Le Laboratoire d'Informatique de l'Université du Mans (LIUM) recherche
un stagiaire de Master (6 mois) pour un projet en lien avec l'indexation
et la fouille de documents d'un corpus métier SNCF.

*Sujet *: Apprentissage automatique et TAL pour l'indexation de
documentation technique

*Contexte du stage* : Au Mans, laboratoire LIUM, équipe LST, financement
sur projet encollaboration avec la SNCF

*Mots-clés :* Apprentissage supervisé, traitement automatique de la
langue naturelle, indexation, lexique technique, documentation métier

------------------------------------------------------------------------

Sujet de stage recherche Master 6 mois

Titre : Apprentissage automatique et TAL pour l'indexation de
documentation technique

Encadrant(s) : Nathalie Camelin nathalie.camelin@univ-lemans.fr, Nicolas
               Dugué nicolas.dugue@univ-lemans.fr

Contexte du stage : Au Mans, laboratoire LIUM, équipe LST, financement
sur projet en collaboration avec la SNCF

Mots-clés : Apprentissage supervisé, traitement automatique de la langue
naturelle, clustering

Sujet du stage

Le groupe SNCF connaît actuellement une transformation digitale et se
tourne de plus en plus vers des technologies susceptibles de faire appel
à de l'intelligence artificielle appliquée au traitement d'informations
écrites ou orales. La documentation métier est aujourd'hui en pleine
mutation, avec des métiers qui se digitalisent, plus mobiles et de
nouveaux modes de consommation de l'information. Divers projets internes
ont permis d'enclencher une transition vers le numérique, pour trouver
la juste information au bon moment. Au-delà de la numérisation des
documents se pose la question de nouveaux systèmes intelligents d'accès
aux contenus, d'aide à l'interprétation et à la saisie. L'objectif du
projet dans lequel s'inscrit ce stage est ainsi d'identifier, de
maquetter et d'évaluer des solutions capables d'enrichir les initiatives
actuelles de documentation numérique. Les champs d'application sont
l'aide à la rédaction, la recherche d'information et la navigation dans
les contenus textuels.

Dans ce contexte, le stage a pour objectif d'étudier des méthodes pour
l'indexation fine de cette documentation numérique. En particulier, il
s'agit d'étudier les méthodes existantes (tf idf, zipf law, glove, lsa)
et de fournir des outils capables de décrire ces documents au contenu
technique via des mots-clés issus du vocabulaire métier. Cette
description doit pouvoir ensuite être utilisé pour réaliser des
traitements tels que des regroupements thématiques de documents.

Pour réaliser ce travail, nous disposerons d'un lexique incomplet qui
pourra notamment être utilisé comme base d'apprentissage pour entraîner
un algorithme à détecter le vocabulaire technique. Dans ce cas, nous
pouvons reformuler ce problème comme un problème de détection d'entités
nommées spécifiques liées au vocabulaire technique de la SNCF.

Bibliographie

Pennington, J., Socher, R., & Manning, C. (2014). Glove: Global vectors
for word representation.  In Proceedings of the 2014 conference on
empirical methods in natural language processing (EMNLP) (pp. 1532-1543)

Ferrer i Cancho, R., & Solé, R. V. (2001). Two Regimes in the Frequency
of Words and the Origins of Complex Lexicons: Zipf's Law
Revisited. Journal of Quantitative Linguistics, 8(3), 165-173.

Deerwester, S., Dumais, S. T., Furnas, G. W., Landauer, T. K., &
Harshman, R. (1990). Indexing by latent semantic analysis. Journal of
the American society for information science, 41(6), 391.

Leaman, R., & Gonzalez, G. (2008, January). BANNER: an executable survey
of advances in biomedical named entity recognition. In Pacific symposium
on biocomputing (Vol. 13, pp. 652- 663).