Stage Master 2

Biodiversité et pratique de recherche : extraction automatique de mots-
clés caractérisant les thématiques saillantes issues de données
textuelles

Durée : 5 à 6 mois à partir de février 2020

Encadrement : Mathieu Roche (TETIS) et Christian Leclerc (AGAP)

Contact : mathieu.roche@cirad et christian.leclerc@cirad.fr

Description :

De nombreux travaux de fouille de textes permettent (i) de faire
émerger les descripteurs linguistiques les plus significatifs (mots,
syntagmes) à partir d'un corpus puis (ii) de les regrouper. Ceci
permet de mettre en relief, de manière automatique, les thématiques
abordées dans les textes facilitant l'organisation et l'indexation des
documents, la recherche d'information, la compréhension et l'analyse
des textes. Il permet aussi de comparer, pour une période donnée, les
approches privilégiées par différentes unités de recherche, ou encore
de décrire l'évolution de ces approches au cours du temps. Cette
analyse portera sur Biodiversité et pratique de recherche au Cirad,
avec l'objectif d'appliquer la méthode à d'autres thématiques,
notamment le territoire et la mobilité.

La réalisation du premier point (identification des descripteurs
linguistiques significatifs) s'appuie, en grande partie, sur
l'utilisation de méthodes d'extraction de la terminologie à partir de
textes, en combinant méthodes linguistiques et statistiques pour
constituer une liste de descripteurs linguistiques. La deuxième étape
du processus consiste à utiliser ces descripteurs afin de mettre en
lumière les différentes thématiques abordées dans les textes. Pour
découvrir des structures thématiques "cachées" dans les corpus de
textes, les méthodes appelées "topic models" seront utilisées,
notamment, le modèle probabiliste génératif LDA, i.e. Latent Dirichlet
Allocation.

Dans ce contexte, les objectifs du stage sont déclinés selon 4
sous-tâches :

(1) Intégrer des outils de la littérature d'extraction de la
terminologie (en particulier BioTex -
http://tubo.lirmm.fr:8080/biotex) et des approches LDA dans le cadre
du développement d'un système générique et utilisable par des non
informaticiens.

(2) Intégrer et combiner des ressources sémantiques (vocabulaire
contrôlé) fournies par les utilisateurs aux méthodes d'extraction de
la terminologie.

(3) Étudier la valeur structurante des termes rares (queue de
distribution) associées aux fonctions de rangs propres aux systèmes
d'extraction de la terminologie. De nouvelles fonctions de rangs
pourront alors être proposées, pour mettre en valeur les termes rares
et pertinents.

Lieu et gratification :

Ce stage basé au Cirad à Montpellier (https://www.cirad.fr/) bénéficie d'une
gratification mensuelle de 580 euros.

Profil :
Master 2 ou École d'Ingénieur en Informatique / Science des Données