Learning RDF pattern extractors for a language from dual bases Wikipedia/LOD

Les bases de données ouvertes et liées telles que DBpedia et Wikidata, qu'elles soient alimentées automatiquement ou via des contributions collaboratives, offrent des vues riches et complémentaires des descriptions textuelles de Wikipédia. Toutefois, les articles de Wikipédia contiennent encore de nombreuses informations non exploitées qui pourraient enrichir ces bases structurées en termes de couverture et de qualité. Cette thèse s'intéresse à la possibilité d'exploiter la dualité entre les textes de Wikipédia et les graphes de Linked Open Data pour apprendre des extracteurs de motifs RDF adaptés à une langue donnée. La question initiale de cette thèse est la suivante : peut-on construire automatiquement des extracteurs RDF personnalisés à partir de la double base Wikipédia/DBpedia+Wikidata ? Dans un premier temps, cette thèse intègre une revue systématique de la littérature permettant de dresser l'état de l'art des modèles, des jeux de données et des approches proposés pour l'extraction de relations depuis l'avènement des modèles de type Transformer. Nous avons ensuite étudié l'impact du choix de la syntaxe et du modèle sur les performances d'extracteurs ciblant des graphes ne contenant que des propriétés à valeurs littérales (datatype properties). Cette analyse a montré que ces choix de syntaxe et de modèle influencent non seulement les performances, mais aussi le coût de production des extracteurs. Dans ce cadre, nous avons proposé une syntaxe allégée, Turtle Light, permettant d'entraîner en quelques minutes des extracteurs à la fois efficaces et économes en ressources. Ce travail a conduit au développement de Kastor, un outil systématisant et rendant auditable la préparation de jeux de données pour l'extraction de relations. Nous avons également montré que la correction d'erreurs par des annotateurs humains améliore significativement la capacité des modèles à enrichir des bases de connaissances initialement bruitées et incomplètes. Enfin, nous avons étendu la tâche à l'extraction de motifs combinant des propriétés à valeurs littérales et objets (object properties). Nos résultats ont montré que la plus grande difficulté à résoudre afin de permettre la généralisation de notre méthode était liée aux relations peu représentées dans les bases de connaissances. Nous avons finalement adressé cette limitation en montrant qu'une plus grande exposition de ces propriétés rares était nécessaire et possible durant l'entraînement des modèles. En articulant propositions méthodologiques, contributions logicielles et analyses empiriques, cette thèse pose les bases de l'extraction de relations basée sur des motifs RDF - un moyen formel, frugal et efficace pour adapter des modèles pré-entraînés en utilisant comme cible des contraintes SHACL. Elle ouvre de nombreuses perspectives : l'extension à d'autres langues que l'Anglais, à d'autres corpus que Wikipedia et à d'autres bases de connaissances que DBpedia et Wikidata. Par ailleurs, l'approche proposée permet d'envisager d'intégrer des méthodes d'extraction légères dans des systèmes à base de connaissances, comme par exemple des moteurs de recherche, des plateformes d'édition collaborative, des systèmes de gestion documentaire ou des agents intelligents.