Skip to content
Retour aux résultats

Extraction d'information — Transformer le texte en enregistrements structurés

Type
NLP structured-information task

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'extraction d'information (EI) est une tâche de traitement automatique du langage naturel qui convertit du texte non structuré en informations structurées — telles que des événements, des relations et des attributs — afin que les faits enfouis dans des documents en format libre deviennent des enregistrements lisibles par machine.

La tâche a été consolidée dans des études initiales par Cowie et Lehnert (1996) puis par Grishman (2012).

L’intuition derrière la méthode

Un document raconte une histoire en langage naturel, mais une base de données a besoin de lignes et de champs bien définis. L'extraction d'information lit le texte comme un analyste soulignerait le qui, le quoi et le quand, puis inscrit ces éléments dans un schéma fixe. Au lieu de laisser les faits piégés dans la prose, la méthode extrait les entités et les relations entre elles et les présente sous forme d'enregistrements structurés sur lesquels on peut interroger.

Histoire

L'extraction d'information a été définie comme une tâche distincte de TALN dans les études de Cowie et Lehnert (1996), qui ont consolidé l'objectif d'extraire des faits structurés à partir de texte libre, et a été revisitée plus tard par Grishman (2012) dans le Handbook of Natural Language Processing. La tâche est passée de règles de correspondance artisanales à des modèles statistiques et appris pour trouver des entités, des relations et des événements.

Quand l’utiliser

L'extraction d'information est pertinente lorsque vous disposez de données textuelles et que vous devez les transformer en enregistrements structurés d'événements, de relations ou d'attributs, et lorsque vous pouvez définir une ontologie spécifique au domaine décrivant ce qu'il faut extraire. Un volume raisonnable de texte est utile — la méthode attend de l'ordre d'au moins cinquante documents. Sans données textuelles, ou sans schéma convenu de ce qui compte comme un fait, l'EI ne peut pas fonctionner.

Limites et points d’attention

  • Nécessite une ontologie spécifique au domaine clairement définie avant que l'extraction puisse commencer.
  • Nécessite une quantité suffisante de données textuelles ; des corpus très petits fournissent trop peu de signal.
  • La qualité de l'extraction dépend fortement de la manière dont le schéma et les motifs correspondent au langage du corpus.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Transforme le texte non structuré en enregistrements structurés et interrogeables d'événements, de relations et d'attributs.
  • Piloté par le schéma : l'ontologie permet de réorienter le même pipeline vers différents domaines.
  • Combine la correspondance de motifs basée sur des règles et des modèles entraînés, s'adaptant ainsi aux données et aux ressources disponibles.

Applications

  • Construction de bases de connaissances structurées à partir de grandes collections de documents.
  • Extraction d'événements et de leurs participants à partir d'archives d'actualités ou de rapports.
  • Capture de relations et d'attributs à partir de textes de domaines dans les domaines de la santé, des sciences sociales, de l'économie et des affaires.
  • Peuplement de bases de données avec des faits extraits de documents non structurés.

Comment ça marche

Comment ça marche

1

Une ontologie ou un schéma spécifique au domaine est défini au préalable : les types d'entités, les relations, les événements et les attributs que le système doit rechercher. Comme l'EI n'extrait que ce que le schéma décrit, cette étape détermine ce qui compte comme un fait digne d'être capturé dans un domaine donné.

2

Le texte brut est nettoyé et segmenté en unités analysables — phrases et jetons — afin que les modèles et les règles d'extraction opèrent sur une entrée cohérente. Sans cette normalisation, la correspondance en aval devient peu fiable.

3

Les entités, les relations, les événements et les attributs sont localisés dans le texte. Ceci est réalisé par des règles de correspondance de motifs sur la structure linguistique, par des modèles entraînés, ou par une combinaison des deux, chacun repérant les éléments définis dans l'ontologie.

4

Les éléments extraits sont assemblés en enregistrements structurés qui se conforment au schéma — remplissant les emplacements d'un événement, reliant les participants d'une relation, ou attachant des attributs à une entité. Le résultat est une information structurée lisible par machine extraite du texte non structuré original.

Pièges courants

  • Ignorer la conception de l'ontologie — sans schéma défini, le système n'a pas de cible et extrait des enregistrements incohérents ou dénués de sens.
  • Appliquer des motifs ou des modèles conçus pour un domaine à un autre dégrade la précision de l'extraction.
  • Négliger le prétraitement laisse des jetons bruités et des frontières de phrases brisées qui compromettent la correspondance en aval.
  • L'exécution sur trop peu de texte (bien moins de cinquante documents) produit trop peu d'exemples pour que les motifs ou les modèles fonctionnent de manière fiable.

Questions fréquentes

Quelle est la différence entre l'extraction d'information et la reconnaissance d'entités nommées ?

La reconnaissance d'entités nommées localise et étiquette uniquement des entités telles que les personnes, les lieux et les organisations. L'extraction d'information est plus large : elle identifie également les relations entre ces entités, les événements auxquels elles participent, et leurs attributs, et assemble tout cela en enregistrements structurés qui suivent un schéma.

Pourquoi ai-je besoin d'une ontologie avant de l'exécuter ?

L'ontologie, ou schéma, définit exactement ce qui compte comme un fait dans votre domaine — quels types d'entités, relations, événements et attributs rechercher. L'extraction d'information ne capture que ce que le schéma décrit, donc sans elle, le système n'a pas de cible et produit une sortie incohérente.

Ai-je besoin de données d'entraînement étiquetées ?

Cela dépend de l'approche. L'extraction basée sur des motifs ou des règles opère sur la structure linguistique et peut fonctionner sans exemples étiquetés, tandis que les modèles entraînés apprennent à partir de données annotées. De nombreux systèmes combinent les deux, de sorte que les données dont vous avez besoin varient selon la méthode choisie.

Quelle quantité de texte me faut-il ?

L'extraction d'information attend un volume raisonnable de texte — de l'ordre d'au moins cinquante documents. Avec beaucoup moins, les motifs et les modèles ont trop peu d'exemples pour extraire de manière fiable.

Méthodes associées

Sources

  1. Cowie, J. & Lehnert, W. (1996). Information Extraction. Communications of the ACM.

    Ouvrir la référence DOI
    Copié.
  2. Grishman, R. (2012). Information Extraction. In Handbook of Natural Language Processing.

    ISBN : 9781420085921
    Copié.