Télécharger en tant que PDF, PPTX
Téléchargé parPhilippe Gambette
Analyse de textes avec TreeCloud et Lexico3
Le document traite de l'analyse de textes à l'aide de techniques telles que les nuages de mots et les analyses sémantiques. Il présente des méthodes pour améliorer les nuages de mots et extraire des informations sémantiques, ainsi que des exemples d'applications telles que l'analyse du discours et la visualisation graphique. Plusieurs outils et ressources sont mentionnés, incluant Treecloud et Lexico3 pour des analyses textuelles fines.
Analyse de textes avec TreeCloud et Lexico3
- 1. Journée OSIDMESH Montpellier – 23/10/2009 Analyses de textes avec TreeCloud et Lexico3 Philippe Gambette
- 2. Plan • Nuages demots • Nuages améliorés • Analyses plus fines
- 3. Plan • Nuages demots • Nuages améliorés • Analyses plus fines
- 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. 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. 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. 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. 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. Plan • Nuages demots • Nuages améliorés • Analyses plus fines
- 10. Nuages de motsaméliorés 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. Nuages de tags/motsaméliorés 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. Nuages de tags/motsaméliorés 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. Nuages de tags/motsaméliorés 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. Nuages de tags/motsaméliorés 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. Extraire l'information sémantiqued'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. Extraire l'information sémantiqued'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. Extraire l'information sémantiqued'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. Extraire l'information sémantiqued'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. Extraire l'information sémantiqued'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. Extraire l'information sémantiqued'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. Extraire l'information sémantiqued'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. 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. Nuage arboré desdiscours 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. Plan • Nuages demots • Nuages améliorés • Analyses plus fines
- 25. Analyses textuelles fines Lexico3 • 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. Analyses textuelles fines Lexico3 • 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.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34. Analyses textuelles fines glisser-déposer
- 35.
- 36.
- 37.
- 38.
- 39.
- 40. Analyses textuelles fines sélection puis clic sur Spécifs
- 41.
- 42. Analyses textuelles fines retour au texte