Nouvelles perspectives en extraction d'information

Les techniques dites d'extraction d'information (EI) ont connu un essor considérable ces dix dernières années. L'EI consiste à extraire de documents des informations précises et à les structurer sous une forme prédéfinie. Il s'agit en général de remplir des formulaires donnant certaines caractéristiques concernant des entités ou des événements évoqués dans les textes ainsi que des relations entre ces entités et ces événements. Le formulaire est constitué d’une liste d’attributs auxquels le système doit faire correspondre une liste de valeurs pour chaque texte analysé. Ainsi, l'EI permet de stocker dans une base de données factuelles l'information jugée pertinente en vue de traitements ultérieurs [PAZ 97] 1 . Dans le vaste éventail des traitements automatiques de documents textuels, il sera commode de situer l'EI, tant par ses objectifs que par ses méthodes, comme un niveau intermédiaire entre la recherche documentaire d’une part, et la compréhension automatique, au sens de l'intelligence artificielle (IA), de l’autre : En recherche documentaire, l’objectif général consiste à faciliter la sélection d'un sous-ensemble de documents pertinents dans une base documentaire en réponse à la requête d'un utilisateur. Le résultat du traitement est le document lui-même, sans compréhension ou interprétation de son contenu. Les traitements se réduisent généralement à une analyse du contenu lexical du texte, et éventuellement de sa « structure matérielle » (titres, résumé...), sans prise en compte de la structure syntaxique et sémantique des phrases. A l'opposé, en compréhension automatique, le but est d'obtenir une représentation du sens du texte donné. Cet objectif réclame une analyse exhaustive, syntaxique et sémantique, de chaque phrase et des relations qu'elles entretiennent, et, ce qui est tout aussi difficile, la construction d'une base de connaissances et l'élaboration d'un formalisme de représentation du sens capables de couvrir des domaines très vastes de l'expérience humaine. En EI, on produit également des représentations sémantiques externes au document. Mais on se donne la tâche de comprendre non pas le texte dans son ensemble mais des parties extrêmement ciblées quant à la structure de l’information recherchée et quant aux formes linguistiques qui la portent. L’EI apparaît ainsi comme un bon compromis, susceptible d’aboutir à la réalisation de systèmes opérationnels d’analyse de contenu de documents textuels, complémentaires de la recherche documentaire 2 . Cette « technologie » s’est notablement développée à la faveur de la série de conférences MUC (Message Understanding Conferences) qui ont permis de confronter divers systèmes d’EI sur des tâches et des corpus communs. Une large communauté scientifique s’est ainsi constituée, posant des bases méthodologiques solides et permettant une « accumulation primitive » de techniques et de systèmes logiciels. Nous pensons que ces acquis contribueront notablement à renouveler les objectifs et les méthodes de l’informatique documentaire dans son ensemble. Le présent article présente les travaux menés dans notre équipe en extraction d’information et, à partir de cette expérience, propose différentes orientations tant pour améliorer la technologie elle-même que pour en élargir les applications. Dans la section 2 nous commencerons par une présentation rapide de l’expérience des conférences MUC et nous en discuterons les acquis et limites. La section 3 sera consacrée à nos propres travaux sur une tâche du même type concernant un corpus de constats