Apprentissage actif pour l'annotation de documents

RÉSUMÉ. Dans le cadre du projet LegDoc au Centre Européen de Recherche de Xerox, nous avons développé des composants pour l’annotation sémantique de documents semi-structurés. Alors que certaines entités sémantiques ont une forme régulière et peuvent être facilement extraites, d’autres collections plus complexes et hétérogénes nous ont amenés à déployer des méthodes d’apprentissage automatique. Dans les cas réels nous sommes souvent confronté au problème technique de la non disponibilité de corpus annotés, pour des tâches d’annotations spécifiques. Comme l’annotation manuelle est coûteuse et propice à l’erreur, notre approche consiste à appliquer des méthodes d’apprentissage actif afin de considérablement réduire le corpus nécessaire à l’élaboration d’un modèle pertinent. Dans cet article , nous expliquons comment le principe de l’apprentissage actif est adapté à l’annotation interactive de documents orientés mise en page. Pour une utilisation efficace de l’apprentissage actif sur les grandes collections, nous deployons un classifieur probabiliste basé sur le principe de l’entropie maximum ainsi que trois métriques d’incertitude Nous présentons le prototype ALDAI (Active Learning Document Annotation) et décrivons ses fonctionnalités ainsi que les choix d’implémentation. Le prototype offre une interface WYSIWYG, un haut langage pour la définition des attributs et intègre le composant d’apprentissage actif qui vise à assister l’utilisateur dans le processus d’annotation. Nous rapportons aussi des résultats de tests d’évaluation des techniques d’apprentissage actif sur une collection de données publiques(UCI) et une collection de documents interne.