Annotation sémantique

Les systèmes d'annotation sémantique recourant à de très volumineuses ressources ontologiques, requises pour la désambiguïsation, ainsi qu'à des modèles de classification complexes et eux aussi parfois volumineux, ils sont le plus souvent livrés sous forme de services Web gratuits ou par abonnement. Certains systèmes tels DBpedia Spotlight sont fournis à la fois sous forme de logiciel serveur et de web service, mais sont très complexes à déployer et maintenir. La maintenance est notamment rendue difficile par la nécessité pour ces systèmes de mettre à jour régulièrement leurs ressources de désambiguïsation, par exemple pour couvrir l'apparition de concepts.

Le principal problème pour un système d'annotation sémantique réside dans la multiplicité des annotations possibles. Pour annoter une phrase telle que :

Paris est la capitale de la France.

L'annotateur doit être en mesure de choisir la bonne réponse au sein de la multitude de réponse possibles (il existe une dizaine de villes portant le nom Paris, ainsi que des personnes ou encore des navires). Le système d'annotation doit donc mesurer le degré de similarité entre le document et les ressources d'annotation, pour par exemple annoter ainsi en utilisant des URI issues du Web sémantique :

(Paris, fr.dbpedia.org/page/Paris) est la capitale de la (France, fr.dbpedia.org/page/France).

Généralement, l'annotateur utilise un nombre de n mots situés dans une fenêtre entourant le concept à annoter qu'il stocke dans un vecteur. Ce vecteur est comparé à l'ensemble des vecteurs de mots correspondants extraits d'après la ressource de désambiguïsation (par exemple les dumps de l'encyclopédie Wikipédia). Selon les applications, le calcul de similarité sera réalisé par un produit scalaire pour la similarité cosinus[6], ou un calcul de probabilité pour une mesure d'entropie[7].

Ces calculs de similarités produisent une liste de score donné pour chaque entité potentielle, et c'est le rang des candidats dans une liste qui permet de choisir le lien le plus probable.

Le contexte dérivé de Wikipédia utilisé pour réaliser les calculs de similarité peut prendre une forme variable: dans le cas d'ontologie spécialisées pour la désambiguïsation telles que NLGbAse (utilisée par Wikimeta)[8] ou Aleda (utilisée par l'AFP)[9] c'est le texte plein des documents de Wikipédia dont chaque mot est pondéré par un poids TF-IDF qui est retenu. Pour ce qui est de la ressource utilisées par DBpedia Spotlight, les sacs de mots retenus sont constitués de paragraphes entourant l'entité ciblée, dans diverses pages de l'encyclopédie ou l'entité se trouve liée.

L'annotation sémantique consiste nécessairement à apposer un descriptif de l'entité ou de la métadonnée correspondante (par exemple une entrée de base de données). Dans un premier temps, des systèmes tels que Kim (Knowledge Integrated Modeling, développé par IBM)[10] ou ceux développés par l'université de Sheffield[11] ont adopté des normes propriétaires.

Désormais, les systèmes - qu'ils soient propriétaires, issus du monde académique ou libres - adoptent en tant que lien sémantique des URI en provenance du Web sémantique (le plus souvent des liens DBpedia, comme pour Yahoo!, Spotlight, Wikimeta, ou encore Alchemy API). Seuls quelques rares systèmes tels Calais (en) de Thomson Reuters exploitent une ontologie propriétaire et non compatible avec le Web sémantique[12].

Les algorithmes d'annotation sémantique exploitant des ressources de désambiguïsation dérivées de corpus pour fonctionner, ils doivent théoriquement bénéficier d'une ressource pour chaque langue supportée.

Par exemple, un annotateur sémantique qui voudrait apposer des liens sémantiques dans un texte en français doit utiliser une ressource de sacs de mots élaborée depuis un corpus en français (puisque les calcul de similarité entre les différents candidats est mené d'après le poids de mots).

En pratique très peu d'annotateurs sémantiques sont réellement multilingues. La plupart sont conçus pour l'anglais (Spotlight, Open Calais, Wikimeta) parfois le français (Wikimeta). La majeure partie des systèmes propriétaires présentés comme multilingues ne réalisent pas de désambiguïsation sur les langues autres que l'anglais et produisent en conséquence un très fort taux d'erreur[13].

C'est un langage dédié au web sémantique. Le langage XML, contrairement au langage HTML qui est très restrictif et figeant, est un langage de balisage.

D'une part, le langage HTML ne permet pas d'utiliser ses propres balises et est opté plus pour la présentation uniquement des données chose qui baisse l'efficacité de ce langage vis-à-vis les informations et ne permet donc pas d'exprimer les métadonnées.

D'une autre part, le langage XML quant à lui, il structure l'information présente dans un document par le moyen des balises ou même, il permet de créer ses propres balises. C'est ici où résident l'efficacité et la force du langage XML.

Ce langage vise à rendre standard la représentation des informations disponibles dans les documents afin de pouvoir les échanger mais d'une manière plus structurée et indépendamment de la nature et l'origine de plateformes logicielles ou machinales. Le XML représente donc le langage le plus adapté pour la définition des structurations des documents.

Le langage RDF est le langage dédié aux assertions et aux annotations. Il existe différentes relations entre les différents objets, selon les assertions pour exprimer les annotations à allouer aux ressources du web. C'est dans cette perspective que le langage RDF a été adopté par le W3C pour formaliser les représentations avec une syntaxe XML qui est préalablement un standard reconnu.

Le langage RDF s'agit bien d'un outil efficace pour apporter la sémantique à un document donné sans influencer ou se baser sur la structure de ce document. Les domaines d'applications ou la sémantique ne sont pas forcément inspectés par ce langage. Toutefois, ce langage fournit une description complète des données allouées dans les ressources du web.

Un ensemble de triplets : ressource, attribut et valeur forme les écrits du langage RDF. La valeur, dans ce cas, s'agit généralement d'une simple ressource ou une chaîne de caractère, qui elle-même est représentée par un autre triple qui peut être interprété. Cette conception fait du langage RDF un langage basé principalement sur les relations en utilisant une syntaxe XML. Plusieurs langages sont venus compléter ou apporter une extension pour le RDF.

Le langage RDFS représente un des principaux langages dont l'objectif est d'apporter des extensions au langage RDF. Ces extensions concernent d'un point de vue très particulier les descriptions des ressources exploitées afin d'identifier les représentations.

Pour ce faire, le langage RDFS fonctionne sur la base des spécifications des classes pour faire des ressources déjà identifiées par ces classes des instances. C'est un mécanisme permettant de définir un modèle lexical basé sur le vocabulaire qui est généralement lié à des domaines applicatifs spécifiques.

Le but principal du langage RDFa est d'être un langage complémentaire au langage RDF en apportant des informations en RDF à des documents HTML ou même des documents XHTML. Ce langage propose une syntaxe et des balises prédéfinies nommées généralement tags pour rune description des données en XHTML. Le langage RDFa permet lui aussi les échanges d'informations par les agents informatiques.

Le langage OWL reste jusqu'à parmi les langages les plus importants dans l'annotation sémantique des documents. Il est entre autres similaire au langage RDF car, lui aussi prend sa part avec la syntaxe proposée par le langage XML.

Le langage OWL basé sur RDF et XML à la fois, est mis en place ainsi pour pouvoir écrire des ontologies web. Il est dit un langage d'ontologies (Gueraich, 2012). D'une façon très intègre, le langage OWL propose des outils qui permettent de comparer les classes. Ces classes, telles qu'elles sont considérées dans le langage OWL, sont des identités, des équivalences, des symétries, des transitivités ou des disjonctions.

Ceci fait du langage OWL une offre particulière pour les machines notamment, car ces dernières vont avoir une capacité forte pour interpréter les documents d'une façon efficacement plus importante que celle des langages RDF et RDFS. Cette capacité vient de la sémantique formelle et structurée proposée par le langage OWL. On distingue trois langages différents du OWL, et qui sont :

• OWL lite : un langage qui retraduit les mécanismes du langage RDF pour des utilisateurs ayant besoin d'une classification simple avec la même sémantique que RFDS ;
• OWL LD : un langage du OWL qui reprend les constructeurs entiers d'OWL LITE mais convient davantage aux usagers cherchant à exprimer les informations d'une façon plus détaillée ;
• OWL FULL : un langage combinant entièrement les constructeurs d'OWL DL et de RDF.

• Web des données
• Traitement automatique du langage naturel
• Annotation automatique d'images

Annotateurs sémantiques :

• DBpedia Spotlight
• Wikimeta
• Calais (en)