Le 7 juillet 2022, Touria Ait El Mekki (laboratoire Leria), Bénédicte Grailles (laboratoire Temos), Tsanta Randriatsitohaina (ingénieure de recherche du programme) ont présenté à la 16e International Conference on Statistical Analysis of Textual Data (JADT 2022) les premiers résultats du projet Pêle-Mél via une communication intitulée Création d’une base de connaissances à partir de messageries spécialisées pour améliorer l’exploration et l’archivage des mél. L’objectif du projet est de proposer à l’archiviste une aide pour interpréter et contextualiser les boîtes méls en catégorisant et classifiant les méls.
Pour ce faire, l’équipe propose une méthodologie en trois temps :
- un prétraitement
- une analyse fine du texte
- une classification thématique
Le prétraitement consiste à préparer le corpus pour les opérations ultérieures.
L’analyse fine de texte se concentre sur l’extraction de termes et d’entités nommées et sur l’établissement de relations entre termes et entités nommées. Un terme est un mot ou groupe de mots représentant un concept spécifique d’un domaine. Par exemple, « protection sociale » compte deux mots mais ne représente qu’un terme. Une entité nommée est un mot ou groupe de mots de noms de personnes, noms d’organisations ou d’entreprises, noms de lieux, quantités, distances, valeurs, dates, etc. On peut les reconnaître en comparant les mots à des bases de connaissance, des thesaurus ou des dictionnaires par exemple, ou et/ou par apprentissage. L’extraction peut s’appuyer sur des fréquences ou des scores obtenus via des schémas de pondération qui mesure l’importance d’un terme au sein d’un corpus donné, ou sur les catégories grammaticales identifiées grâce à un étiqueteur morpho-syntaxique capable d’associer aux mots d’un texte les informations grammaticales correspondantes comme la partie du discours, le genre, le nombre, etc. Le projet s’intéresse principalement aux personnes physiques et morales.
La troisième étape, celle de la classification, cherche à lier des mails à des thématiques. La démarche a permis de tester dans un premier temps une méthode d’apprentissage non supervisé dont les résultats non pas été concluants. L’idée est donc d’améliorer cette classification en l’orientant : pour chaque thème représenté par un terme, on peut trouver d’autres termes « similaires » pouvant lui être associés. Pour ce faire, il faut recourir à des méthodes de plongement lexical ou de plongement de mots qui permet de créer une représentation numérique de chaque mot d’un corpus par un vecteur de nombres réels. Des mots utilisés dans un contexte similaire seront représentés par des vecteurs proches. L’approche est prédictive : un mot prédit son contexte et un contexte prédit un mot.
Le texte de cette intervention est disponible sur le site Lexicometrica (université de Paris 13), rubrique JADT 2022, volume 2.
OpenEdition vous propose de citer ce billet de la manière suivante :
ALMA (7 novembre 2022). Création d’une base de connaissances à partir de messageries spécialisées. ALMA. Consulté le 25 avril 2025 à l’adresse https://doi.org/10.58079/ayzp