Multilingual epidemic surveillance : a parsimonious caracter-based approach
Veille épidémiologique multilingue : une approche parcimonieuse au grain caractère fondée sur le genre textuel
Abstract
In this dissertation we tackle the problem of multilingual epidemic surveillance.
The approach advocated here which is differential, endogenous and noncompositionnal.
We maximise the factorization by using genre properties and
communication principles. Our local analysis does not rely on classical linguistic
analyzers for morphology, syntax or semantics. The distribution of character
strings at key positions is exploited, thus avoiding the problem of the definition
of a "word". We implemented DAnIEL (Data Analysis for Information Extraction
in any Language), a system using this approach. DanIEL analyzes press
articles in order to detect epidemic events. DAnIEL is fast in comparison to
state-of-the-art systems. It needs very few additional knowledge for processing
new languages. DAnIEL is also evaluated on the analysis of scientific articles
for classification and keyword extraction. Finally, we propose to use DAnIEL
outputs to perform a task-based evaluation of boilerplate removal systems.
Cette thèse explore la problématique du multilinguisme en recherche d’information.
Nous présentons une méthode de veille sur la presse adaptée au
traitement du plus grand nombre de langues possible. Le domaine spécifique
d’étude est la veille épidémiologique, domaine pour lequel une couverture la
plus large possible est nécessaire. La méthode employée est différentielle, noncompositionnelle
et endogène. Notre but est de maximiser la factorisation pour
traiter de nouvelles langues avec un coût marginal minimal. Les propriétés
du genre journalistique sont exploitées, en particulier la répétition d’éléments
à des positions clés du texte. L’analyse au grain caractère permet d’être indépendant
des contraintes posées par le mot graphique dans de nombreuses
langues. Nous aboutissons à l’implantation du système DAnIEL (Data Analysis
for Information Extraction in any Language). DAnIEL analyse les documents
pour déterminer s’ils décrivent des faits épidémiologiques et les regrouper par
paires maladie-lieu. DAnIEL est rapide et efficace en comparaison des systèmes
existants et nécessite des ressources très légères. Nous montrons d’autres applications
de DAnIEL pour des tâches de classification et d’extraction de mots-clés
dans des articles scientifiques. Enfin, nous exploitons les résultats de DAnIEL
pour évaluer des systèmes de nettoyage de page web.
Loading...