Résumé automatique de textes

Aujourd'hui, l’abondance de données textuelles impose d’avoir des outils permettant d’analyser rapidement leur contenu sans avoir à les lire toutes. Une étude d’un bureau de marketing a révélé qu’une personne consulte son smartphone en moyenne 221 fois par jour. Au vu de la diversité des sources, l’utilisateur peut se trouver face à la même information plusieurs fois ce qui représente une perte de temps. Ce cas représente une des applications du Résumé Automatique (RA) mis-à-jour. Il s’agit de présenter à l'utilisateur un ou plusieurs textes sous une forme condensée en lui avançant seulement du contenu dont il n’a pas eu connaissance auparavant.

Les approches abordant cette problématique comme un problème d’optimisation de contraintes fondée sur la programmation linéaire en nombres entiers (ILP) ont montré des résultats intéressants [1]. Nous nous proposons, alors, d’étendre ces travaux en intégrant de façon plus explicite la contrainte de non redondance avec les anciennes informations via le clustering des phrases et une mesure de similarité sémantique.

[1] Dan Gillick and Benoit Favre. A Scalable Global Model for Summarization. In Proceedings of the Workshop on Integer Linear Programming for Natural Language Processing, ILP ’09, pages 10–18, Boulder, Colorado, 2009.

Biographie:

Maali Mnasri est une docteur en NLP qui a fait sa thèse au CEA au LVIC (Laboratoire de Vision et Ingénierie des Contenus). Pendant les trois ans de sa thèse, elle a travaillé sur la problématique du résumé automatique du texte en se focalisant surtout sur la similarité sémantique de texte, le clustering de phrases et l'analyse du discours. Aujourd'hui, elle travaille en tant que ingénieur R&D en NLP chez OPLA une start-up française qui offre une solution pour construire et déployer des robots conversationnels sans codage et avec un code open-source propriétaire.