| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| alternative label
| - Contextual knowledge management contribution for a natural language system processing
|
| dc:subject
| - Traitement automatique du langage naturel
- Intelligence artificielle
- Recherche opérationnelle
- Thèses et écrits académiques
- Hypergraphes
- Langage -- Compréhension
- Contexte (linguistique)
- Graphes conceptuels
- Résolution d'ambiguïtés
|
| preferred label
| - Contribution à la gestion du contexte pour un système de compréhension automatique de la langue
|
| Language
| |
| Subject
| |
| dc:title
| - Contribution à la gestion du contexte pour un système de compréhension automatique de la langue
|
| Degree granting institution
| |
| note
| - La polysémie est peut-être l'un des plus sérieux problèmes auxquels sont confrontés les chercheurs en traitement automatique de la langue. Lors de la compréhension d'un texte, il est nécessaire de disposer d'informations extra-textuelles. Ces informations se rapprochent des données encyclopédiques et représentent les connaissances globales d'un individu sur le monde. De nombreuses théories ont proposé des structures de données permettant de les représenter formellement. La théorie des graphes conceptuels unifie et généralise un nombre important des méthodes utilisées pour représenter le sens. L'objet du travail a donc été de rendre opérationnelle cette théorie et de l'utiliser pour la levée d'ambiguïté. Nous avons introduit pour cela une représentation des connaissances sous la forme d'hypergraphes. Nous montrons que les opérations de base sur les graphes conceptuels découlent d'une opération d'intersection maximale entre deux hypergraphes. Aussi nous sommes nous attachés à définir un algorithme optimisé pour la calculer. Dans notre méthode de levée d'ambiguïté, les sens du texte à analyser, ainsi que les contextes liés au domaine, sont représentés sous la forme d'hypergraphes conceptuels. La levée d'ambiguïté consiste à trouver la paire sens-contexte pour laquelle un coefficient de recouvrement, que nous avons défini, est optimal. Nous proposons également un apprentissage automatique de contextes à l'aide de l'analyse de plusieurs textes. L'apprentissage procède en généralisant et en vérifiant les connaissances contenues dans les différents contextes. Les méthodes présentées sont encourageantes et laissent entrevoir de nombreuses applications quant à la reconnaissance des formes en général et à la levée d'ambiguïté en particulier. En effet, la plupart des représentations choisies à l'heure actuelle pour représenter les connaissances sont essentiellement basées sur la théorie des graphes. Nos algorithmes, bien que développés pour les graphes conceptuels, peuvent aussi s'appliquer à des domaines beaucoup plus variés et restent assez généraux pour permettre de résoudre d'autres problèmes.
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
