Entité nommée : définition SEO et rôle dans les LLM

Bonjour. Dans cette séquence, je vais présenter les deux tâches que sont la reconnaissance d’entités nommées et l’extraction d’information, c’est-à-dire des méthodes permettant d’obtenir des informations structurées simples à partir de documents textuels.

Commençons par l’extraction d’information. L’objectif des systèmes d’extraction d’information est de trouver et de comprendre des portions limitées et pertinentes d’un texte. En général, on les utilise dans un contexte où le système rassemble des informations provenant de nombreux textes. Le but de cette collecte d’informations est de pouvoir produire une forme de représentation structurée des informations pertinentes. On peut la concevoir comme des instances d’une relation de base de données, c’est-à-dire des lignes dans une table de base de données, ou comme une base de connaissances.

Lorsque nous faisons de l’extraction d’information, nous pouvons avoir l’un de deux objectifs. Le premier consiste à aider directement les personnes à organiser l’information de façon utile. L’autre possibilité consiste à placer l’information sous une forme sémantiquement précise. Très souvent, les ordinateurs, pour d’autres tâches de traitement de l’information en aval, ne pourront pas les effectuer si l’entrée se limite à du texte en langue naturelle. En revanche, si l’on extrait différents types de relations, par exemple sous la forme d’une table de base de données, il devient très facile de procéder ensuite à de la fouille de données et à d’autres traitements.

Le type d’information extrait par les systèmes d’extraction d’information correspond à des informations factuelles claires : qui a fait quoi, à qui, quand, ce genre d’information. Prenons un exemple. Voici deux exemples. Le premier consiste à recueillir, à partir de rapports d’entreprise, des informations factuelles sur les entreprises : chiffre d’affaires, bénéfices, membres du conseil d’administration, siège social, et d’autres éléments de ce type. L’idée est que le système parcourt le texte et repère : d’accord, voici le nom d’une entreprise. Puis le texte parle de son siège social et indique que ce siège est situé à tel endroit. C’est donc un indice de localisation du siège : Melbourne, Australie. Ce que nous obtenons alors, c’est cette relation, que l’on peut concevoir comme une instance d’une table de base de données.

Ce n’est qu’un exemple parmi beaucoup d’autres. Un autre exemple est celui que je montre ici. Il existe de nombreux cas dans la fouille de textes biomédicaux : apprendre des interactions entre médicaments, gènes et produits, apprendre des localisations subcellulaires ; de nombreuses relations présentant un intérêt pour les scientifiques ont été traitées, de diverses manières, dans des systèmes d’extraction d’information.

Dans le domaine davantage orienté vers le grand public, l’extraction d’information est désormais disponible, et je pense assez populaire, dans diverses applications comme Apple Mail ou Google Mail, ainsi que dans l’indexation du Web. Voici un petit exemple tiré d’Apple Mail. Ici, il y a une date ; Apple Mail a reconnu la présence d’une date et l’a placée dans cette petite zone avec une flèche. Lorsque je clique dessus et que je maintiens, l’application me propose de créer un événement de calendrier. C’est donc une petite aide qui me permet d’effectuer ce type de tâche plus rapidement. Ce genre d’extraction d’information est souvent assez simple et semble reposer principalement sur l’utilisation des expressions régulières que nous avons vues plus tôt, ainsi que sur des listes de noms.

Voici un autre exemple de la façon dont les entreprises commencent à faire apparaître l’extraction d’information dans les applications de recherche. Si je saisis dans Google « BHP Billiton headquarters », en plus des résultats habituels de recherche Web, Google me donne ici sa meilleure estimation : le siège social serait à Melbourne, Londres. Bien sûr, on peut discuter un peu de la perfection de cette réponse. Il y a en réalité deux réponses distinctes ici. BHP Billiton est un cas complexe, parce que l’entreprise possède cette structure compliquée de société duale ; il existe un bureau à Melbourne et un bureau à Londres. Nous considérerons donc que la réponse est à peu près correcte.

Voilà pour l’extraction d’information. Passons maintenant à une sous-tâche particulière qui est devenue très importante : la reconnaissance d’entités nommées. L’idée de la reconnaissance d’entités nommées est que l’on va, en particulier, rechercher et classer des noms dans un texte. La première étape consiste à repérer les noms. Ici, nous avons donc trouvé un nom. Plus précisément, cela signifie que nous trouvons les limites du nom. Celui-ci correspond à ces deux tokens. Ce nom-ci correspond à un seul token. Une fois cela fait, nous classons les noms. Nous allons donc dire que ce nom, ici, est un nom de personne. Celui-ci est le nom d’une organisation. Celui-là est une date. Puis nous avons une série d’autres noms de personnes. Celui-ci, Rob Oakeshott, s’étend sur le saut de ligne.

Pour préciser un peu la tâche, nous avons cette expression, « reconnaissance d’entités nommées », qui est aujourd’hui un terme un peu codé, reflétant son histoire. À l’origine, les entités étaient censées désigner des choses discrètes dans le monde. Je suis une entité. L’université Stanford est une entité. En revanche, quelque chose comme le sable ou l’air ne constitue pas une entité, car il n’y a pas de chose physique précise et délimitée. L’idée attachée à « nommées » était que certaines entités ont des noms. Ainsi, moi, Christopher Manning, j’ai un nom. Mais la chaise sur laquelle je suis assis pendant que j’enregistre ceci est également une entité : c’est une chose physique discrète. Elle n’a toutefois pas de nom qui lui soit attaché ; elle ne relève donc pas d’une entité nommée.

Voilà l’arrière-plan philosophique. En pratique, l’usage de l’expression « reconnaissance d’entités nommées » ne correspond pas exactement à cette définition. Concrètement, nous utilisons la reconnaissance d’entités nommées pour désigner des noms facilement distinguables, ou d’autres éléments dans le texte que nous pouvons extraire. En particulier, 2010, ainsi que des éléments comme les dates, les heures et les quantités, sont normalement considérés comme des entités nommées. Pourtant, selon le point de départ originel du terme, une date, une substance chimique ou une protéine ne constitue pas véritablement une entité ; nous incluons néanmoins toujours ce type d’éléments lorsque nous construisons des systèmes de reconnaissance d’entités nommées.

À quoi servent donc les systèmes de reconnaissance d’entités nommées ? Si vous identifiez des entités nommées dans un texte, elles peuvent être indexées ou reliées à d’autres contenus. Comme je le note plus bas, de nombreuses entreprises utilisent diverses techniques pour annoter des entités sur des pages Web. Elles peuvent ensuite fournir, à partir de ces entités, des liens vers des pages biographiques, des pages thématiques ou d’autres contenus de ce genre. Il existe donc tout un ensemble de produits commerciaux fonctionnant comme services Web qui permettent de faire ce type de chose.

Si, plus généralement, vous voulez explorer le Web et recueillir des sentiments (nous avons discuté plus tôt de la détection du sentiment, pour déterminer s’il est positif ou négatif) il faudra aussi déterminer sur qui ou sur quoi porte ce sentiment. À ce moment-là, vous devrez repérer les noms d’entreprises ou de produits dans le texte, et c’est là la tâche de la reconnaissance d’entités nommées.

Mais il existe de nombreux autres usages dans lesquels la reconnaissance d’entités nommées intervient comme sous-composant d’une tâche plus vaste. Ainsi, lorsqu’on fait de l’extraction d’information, une grande partie du travail consiste souvent à identifier des entités nommées, puis à déterminer la relation entre elles.

Nous parlerons plus tard de la réponse automatique aux questions. Dans ce domaine, pour différents types de questions, les réponses sont souvent des entités nommées. Quand quelque chose s’est-il produit ? Qui a fait quelque chose ? Une bonne extraction des entités nommées aide donc beaucoup la réponse automatique aux questions.

Un autre exemple que nous avons également vu, montrant comment les gens utilisent la reconnaissance d’entités nommées en s’appuyant sur cette information interprétée sémantiquement, concerne diverses applications comme les calendriers, où l’on exploite l’interprétation sémantique.

D’accord, j’espère que cela vous aura donné une bonne idée de ces deux tâches : la reconnaissance d’entités nommées, qui consiste simplement à repérer des noms concrets d’objets, de personnes, d’organisations, etc., ou encore des quantités, des dates, des heures et des éléments de ce type ; puis la tâche plus large de l’extraction d’information, dont l’objectif est d’extraire, à partir de textes non structurés en langue naturelle, des relations particulières, autrement dit des lignes dans une table de base de données.