Prédiction de l’emplacement mentionné

Le deuxième axe de recherche porte sur la prédiction de l’emplacement men- tionné dans le texte. Celui-ci vise à associer des parties de textes issues des publi- cations en ligne avec des entités spatiales généralement répertoriées dans des bases de connaissances. En reprenant l’exemple illustré dans laFigure 2.12, ce deuxième axe de recherche aurait pour objectif de détecter l’emplacement nommé « Lady M » et de l’associer avec son entité spatiale correspondante, le Lady M de Singapour, une boutique de gâteau. Cette association permet d’augmenter le contenu des publications avec du contexte géographique ouvrant la voie à une multitude d’ap-

2 r é s o l u t i o n d e l a p o r t é e g é o g r a p h i q u e d e s g é o t e x t e s 37

plications. En effet, sur les RSNs, les utilisateurs publient régulièrement des mes- sages pour commenter des lieux d’intérêts, tels que des restaurants, des centres commerciaux ou des parcs. De plus, lors de catastrophes naturelles ou d’événe- ments, les réseaux sociaux sont aussi largement utilisés pour diffuser l’informa- tion au près des utilisateurs. En plus d’attacher un géotag à leurs publications, les utilisateurs peuvent révéler les zones touchées en les mentionnant directement. La reconnaissance des lieux mentionnés est donc une étape cruciale pour recueillir des informations sur les utilisateurs et les événements (Lingad et al.,2013; Imran et al.,2015).

La prédiction de l’emplacement mentionné s’effectue en deux étapes : (1) la reconnaissance d’entités nommées, qui consiste à extraire les morceaux de textes qui mentionnent des lieux ; et (2) la désambiguïsation, qui met en correspondance les mentions de lieux avec les bonnes entrées dans une base de connaissance. Les problèmes de la reconnaissance d’entités nommées et de la désambiguïsation ont largement été étudiés pour des documents classiques et bien écrits, tels que des articles de presses ou des documents Wikipedia (Shaalan,2014). Il est connu que

la variabilité et l’ambiguïté des mentions d’entités sont deux difficultés majeures inhérentes à cette tâche. Néanmoins, avec les publications sur les RSNs, ces deux aspects sont rendus plus difficiles à appréhender, du fait de la nature bruitée et courte des publications.

2.2.1 Reconnaissance de l’emplacement mentionné

Pour déterminer l’emplacement mentionné dans les publications, la première étape consiste à reconnaître les parties de textes qui mentionnent des lieux, c’est la reconnaissance d’entités nommées (NER). Traditionnellement, les modèles dé- veloppés pour ce type de tâche utilisent des algorithmes d’apprentissage tels les champs aléatoires conditionnels, ou Conditional Random Fields (CRFs) (Lafferty et al., 2001) s’appuyant sur des caractéristiques linguistiques (p. ex. étiquettes

morpho-syntaxiques). Des modèles tels que StanfordNER ou OpenNLP ont obtenu de très bonnes performances pour reconnaître les entités dans des textes formels (Ratinov et Roth,2009). Néanmoins,Gelernter et Mushegian(2011) ont remarqué

que l’utilisation de ces modèles sur les textes issus des RSNs n’ont pas permis de détecter avec précision les entités, dont les noms de lieux, en particulier lors- qu’elles étaient abrégées de manière inhabituelle ou que les majuscules sur les noms de lieux étaient absentes.

Plusieurs travaux de recherche (Ritter et al., 2011;Liu et al.,2011; Li et al.,2012; Liu et al., 2013; Lingad et al., 2013) ont pallié ces limites. Ritter et al. (2011) ont

proposé de reprendre le processus pour la NER en l’adaptant aux tweets. Pour cela, ils ont utilisé la classification de Brown (Brown et al., 1992) afin d’identifier

des groupes de variations des mots (p. ex. « at » et « @ »), et un second classifieur pour déterminer si chaque lettre en capitale dans un tweet est informative. De même, Liu et al.(2011, 2013) ont proposé un modèle de normalisation de tweets

permettant de corriger les mots informels avant d’effectuer la NER. Les auteurs ont ensuite entraîné un classifieur s’appuyant sur la méthode des k plus proches voisins pour alimenter le modèle de NER avec des informations globales, c.-à-d. comment le mot est étiqueté dans d’autres documents. Lingad et al. (2013) ont

quant à eux réentraîné quatre outils de NER (StanfordNER, OpenNLP, TwitterNLP et Yahoo ! Placemaker) avec des tweets relatifs à des catastrophes.

Hormis les approches détaillées ci-dessus, qui font de la reconnaissance d’enti- tés générales, d’autres travaux se caractérisent par la reconnaissance d’entités géo- graphiques exclusivement, et l’utilisation de bases de données géographiques (ou gazetteers), tels que Geonames (Zhang et Gelernter,2014;Malmasi et Dras,2015) ou

Foursquare (Li et Sun,2014,2017).Zhang et Gelernter(2014) s’appuient sur un ou-

til de reconnaissance qu’ils ont développé. Ils utilisent conjointement un analyseur syntaxique de localisation reposant sur un index géographique, un outil de recon- naissance établi sur le CRF, et un second analyseur syntaxique de rue/immeuble construit à partir de règles. Contrairement au travail précédent,Malmasi et Dras

(2015) n’utilisent pas de CRF dans leur outil de reconnaissance des mentions de

lieux. Ils se sont orientés vers un analyseur de dépendances pour identifier toutes les phrases nominatives, et effectuent un appariement approximatif avec les don- nées contenues dans Geonames. Leurs critères d’appariement prennent en compte les structures des adresses et des POIs. Li et Sun (2014, 2017) ont quant à eux

remarqué que les utilisateurs de Twitter mentionnent souvent des lieux par des abréviations. Ils ont donc choisi d’étendre leur index géographique avec les noms partiels des POIs fréquemment rencontrés dans les publications.

2.2.2 Désambiguïsation de l’emplacement mentionné

Une fois les mentions de lieux reconnues, nous pouvons commencer la désa- mbiguïsation, c.-à-d. associer correctement ces mentions aux entrées d’une base de données géographiques. La difficulté réside dans le fait que différents lieux peuvent avoir les mêmes noms, et ce, à différents niveaux de granularité. Par exemple, le terme « Paris » peut se référer à la capitale de la France, ou à l’une des trente villes qui portent le même nom à travers le Monde. À un niveau plus précis, celui du POI, les chaînes de restaurants peuvent avoir de nombreuses suc- cursales dans une même ville.

Traditionnellement, les modèles désambiguïsent une mention à la fois (Milne et Witten, 2008). Pour exploiter les dépendances entre les mentions, des approches

2 r é s o l u t i o n d e l a p o r t é e g é o g r a p h i q u e d e s g é o t e x t e s 39

sont proposées. Ces approches supposent que les décisions de désambiguïsation pour les mentions multiples doivent être cohérentes. Ainsi, Zhang et Gelernter

(2014) proposent de considérer la structure hiérarchique des lieux pour aider à

la désambiguïsation. Les candidats potentiels sont ordonnés à l’aide d’un classi- fieur linéaire, le séparateur à vaste marge (SVM).Li et Sun(2014) optent pour une

cohérence de désambiguïsation, non pas au niveau du tweet, mais au niveau de l’utilisateur. Ils supposent que les lieux mentionnés dans les tweets d’un utilisa- teur se trouvent généralement dans sa ville de résidence. Ils commencent donc par identifier la ville de résidence de l’utilisateur en agrégeant les lieux candidats déterminés à partir des mentions, puis affinent ces candidats avec la ville de ré- sidence.Ji et al. (2016) ont étudié la désambiguïsation collective des mentions de

POIs dans les tweets. Leur mesure de cohérence s’appuie sur la distance moyenne entre les POIs candidats sélectionnés pour les mentions reconnues.

Dans les approches conventionnelles, la désambiguïsation des lieux s’appuie sur les résultats de l’étape de reconnaissance des entités nommées. Si ces derniers sont erronés, par exemple avec des limites inexactes, la désambiguïsation peut échouer en raison de l’incapacité à trouver des candidats potentiels dans la base de don- nés géographique. Pour palier cela, des auteurs (Guo et al., 2013; Ji et al., 2016)

suggèrent de permettre à l’information de circuler entre les deux composants, de reconnaissance et de désambiguïsation. Guo et al. (2013) utilisent des SVMs

pour optimiser conjointement la reconnaissance des mentions et leur désambiguï- sation. De même,Ji et al.(2016) considèrent conjointement les caractéristiques des

deux composants et déterminent à l’aide de l’algorithme de recherche en faisceau (Zhang et Clark, 2008), la meilleure combinaison pour prédire correctement les

lieux mentionnés.

Comme pour la prédiction de l’emplacement de l’utilisateur (Section 2.1), des informations contextuelles peuvent être explorer pour désambiguïser les mentions de lieux (Fang et Chang,2014;Han et al.,2018). Par exemple,Fang et Chang(2014)

ont considéré conjointement les géotags et les dates de publication des tweets pour désambiguïser les mentions.Han et al.(2018) ont proposé une approche non-

supervisée, s’appuyant sur un réseau bayésien pour modéliser les relations entre les géotags des tweets et les lieux mentionnés.