Extraction de données à partir des documents

La première tâche d’extraction de données de l’étape 1 extrait des données des documents. Son but est de peupler l’ontologie avec des assertions relatives aux propriétés dites propriétés des documents. Cette extraction est guidée à la fois par la terminologie de l’ontologie et par les contraintes exprimées dans l’ontologie sur les co-domaines des propriétés des documents.

Par exemple, pour la propriétéhasActivity, la contrainte <Destination,hasActivity,Activity> requiert que la valeur de co-domaine de la propriété hasActivityappartienne à l’extension de la classeActivity, c’est-à-dire qu’une assertion dehasActivitydoit avoir pour co-domaine une instance de la classeActivity(ou d’une de ses classes descendantes). À partir de cette contrainte, si le document décrivant une entité econtient des termes liés à une instance

a de Activity, alors l’assertion <e, hasActivity, a> est construite. La Figure 4.7 représente un extrait d’un document décrivant la République dominicaine. Les expressions scuba divers and diving sont des termes dénotant l’individu _diving, qui est une instance d’une sous-classe de la classe Activity. Donc l’assertion <Dominican_Republic,hasActivity, _diving> est ajoutée. Notons que dans l’ensemble de nos expérimentations, nous avons spécialisé les co-domaines de propriété pour éviter d’avoir deux propriétés (de type propriétés

des documents) avec le même co-domaine. L’approche devrait être étendue dans des travaux futurs pour prendre en compte les cas où une telle spécialisation est impossible.

Fig. 4.7 Extrait du document sur la République dominicaine annoté par GATE Pour effectuer cette tâche, nous utilisons le logiciel d’annotation GATE [Bontcheva et al. 2004, Cunningham et al. 2011], un logiciel open source capable d’effectuer beaucoup de tâches utiles en analyse de textes. GATE a été choisi pour sa capacité à utiliser une ontologie fournie en entrée, contrairement à d’autres outils comme Open Calais1 qui reconnaît des entités nommées, des faits ou des évènements dans les documents mais ne peut pas être utilisé avec une ontologie

44 Une approche de peuplement et d’enrichissement d’ontologie

externe.

La ressource GATE OntoRoot Gazetteer, combinée avec d’autres ressources génériques de GATE, peut produire des appariements, appelés lookups, entre des documents textuels et les éléments d’une ontologie donnée en entrée. Ce paragraphe expose brièvement2 le fonctionnement de GATE pour obtenir des lookups à partir d’une ontologie et d’un corpus de documents. GATE s’appuie sur les ressources ontologiques (classes, instances, propriétés) de l’ontologie fournie en entrée. Les noms des ressources ontologiques (fragments identificateurs des IRI ou bien valeurs des propriétés telles que le label par exemple) sont extraits de l’ontologie et insérés dans une liste. Un pré-traitement a lieu au préalable (remplacement, entre-autres, des caractères "-" et "_" par " "). Chaque élément de la liste créée est analysé par une application Onto Root composée de l’enchaînement de plusieurs ressources GATE (tokeniser, part-of-speech tagger, morphological analyser) et les racines obtenues sont sauvegardées. De même, des ressources GATE sont appliquées sur les documents du corpus pour connaître les racines des mots des textes. Ainsi, des lookups peuvent être trouvés en com-parant les termes (racines) de la liste issus des ressources ontologiques et ceux des textes.

La Figure 4.8 montre en rouge les lookups trouvés par GATE sur le document décrivant la République dominicaine. Ces lookups concernent tous les appariements possibles avec n’importe quel élément ontologique : classe, propriété, individu, via leur nom ou leur terminologie associée. Tous ces lookups ne sont pas forcément pertinents, en particulier, ceux concernant les noms de propriété ou de concept ne doivent pas conduire à une assertion de propriété. Par exemple, un lookup entre le mot "activity" dans un document et le concept Activity de l’ontologie ne sera pas considéré comme pertinent puisqu’il ne peut pas conduire à une assertion de propriété.

GATE peut être utilisé avec un traducteur JAPE, qui applique des règles JAPE (Java Annotation Patterns Engine). Dans notre contexte, les règles JAPE transforment les lookups qui nous intéressent, c’est-à-dire ceux portant sur la terminologie des individus instances de classes descriptives, en assertions de propriété. Les règles JAPE utilisées sont automatiquement construites à partir d’un patron, utilisable pour n’importe quelle ontologie donnée en entrée. Ce patron est décrit dans l’annexe A. L’idée du patron est de parcourir les lookups. La Figure 4.9 montre l’heuristique exprimée dans le patron générique : si un lookup concerne un individu i et que cet individu i est une instance d’une classe c (ou des descendants d’une classe c) qui est un co-domaine d’une propriété prop dite propriété des documents, alors on crée une assertion entre l’entité e du document concerné, la propriété concernée prop et l’individu concerné i, i.e., <e, prop, i>. Le patron JAPE générique est instancié pour chaque propriété dite propriété des documents, créant ainsi autant de règles JAPE que

4.2 Les tâches de l’approche 45

Fig. 4.8 Lookups trouvés par GATE sur le document traitant de la République domini-caine

de propriétés des documents. La Figure 4.10 montre des exemples de ce patron instancié.

Fig. 4.9 L’heuristique exprimée dans le patron JAPE générique

Un exemple des assertions obtenues pour l’entité "Dominican_Republic" est donné dans la Figure. 4.11. Notons que nous sommes dans un contexte où les documents décrivent les principales caractéristiques des entités et n’incluent pas d’expressions négatives qui pourraient perturber le processus. Ainsi, une tâche d’extraction d’informations telle que celle-ci est appropriée. Si nous devions étendre le contexte à d’autres types de documents, des améliorations seraient à faire sur cette tâche, mais cela ne remettrait pas en cause l’approche globale.

46 Une approche de peuplement et d’enrichissement d’ontologie

Fig. 4.10 Exemples de règles JAPE obtenues grâce au patron JAPE générique (sur l’ontologie des destinations)

4.2 Les tâches de l’approche 47