Exploiter le contexte multidimensionnel et l’augmentation de données pour l’amélioration de la reconnaissance d’entités nommées

Dans le paysage numérique actuel, les documents servent de moyen principal de communication, facilitant l'échange d'idées, d'informations et de connaissances à travers divers domaines. À mesure que les besoins en communication augmentent de manière exponentielle, l'automatisation du traitement des documents devient de plus en plus cruciale. Cependant, les complexités inhérentes au langage naturel - caractérisées par l'ambiguïté, des règles arbitraires et une évolution continue - posent des défis significatifs à une compréhension automatisée efficace. Un aspect fondamental pour surmonter ces défis réside dans le modélisation du contexte, qui englobe les connaissances préalables et les informations globales intégrées dans un texte. Une modélisation contextuelle efficace est essentielle pour extraire avec précision des informations significatives, en particulier dans le cas de la Reconnaissance d'Entités Nommées (NER). Le NER se concentre sur l'identification de mots ou de phrases représentant des entités critiques nécessaires à la compréhension d'un messages. Cette thèse se concentre sur l'exploration de la notion multifacette de contexte en posant des questions essentielles : Qu'est-ce que le contexte ? Comment peut-il être efficacement exploité ? Quelles pratiques doivent être évitées ? Ces questions constituent la base de trois axes de recherche distincts.Le premier axe se concentre sur la compréhension de l'essence du contexte, en examinant ce qui doit être extrait de celui-ci et ce qui peut être négligé. Il souligne la nécessité de distinguer les indices contextuels pertinents qui améliorent la reconnaissance des entités de ceux qui peuvent entraîner de la confusion ou une mauvaise interprétation. Le deuxième axe examine les applications pratiques de cette compréhension contextuelle, étant donné que les documents ne se composent pas seulement de texte, mais incorporent également des éléments spatiaux et visuels. Cette nature multifacette nécessite une approche analytique multi-modale, où les informations sont tirées d'une combinaison d'éléments textuels, spatiaux et visuels. L'intégration des données provenant de diverses modalités introduit des défis uniques, tels que la fusion des modalités et l'évaluation de la pertinence de chaque source d'information. Cette partie de la recherche vise à explorer des méthodologies robustes pour exploiter efficacement les forces des différentes modalités, assurant ainsi une compréhension complète du contenu du document. Le troisième axe aborde le besoin pressant d'une supervision efficace dans les systèmes statistiques, en particulier dans les modèles d'apprentissage automatique qui nécessitent des données annotées pour l'entraînement. Le processus de création de telles annotations peut être coûteux en ressources et long, présentant des obstacles significatifs au développement de modèles évolutifs et efficaces. Pour atténuer ce problème, un effort a été mené pour définir des stratégies visant à développer des solutions automatisées pour la supervision. Cette dernière direction de recherche vise à tirer parti des modèles statistiques comme outils d'augmentation des données, réduisant ainsi le coût et l'effort impliqués dans les processus de formation tout en améliorant la robustesse des modèles résultants.