K. C. Kipper-Schuler, and
    J. F. Hurdle. Extracting information from textual documents in the
    electronic health record: a review of recent research. IMIA Yearbook
    of Medical Informatics, 42(5):923-936, 2008.
[8] http://search.cpan.org/~thhamon/Lingua-YaTeA/