Quelle solution pour améliorer les performances de la reconnaissance d’entités nommées sur des données bruitées, corriger l’entrée ou filtrer la sortie ?
Cet article présente les résultats d’un travail de recherche qui vise à déterminer si la correction de l’OCR, en amont, permet d’améliorer significativement les résultats de la tâche de la Reconnaissance d’Entités Nommées (REN). Les expériences ont été appliquées aux corpus ELTeC et Très Grande Bibl...
Gardado en:
| Publicado en: | URI:https://journals.openedition.org/corpus, |
|---|---|
| Auteurs principaux: | , , , |
| Formato: | Article ou chapitre numérique |
| Publicado: |
Corpus
2025
|
| Sujets: | |
| Acceso en liña: | Accès Université d'Orléans et IFPM Accès Université d'Orléans et IFPM |
| Résumé: | Cet article présente les résultats d’un travail de recherche qui vise à déterminer si la correction de l’OCR, en amont, permet d’améliorer significativement les résultats de la tâche de la Reconnaissance d’Entités Nommées (REN). Les expériences ont été appliquées aux corpus ELTeC et Très Grande Bibliothèque (TGB). Notre objectif est d’établir (i) une typologie des contaminations d’OCR issues des outils Kraken et Tesseract et (ii) une typologie des erreurs de la correction automatique produite par l’outil JamSpell. Dans le cadre de notre évaluation, nous étudions les intersections entre les EN détectées par l’outil spaCy dans les textes de référence et les deux versions d’OCR d’une part, et d’autre part la mesure cosinus utilisée pour calculer la distance textuelle entre ces versions. Nos résultats montrent que la correction automatique introduit des biais dans les données textuelles et que le filtrage des entités en sortie semble être une piste plus prometteuse. Enfin, nous constatons que les EN incorrectes sont massivement des entités courtes et hapax en corpus, ainsi que la longueur des entités et la fréquence documentaire sont les critères discriminatoires pour exclure des EN candidates avec une précision de plus de 98 %. |
|---|