Ontologies: Perl est une planète du système solaire

Ces temps-ci je travaille sur Wikipedia, qui constitue à la fois une aventure humaine sans précédent (je n'aurais pas parié deux cents sur sa survie il y a quelques années) et un réservoir de ressources fantastiques pour le traitement automatiques des langues. C'est en particulier une immense ontologie, c'est-à-dire un arbre structuré des connaissances, comme on rêve d'en constituer depuis les siècles des siècles (amen). J'y ai fait allusion dans ma dernière diapo ici : on cherche depuis les Sumériens, en passant par Raymond Lulle, Leibnitz et les Encyclopédistes — et le Web sémantique est la dernière invention en date qui vise à organiser le grand Tout.

L'arbre de connaissances de Wikipedia est navigable en ligne :

• version anglaise
• version française

Ce sont des URL intéressantes à connaître (je pense aux profs de lycée : quelle source magnifique de travaux pratiques !).

Vous connaissez peut-être le langage de programmation Perl — je suis un big fan, mais ce serait le sujet d'un autre billet. Je me suis servi de la page correspondante sur Wikipedia (en) comme test pour déterminer si j'arrivais correctement à trouver sa place dans l'arbre des connaissances wikipédien avec mes petits programmes entièrement roulés à la main.

Suivons ensemble les liens de catégories en remontant dans l'arbre. Les liens sont donnés en bas de page : la page Perl appartient à toutes ces catégories :

Categories: Perl | Curly bracket programming languages | Dynamic programming languages | Dynamically-typed programming languages | Free compilers and interpreters | Free software programmed in C | Procedural programming languages | Object-oriented programming languages | Scripting languages | Text-oriented programming languages | Unix programming tools | Cross-platform software | American inventions

Ah... donc apparemment ce n'est pas un arbre. Ou alors c'est un de ces banians indiens auxquels j'ai déjà fait allusion à plusieurs reprises, dont les branches peuvent se rejoindre, et se fusionner... Mais peu importe, si on n'a pas de boucle (je ne veux pas faire le pédant, mais donc si on a un graphe acyclique dirigé), on peut s'en sortir pour bâtir une ontologie. C'est assez classique :

Mais cela demande quand même un peu de soin dans la construction des liens, et on s'y perd vite.

Suivons donc les liens de notre page Perl. C'est une invention américaine. Ok. Je remonte. Pour ne pas vous la faire trop longue, je vous donne le chemin que j'ai suivi au hasard parmi tous les possibles :

• Perl
• American inventions
• Inventions by country
• Categories by country
• Countries
• Earth
• Planets of the Solar System

Perl est donc une planète du système solaire. CQFD.


Ne croyez pas que ce soit un exemple isolé. C'est en fait de loin la règle, vu la complexité immense du graphe. Dommage... Cela veut dire qu'il reste un travail gigantesque pour arriver à exploiter Wikipedia. En tout cas, par des moyens automatiques, c'est difficile. Il faut saluer l'effort (sans précédent dans l'histoire de l'Humanité, je le répète), que constitue cette entreprise, mais si l'on veut exploiter correctement les connaissances qui s'y trouvent, il va falloir un peu de structuration...

TAL: Reconnaissance des entités nommées

Philippe Yonnet m'a invité à parler du problème de la reconnaissance des entités nommées à SEO Campus 2010 (samedi après-midi : j'aurai peut-être le plaisir de rencontrer certains d'entre vous). C'est un des problèmes difficiles, mais très importants du traitement automatique des langues (TAL) : il s'agit en gros de la reconnaissance des noms de personnes, d'entreprises, produits et marques, des toponymes, etc. — toutes choses que vous m'avez vu faire ou commenter sur ce blog (par exemple dans les nuages de buzz).

Je mets mes diapos ci-dessous. Il n'y a pas le son, mais peut-être pourrez-vous en tirer quelque chose quand même... J'en reparlerai certainement un de ces jours plus en détail !

Jean Veronis - 2010 Seo Campus

View more presentations from aixtal.

Moteurs: Recherche géographique sur Orange

Vous savez que je ne rate jamais une occasion de souligner qu'il n'y pas que Google sur la Terre, fût-elle virtuelle. On fait de la très belle techno du côté de Mountain View, avouons-le (et un très beau marketing), mais cette tendance à la pensée unique 2.0 m'effraie un peu. J'aime bien la diversité. Voici donc des nouvelles d'un petit moteur gaulois, qui résiste encore (et toujours) à l'envahisseur...

Orange vient de mettre en ligne sa fonction de recherche géographique. Tapez "Quelle est la capitale de l'Australie ?", "Quelle est la population du Liechtenstein ?" ou "Quelle est la monnaie de l'Islande ?" dans lemoteur.fr et vous aurez la réponse à vos questions. Vous n'avez pas besoin de taper tout ça, d'ailleurs, tapez seulement "capitale australie", "population liechtenstein", "monnaie islande" et le résultat sera le même.

Oui, j'entends déjà les commentaires. Google le fait... Ok. Mais comme souvent, Google le fait à peu près, et dans ce cas précis notre technologie gauloise le fait mieux, même s'il reste encore et bien sûr de petites améliorations à apporter (c'est un problème difficile).

Cherchez par exemple "prince monaco" sur orange :

 

 et sur Google :

 

Quand Google n'est pas complètement à côté de la plaque...

Mais surtout, ce qui me paraît intéressant c'est qu'Orange va plus loin au niveau local. Exemples :

• maire rognes = Jacky Pin
• président paca = Michel Vauzelle
• préfecture 83 = Toulon
• préfet 93 = Nacer Meddah
• superficie paca =  31400 km2
• etc.

Le mécanisme se base d'un côté sur une analyse des requêtes, qui essaie de détecter la conjonction d'un terme déclencheur (maire, population, superficie, monnaie, etc.) et d'une entité géographique (pays, région, département, commune, etc.), et de l'autre côté sur l'analyse des entrées Wikipedia. Vous avez certainement remarqué que, depuis quelque temps, la quasi totalité des entrées géographiques contiennent des encadrés avec de nombreux détails administratifs, démographiques ou autres. Il "suffit" de les analyser pour constituer une base de faits tout à fait impressionnante :

 

Le projet DBPedia, d'ailleurs, vise à analyser de façon systématique les entrées de Wikipedia (pas seulement géographiques !) et à les transformer en une base de données exploitable. Gageons que les moteurs intercepteront une proportion de plus en plus grande de nos requêtes, et que "chansons cabrel", "albums michael jackson" ou "romans victor hugo" nous renverront des résultats structurés. Peut-être que c'est ça le Web sémantique, finalement. Je connais des lycéens qui vont être ravis !

---

Voir aussi

• Billet de Jean-Baptiste Viet (chef de projet chez Orange)