Caroline Koudoro-Parfait*, Ljudmila Petkovic* et Glenn Roe*
*Sorbonne Université, Observatoire des textes, des idées et des corpus (OBTIC), Paris, France
Résumé
L’extraction d’informations de textes issus de reconnaissance optique de caractères (ROC) interroge sur la possibilité d’exploiter des données bruitées. Notre contribution est double, nous nous attacherons : d’une part, à déterminer si la correction de la ROC permet d’améliorer significativement les résultats de la tâche de reconnaissance d’entités nommées (REN) sur des corpus de langue française, anglaise et portugaise, d’autre part, à montrer les limites des évaluations strictes (F-score ou intersections), tout en proposant des stratégies d’évaluation plus souples. Nous présentons plusieurs typologies et protocoles d’évaluation pour la REN sur des données bruitées et sur des données bruitées corrigées automatiquement
Résumé (en anglais)
The extraction of information from texts produced by optical character recognition (OCR) raises questions about the possibility of exploiting noisy data. Our contribution is twofold: firstly, to determine whether OCR correction can significantly improve the results of the Named Entity Recognition (NER) task on French, English and Portuguese language corpora, and secondly, to show the limitations of strict evaluations (F-score or intersections), while proposing more flexible evaluation strategies. We present several typologies and evaluation protocols for NER on noisy data and on automatically corrected noisy data.
Document
Rank
2