Plateforme d'exploration de contenu textuel

Réf. : Stage-2018-NLP

Durée : 6 mois

Date de démarrage : ASAP 2018

ENVIRONNEMENT

Créée en 2000, Linagora (http://linagora.com) se positionne
aujourd'hui comme le leader français de l'Open Source.  Son but est de
promouvoir l'Open Source auprès des institutions publiques et privées
et d'accompagner ses clients vers leur indépendance numérique, en
proposant des produits de haute qualité, fruit du travail de
collaborateurs passionnés.  En pleine croissance et déjà présente sur
quatre continents, LINAGORA est à la recherche de nouveaux talents,
amoureux des technologies Libres et Open Source. Venez rejoindre une
équipe chaleu- reuse et une ambiance stimulante !

Notre métier :

- L'édition de logiciels Open-Source innovants et répondant aux
besoins actuels et futurs du marché (bureau virtuel, assistant
intelligent pour l'entreprise, middleware SOA, sécurité, gestion des
identités).

- La prestation de services pour accompagner les grands projets
  Open-Source : conseil, intégration/développement, maintenance,
  formation des utilisateurs.

CONTEXTE

Mots-clés : Traitement Automatique de la Langue (TAL) / Natural
Laguage Processing (NLP), annotation sémantique, indexation,
SolrTextTagger, Kibana, EalsticSearch, Open Linked Data

La société Linagora (http://linagora.com) propose dans le cadre de son
projet de recherche Open-PaaS:NG des outils open-source innovants pour
améliorer le travail collaboratif en entreprise. La plate-forme
OpenPaaS (http://open-paas.org) est un outil de travail collaboratif
proposant plusieurs services tels que : gestion des mails et des
agendas partagés, édition collaborative temps-réel de documents, chat
et réseau social d'entreprise.

Dans ce contexte, nous nous intéressons aux ressources textuelles de
cette plate-forme (emails, documents, pièces jointes dans les emails,
etc.). Nous voulons mettre en place un outil d'extraction de données
sémantiques (mots-clés, concepts et entités nommées) open-source.

MISSION

Vous serez intégré au Linagora Labs (https://research.linagora.com) au sein d'une équipe de re-
cherche pluridisciplinaire à forte composante Intelligence Artificielle.

Le contenu informationnel sous forme textuelle est prédominant dans
l'environnement des entreprises (mails, documents administratifs, CV,
comptes rendus de réunions, etc.). Ce type de contenu représente une
source riche en informations clés (chiffres clés de transactions, des
adresses mails, des contacts, etc.).

Paradoxalement, ce contenu est rarement exploité :

- En raison de la volumétrie usuelle de ces données, il est rarement
  possible d'exploiter manuellement ce contenu.

- En raison de la complexité de la structuration des données
textuelles, les technique traditionnelles de fouille de données ne
permettent pas d'en réaliser un traitement automatisé.

Dans ce contexte, les outils de Traitement Automatique de la Langue
(TAL / NLP) offrent une solution viable d'exploration et
d'exploitation de contenus textuels. En effet, ils permettent
d'extraire du texte des indicateurs saillants (termes, relations
lexicales, verbes, etc.). Pour cela, ces outils de TAL peuvent
s'appuyer sur des ressources externes comme des dictionnaires
d'entités nommées (Personnes, Lieux, Organisations) pour localiser des
indices précis. C'est ce que nous appelons l'annotation de textes.

Dans le cadre de ce stage, nous nous intéresserons plus précisément à
l'utilisation de dictionnaires sémantique ouverts (Open Linked Data)
comme DBPedia, Wikidata, Yago et FreeBase pour annoter sémantiquement
des documents textuels.

- Première objectif du stage : Tout d'abord, le stagiaire devra
recenser les principales ressources de données ouvertes exploitables
et de mettre en place un outil d'annotation sémantique capable
d'utiliser ces dictionnaires. La difficulté à lever est la volumétrie
des Open Linked Data (plusieurs millions d'entrées) et la
désambiguïsation des annotations polysémiques (exemple : Paris comme
Ville et Paris comme une Personne) .

- Deuxième objectif du stage : Le deuxième objectif du stage est de
mettre en place un outil d'exploration graphique des résultats de
l'outil d'annotation. Pour cela le stagiaire réalisera un état des
lieux de l'existant, identifiant les outils d'indexation et de
visualisation des indexes, tels que par exemple Kibana, solr,
ElasticSearch ... A l'issu de ce travail, l'outil cible sera choisit
collectivement Il devra définir des tableaux de bord à partir des
Charts disponibles. La difficulté à lever est la création d'un index
Solr à partir des annotations extraites.

PROFIL

Vous êtes issu d'une formation supérieure bac+5 et êtes en recherche
d'un stage de fin d'étude.

Vous disposez de :

1. Bonnes compétences en programmation Python ou Java. Connaître le
langage Scala serait un plus ;

2. Bonnes connaissances et compétences en Traitement Automatique des
Langues. La maîtrise d'un ou de plusieurs API (comme core nlp, spacy
python, GATE, etc.) et extracteurs d'entités nommées (comme Gate,
DBPedia spotlight, Duckling Facebook, etc.) serait un plus ;

3. Des compétences en Machine Learning et Deep learning seraient un
plus.

Vous saurez vous montrer passionné, rigoureux ainsi que faire preuve
d'autonomie. Vous avez un goût certain pour la découverte et
l'expérimentation, vous êtes force de proposition et êtes capable
d'argumenter vos choix techniques. Vous partagez notre choix de
privilégier des logiciels libres et de contribuer aux communautés
d'utilisateurs (listes, FAQ, HOWTO)

INFORMATIONS PRATIQUES

Contacts

Zied Sellami, Jean-Pierre Lorré

zsellami@linagora.com, jplorre@linagora.com

Lieu du stage - Durée Toulouse - 6 mois

Société Linagora

Website : https://research.linagora.com / Twitter : @LinagoraLabs