Intitulé du stage : « Extraction non-supervisée des bases de
connaissances à partir d'un corpus de Dialogue.»

Entité : Orange Labs (Lannion). Equipe NADIA (Natural Language Dialogue)
Contact : Lina Rojas (linamaria.rojasbarahona@orange.com)


Synthèse de la mission :

Le corpus DATCHA est une collection de conversations entre les
opérateurs et les clients du service d'assistance du web chat Orange. Le
corpus comprend des annotations linguistiques: syntaxiques, sémantiques,
etc. [1].

Néanmoins, il n'y a pas d'annotations qui décrivent le sujet de la
conversation. Par exemple : le problème à résoudre, les étapes
nécessaires au diagnostic et à la résolution du problème. Les ontologies
spécifiques au domaine ont un rôle central dans les systèmes de
dialogue.

Plusieurs méthodes d'apprentissage non supervisées ont été utilisées
pour le traitement automatique des langues : clustering, co-clustering
[2], la sémantique distributionnelle [3], l'analyse sémantique latente
(LSA) [4], l'allocation de Dirichlet latente (LDA) [5] ainsi que des
techniques de deep learning (Restricted Boltzmann Machines [6] et
Variational Autoencoders [7]).

L'objectif de ce stage est d'appliquer une méthode non supervisée de
deep learning pour l'extraction des connaissances du domaine à partir du
corpus DATCHA et de la comparer aux autres solutions disponibles
(co-clustering et LDA). Parmi les connaissances à extraire on trouvera
les concepts qui décrivent les services, le script du diagnostic, les
solutions adoptées. Il sera tout à fait possible d'utiliser les
annotations disponibles comme les annotations en actes de dialogue.



[1] Damnati, G., Guerraz, A. & Charlet, D. Web chat conversations from
contact centers: a descriptive study. In LREC (2016).

[2] Boullé, M. Data grid models for preparation and modeling in
supervised learning. In Guyon, I., Cawley, G., Dror, G.  & Saffari,
A. (eds.) Hands-On Pattern Recognition: Challenges in Machine Learning,
volume 1, 99-130 (Microtome Publishing, 2011).

[3] Lund, K. & Burgess, C. Producing high-dimensional semantic spaces
from lexical co-occurrence. Behav. research methods, instruments, &
computers 28, 203-208 (1996).

[4] Dumais, S. T. Latent semantic analysis. Annu. review information
science technology 38, 188-230 (2004).

[5] Blei, D. M., Ng, A. Y. & Jordan, M. I. Latent dirichlet
allocation. J. machine Learn. research 3, 993-1022 (2003).

[6] Larochelle, H. & Bengio, Y. Classification using discriminative
restricted boltzmann machines. In Proceedings of the 25th international
conference on Machine learning, 536-543 (ACM, 2008).

[7] Kingma, D. P. & Welling, M. Auto-encoding variational bayes. arXiv
preprint arXiv:1312.6114 (2013).

Détail de la mission :
L'objectif de votre travail de recherche sera de :

- Analyser le corpus DATCHA et ses annotations.
- Implémenter une solution non supervisée du deep learning pour extraire
  les concepts spécifiques aux domaines du DATCHA
- Comparer votre modèle avec des solutions internes Orange
  (co-clustering) ou disponibles dans les modules python (LDA).

Vous réalisez vos travaux au sein d'une équipe pluridisciplinaire menant
à la fois des activités de recherche et de développement logiciel.

Profil / Compétences :

Dans le cadre de votre formation bac+5 (école ingénieur ou master 2
informatique ou statistiques), vous êtes à la recherche d'un stage de 6
mois.
- Vous avez des connaissances en statistiques et informatique.
- Des connaissances en Python sont impératives.
- Des connaissances en apprentissage statistique sont requises.


Lina Rojas
IMT/OLS/DIESE/DIA/NADIA
Senior Research Engineer/Ingénieure de recherche senior IA&Dialogue
tél. +33 (0)2 96 07 04 10
linamaria.rojasbarahona@orange.com