Exploitation du contexte pour la reconnaissance de noms propres dans les documents diachroniques audio – ContNomina

Les technologies impliquées dans la recherche d’informations dans de grandes bases de données audio/vidéo reposent le plus souvent sur l'analyse de grands corpus fermés et sur des techniques d'apprentissage automatique et de modélisation statistique du langage écrit ou oral. L'efficacité de ces approches est maintenant unanimement reconnue mais elles présentent néanmoins des défauts majeurs, en particulier pour la prise en charge des néologismes et des noms propres, deux types d'entrées qui sont cruciales pour l'interprétation des contenus mais qu'il est extrêmement difficile de modéliser par une analyse sur des corpus fermés.
Dans le cadre des données diachroniques (qui évoluent dans le temps) de nouveaux noms propres apparaissent continuellement ce qui nécessite de gérer dynamiquement les lexiques et modèles de langage utilisés par le système de reconnaissance de la parole.
En conséquence, le projet ContNomina se concentre sur le problème des noms propres dans les systèmes de traitement automatique des contenus audio en exploitant au mieux le contexte des documents traités. Pour ce faire, le projet s’intéressera
· à la modélisation statistique des contextes et des liens entre contextes et noms propres ;
· à la contextualisation de la reconnaissance à travers l’ajustement dynamique du lexique et du modèle de langage, de manière à les rendre plus précis, et surtout plus pertinents du point de vue de la couverture lexicale, en particulier en ce qui concerne les noms propres ;
· à la détection des noms propres, d’une part dans les documents textuels pour la constitution de liste de noms propres, d’autre part dans les sorties du système de reconnaissance pour identifier les noms propres prononcés dans les documents audio/vidéo.
Les ressources développées lors de ce projet seront accessibles à la communauté scientifique. Il s’agira d’un lexique de noms propres phonétisés (actuellement un tel lexique n’est pas disponible en Français) et d’annotations d’un corpus audio/vidéo.
Un démonstrateur WEB sera mis en œuvre pour valider les avancées développées dans le cadre du projet.