Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : LIS UMR CNRS 7220, Aix-Marseille Université (AMU)
Durée : 5 mois/Months
Contact : bernard.espinasse@lis-lab.fr
Date limite de publication : 1 juin 2020

Contexte :
La fouille de textes (Text-Mining) utilise de plus en plus de techniques issues de l’apprentissage profond pour des tâches de traitement automatique des langues (TAL) de très bas niveau comme l’extraction d’information (entités nommées ou relations) ou des tâches de plus haut niveau comme la simplification de textes, le résumé automatique.
Ces techniques d’apprentissage profond utilisant diverses architectures de réseaux de neurones (CNN, RCC, LSTM, …) permettent d’atteindre des performances intéressantes. Ces performances peuvent être améliorées par l’intégration de caractéristiques linguistiques comme les dépendances syntaxiques (Espinasse et al., 2019). Cependant les performances de ces techniques relevant de l’apprentissage profond semblent plafonner. D’autres techniques de TAL, symboliques tirent mieux partie de la linguistique, de ressources sémantiques externes (ontologies), avec notamment l’usage d’un apprentissage relationnel comme dans (Lima et al., 2019) (Verbeke et al., 2014). Pour outrepasser les limites des techniques par apprentissage profond, leur combinaison avec ces techniques symboliques s’avère judicieuse.

Sujet :
Fouille de textes par Machines Relationnelles Profondes /
Text Mining with Deep Relational Machines

cf document attaché / cf attached document

Profil du candidat :
Master 2 en informatique

Formation et compétences requises :
Bases du traitement automatique des langues, Python, apprentissage,

Adresse d’emploi :
Marseille, Campus de St Jérôme, LIS UMR CNRS

Document attaché : Sujet-Master-2-MRD-7fev20.pdf