Analyse de textes avec TreeCloud et Lexico3

3,583 views
3,378 views

Published on

Présentation à la journée interdisciplinaire de doctorants OSIDMESH (http://tinyurl.com/osidmesh)

Published in: Education, Technology, Design
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
3,583
On SlideShare
0
From Embeds
0
Number of Embeds
317
Actions
Shares
0
Downloads
46
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Analyse de textes avec TreeCloud et Lexico3

  1. 1. Journée OSIDMESH Montpellier – 23/10/2009 Analyses de textes avec TreeCloud et Lexico3 Philippe Gambette
  2. 2. Plan • Nuages de mots • Nuages améliorés • Analyses plus fines
  3. 3. Plan • Nuages de mots • Nuages améliorés • Analyses plus fines
  4. 4. Nuages de mots • Construits depuis l'ensemble des mots d'un texte • Taille de police liée à la fréquence • Se sont popularisés avec Wordle • Donnent un bon aperçu d'un texte Nuages Wordle des mots les plus utilisés début 2009 dans les blogs des Top 100 politique et high-tech de Wikio http://aixtal.blogspot.com/2009/04/web-de-quoi-parlent-les-blogs.html
  5. 5. Nuages de mots • Construits depuis l'ensemble des mots d'un texte • Taille de police liée à la fréquence • Se sont popularisés avec Wordle • Donnent un bon aperçu d'un texte
  6. 6. Nuages de mots • Construits depuis l'ensemble des mots d'un texte • Taille de police liée à la fréquence • Se sont popularisés avec Wordle • Donnent un bon aperçu d'un texte GoogleImage(obama inaugural address wordle)
  7. 7. Nuages de mots • Construits depuis l'ensemble des mots d'un texte • Taille de police liée à la fréquence • Se sont popularisés avec Wordle GoogleImage(obama inaugural address wordle)
  8. 8. Nuages de mots • Construits depuis l'ensemble des mots d'un texte • Taille de police liée à la fréquence • Se sont popularisés avec Wordle GoogleImage(obama inaugural address wordle)
  9. 9. Plan • Nuages de mots • Nuages améliorés • Analyses plus fines
  10. 10. Nuages de mots améliorés Ajouter de l'information extraite du texte : • pâleur pour exprimer la désuétude dans Amazon • tags partagés en rouge dans del.icio.us • regrouper les tags cooccurrents sur la même ligne Hassan-Montero & Herrero-Solana, InScit'06 • optimiser l'espace vide et la proximité sémantique Kaser & Lemire, WWW'07 • “topigraphy”: placement 2D d'après la cooccurrence Fujimura, Fujimura, Matsubayashi, Yamada & Okuda, WWW'08
  11. 11. Nuages de tags/mots améliorés Ajouter de l'information extraite du texte : • pâleur pour exprimer la désuétude dans Amazon • tags partagés en rouge dans del.icio.us • regrouper les tags cooccurrents sur la même ligne Hassan-Montero & Herrero-Solana, InScit'06 • optimiser l'espace vide et la proximité sémantique Kaser & Lemire, WWW'07 • “topigraphy”: placement 2D d'après la cooccurrence Fujimura, Fujimura, Matsubayashi, Yamada & Okuda, WWW'08
  12. 12. Nuages de tags/mots améliorés Ajouter de l'information extraite du texte : • pâleur pour exprimer la désuétude dans Amazon • tags partagés en rouge dans del.icio.us • regrouper les tags cooccurrents sur la même ligne Hassan-Montero & Herrero-Solana, InScit'06 • optimiser l'espace vide et la proximité sémantique Kaser & Lemire, WWW'07 • “topigraphy”: placement 2D d'après la cooccurrence Fujimura, Fujimura, Matsubayashi, Yamada & Okuda, WWW'08
  13. 13. Nuages de tags/mots améliorés Ajouter de l'information extraite du texte : • pâleur pour exprimer la désuétude dans Amazon • tags partagés en rouge dans del.icio.us • regrouper les tags cooccurrents sur la même ligne Hassan-Montero & Herrero-Solana, InScit'06 • optimiser l'espace vide et la proximité sémantique Kaser & Lemire, WWW'07 • “topigraphy”: placement 2D d'après la cooccurrence Fujimura, Fujimura, Matsubayashi, Yamada & Okuda, WWW'08
  14. 14. Nuages de tags/mots améliorés Ajouter de l'information extraite du texte : • pâleur pour exprimer la désuétude dans Amazon • tags partagés en rouge dans del.icio.us • regrouper les tags cooccurrents sur la même ligne Hassan-Montero & Herrero-Solana, InScit'06 • optimiser l'espace vide et la proximité sémantique Kaser & Lemire, WWW'07 • “topigraphy”: placement 2D d'après la cooccurrence Fujimura, Fujimura, Matsubayashi, Yamada & Okuda, WWW'08
  15. 15. Extraire l'information sémantique d'un texte • analyse littéraire : approche philologique : se concentrer sur le texte Brody • analyse du discours : analyse arborée, graphe de cooc., projection géodésique Brunet (Hyperbase), Viprey (Astartex) • fouille de texte : graphe sémantique Grimmer (Wordmapper), Viegas et al. (IBM Many Eyes) • traitement des langues naturelles : désambiguïsation Véronis (Hyperlex)
  16. 16. Extraire l'information sémantique d'un texte • analyse littéraire : approche philologique : se concentrer sur le texte Brody • analyse du discours : analyse arborée, graphe de cooc., projection géodésique Brunet (Hyperbase), Viprey (Astartex) • fouille de texte : graphe sémantique Grimmer (Wordmapper), Viegas et al. (IBM Many Eyes) • traitement des langues naturelles : désambiguïsation Véronis (Hyperlex) Mayaffre, Quand travail, famille, et patrie cooccurrent dans le discours de Nicolas Sarkozy, JADT'08
  17. 17. Extraire l'information sémantique d'un texte • analyse littéraire : approche philologique : se concentrer sur le texte Brody • analyse du discours : analyse arborée, graphe de cooc., projection géodésique Brunet (Hyperbase), Viprey (Astartex) • fouille de texte : graphe sémantique Grimmer (Wordmapper), Viegas et al. (IBM Many Eyes) • traitement des langues naturelles : désambiguïsation Véronis (Hyperlex) Brunet, Les séquences (suite), JADT'08
  18. 18. Extraire l'information sémantique d'un texte • analyse littéraire : approche philologique : se concentrer sur le texte Brody • analyse du discours : analyse arborée, graphe de cooc., projection géodésique Brunet (Hyperbase), Viprey (Astartex) • fouille de texte : graphe sémantique Grimmer (Wordmapper), Viegas et al. (IBM Many Eyes) • traitement des langues naturelles : désambiguïsation Véronis (Hyperlex) Barry, Viprey, Approche comparative des résultats d'exploration textuelle des discours de deux leaders africains Keita et Touré, JADT'08
  19. 19. Extraire l'information sémantique d'un texte • analyse littéraire : approche philologique : se concentrer sur le texte Brody • analyse du discours : analyse arborée, graphe de cooc., projection géodésique Brunet (Hyperbase), Viprey (Astartex) • fouille de texte : graphe sémantique Grimmer (Wordmapper), Viegas et al. (IBM Many Eyes) • traitement des langues naturelles : désambiguïsation Véronis (Hyperlex) Peyrat-Guillard, Analyse du discours syndical sur l’entreprise, JADT'08
  20. 20. Extraire l'information sémantique d'un texte • analyse littéraire : approche philologique : se concentrer sur le texte Brody • analyse du discours : analyse arborée, graphe de cooc., projection géodésique Brunet (Hyperbase), Viprey (Astartex) • fouille de texte : graphe sémantique Grimmer (Wordmapper), Viegas et al. (IBM Many Eyes) • traitement des langues naturelles : désambiguïsation Véronis (Hyperlex) Visualisation PhraseNet de paroles des Beatles créé avec Many Eyes (IBM) http://many-eyes.com http://visualthinkmap.ning.com/photo/phrasenet_beatles-many-eyes
  21. 21. Extraire l'information sémantique d'un texte • analyse littéraire : approche philologique : se concentrer sur le texte Brody • analyse du discours : analyse arborée, graphe de cooc., projection géodésique Brunet (Hyperbase), Viprey (Astartex) • fouille de texte : graphe sémantique Grimmer (Wordmapper), Viegas et al. (IBM Many Eyes) • traitement des langues naturelles : désambiguïsation Véronis (Hyperlex) Désambiguïsation du mot “barrage”. Véronis, HyperLex: Lexical Cartography for Information Retrieval, 2004
  22. 22. Nuage de tags + arbre = nuage arboré SplitsTree : Huson 1998, Huson & Bryant 2006 Construit avec TreeCloud et TreeCloud en Python, license GPL disponible sur http://www.treecloud.fr
  23. 23. Nuage arboré des discours d'Obama couleur : chronologie ancien récent Les 150 mots les plus fréquents dans Construit avec les discours de campagne d'Obama, TreeCloud et winsize=30, distance=oddsratio, color=chronology, NJ-tree.
  24. 24. Plan • Nuages de mots • Nuages améliorés • Analyses plus fines
  25. 25. Analyses textuelles fines Lexico 3 • Laboratoire SYLED-CLA2T de Paris 3 Sorbonne Nouvelle • Logiciel pour PC sous Windows • Version d'évaluation gratuite • Analyses fines, retour au texte http://www.cavi.univ-paris3.fr/Ilpga/ilpga/tal/lexicoWWW/
  26. 26. Analyses textuelles fines Lexico 3 • Laboratoire SYLED-CLA2T de Paris 3 Sorbonne Nouvelle • Logiciel pour PC sous Windows • Version d'évaluation gratuite • Analyses fines, retour au texte • Démo sur les avis cinéma de Monique Pantel http://monique.pantel.free.fr
  27. 27. Analyses textuelles fines
  28. 28. Analyses textuelles fines
  29. 29. Analyses textuelles fines
  30. 30. Analyses textuelles fines
  31. 31. Analyses textuelles fines
  32. 32. Analyses textuelles fines
  33. 33. Analyses textuelles fines
  34. 34. Analyses textuelles fines glisser-déposer
  35. 35. Analyses textuelles fines
  36. 36. Analyses textuelles fines
  37. 37. Analyses textuelles fines
  38. 38. Analyses textuelles fines
  39. 39. Analyses textuelles fines
  40. 40. Analyses textuelles fines sélection puis clic sur Spécifs
  41. 41. Analyses textuelles fines
  42. 42. Analyses textuelles fines retour au texte

×