projets.md

Projet Fouille de textes 2021

Objectif : entraîner des classifieurs par apprentissage automatique et comparer les performances de différents algorithmes de classification sur une tâche de votre choix et un corpus que vous aurez constitué

Consignes

• Projet à rendre le 13 mai 2021 à 19h au plus tard par mail à loic.grobol@gmail.com
  • En cas de problème ou de retard, tout est négociable, mais contactez moi avant
• Projet collectif, par groupe de 2
  • Si c'est un problème pour vous, venez me voir et on en discute
  • Si il y a un problème — quel qu'il soit — dans votre groupe, n'hésitez pas à m'en parler
• Aucune restriction sur la langue utilisée (pour le corpus, pas vos comptes-rendus qui doivent être en français ou en anglais)
• Idéalement, votre corpus devrait comporter au moins une centaine de documents par classe (aucune limite supérieure). Cette exigence peut éventuellement être relâchée mais parlez m'en avant
• De manière générale, si vous avez un problème ou des question sur quoi que ce soit qui a trait à ce projet ou le cours en général, contactez moi, ne restez pas coincé⋅e⋅s ou dans l'embarras.

Le rendu devra comporter :

• Un compte-rendu traitant les points suivants :
  • Les objectifs du projet
  • Les données et ressources utilisées (origine, format, statut juridique) et les traitements opérés sur celles-ci. Pensez à donner un résumé du nombre de documents par classe et à préciser la taille des documents sur lesquels vous travaillez.
  • La méthodologie (comment vous vous êtes réparti le travail, comment vous avez identifié les problèmes et les avez résolus, différentes étapes du projet…)
  • Les expériences réalisées
    • Précisez les réglages des paramètres et le mode de calcul des performances. Vos expériences doivent être reproductibles
    • Vous devez tester au moins deux des trois principaux algorithmes de classification vus en cours (J48, Naive Bayes et SVM)
    • Évidemment, rien ne vous empêche d'utiliser des algoritmes que nous n'avons pas vu en cours…
  • Les résultats des expériences et une discussion de ces résultats
• Les données utilisées (ou un échantillon si le volume est important)
• Tous les scripts et outils que vous avez développé (le cas échéants) pour ce projet en format utilisable et avec des instructions suffisantes pour que je puisse les tester. (Par exemple ne donner que des screenshots, c'est non)

Pour nous faciliter la vie à toustes

• Le compte-rendu doit être au format pdf et le nom de fichier doit être <Prénom1>_<Nom1>-<Prénom2>_<Nom2>-fdt2020.pdf, par exemple Loïc_Grobol-William_Labov-fdt2020.pdf.

  Pour éviter les éventuels problèmes d'encodage ou de plateformes, merci d'utiliser une version de vos noms et prénoms en alphabet latin (désolé)

• Votre rendu doit être contenu entièrement dans une archive au format zip, 7zip ou tar+gz, nommée avec le format <Prénom1>_<Nom1>-<Prénom2>_<Nom2>-fdt2020.zip (avec l'extension qui convient)

  Assurez-vous que tous vos fichiers textes sont encodés en utf-8.

Conseils

• N'hésitez pas à motiver vos choix dans le compte-rendu
• Écrivez ! Tenez un carnet : vos questions, un compte-rendu de vos discussions, les problèmes rencontrés, tout est bon à prendre et cela vous aidera à rédiger la documentation finale.
• Utilisez au maximum des outils de collaboration, selon vos goûts et vos compétences, par exemple:
  • Framapad
  • Dropbox
  • Github
• Respectez soigneusement la méthodo décrite dans le cours, en partibulier:
  • Assurez vous bien de ne pas tester sur le train
  • Assurez vous que les indices évident sont retirés de vos documents, par exemple si vous faites de la classification de recette par type et que vous avez laissé un en-tête qui contient le type c'est pas super
  • En général méfiez vous comme la peste des résultats trop beaux pour être vrais

Ressources linguistiques

Pour constituer vos corpus de travail

• Des ressources linguistiques exploitables librement et facilement sont disponibles sur
  • Ortolang
  • Clarin.
  • Vous pouvez aussi aller voir du côté de l'API twitter pour récupérer des données (qui ne sont pas nécessairement uniquement linguistiques)
• Wikisource et évidemment Wikipédia proposent des textes sous licences libres comportant déjà des métadonnées
• Vous pouvez réaliser des aspirations de sites webs avec Gromoteur. Les corpus de presse se prêtent bien aux tâches de classification
• Si les corpus de tweets vous intéressent, n'hésitez pas à regarder du côté de l'API Twitter

Outils

Script de vectorisation

Un script de vectorisation basique vous est fourni pour générer des fichiers ARFF. Il se lance avec

python3 vectorisation.py chemin/du/corpus chemin/du/fichier/de/sortie

Où chemin/du/corpus est le chemin vers un dossier contenant un sous-dossier par classe, chaque sous-dossier contenant un fichier par document de cette classe (avec l'extension .txt). Par exemple

mon_corpus
├── culture
│   ├── t1.txt
│   ├── t2.txt
│   ├── t3.txt
│   └── t4.txt
└── societe
    ├── t5.txt
    ├── t6.txt
    └── t7.txt

Pour vectoriser un corpus en utilisant un vocabulaire prédéfini (par exemple pour vectoriser le corpus de test à partir du corpus d'entraînement), utilisez l'option --lexicon comme ceci

python3 vectorisation.py --lexicon chemin/vers/train.arff chemin/vers/corpus/test chemin/du/fichier/de/sortie

Vous pouvez aussi voir le détail des options disponibles en lançant vectorisation.py --help.

N'hésitez pas à adapter ce script pour l'adapter à vos besoins : une meilleure segmentation, un calcul des fréquences relatives ou des TF⋅IDF…

Autres resources

• Si programmer ne vous effraie pas, allez voir du côté de scikit-learn qui propose des versions faciles à utiliser des algorithmes vu en cours.
• Si vous voulez réaliser des traitements linguistiques plus sophistiqués sur vos données, allez voir spacy, nltk ou CoreNLP. Évidemment, n'utilisez pas les classifieurs de documents déjà inclus directement comme entrée de vos classifieurs à vous…

Exemples de sujets

• Classer des poésies par mouvement littéraire (classicisme, pléiade et romantisme)
• Retrouver le type de plat (entrée, plat ou dessert) de textes de recettes de cuisine
• Déterminer la polarité (favorable ou défavorable) de commentaires clients sur un site marchand
• Classer des textes de chansons par auteur
• Identifier les textes issus de sites classés comme sectaires par la Miviludes
• Retrouver la catégorie (sport ou cinéma) d'articles du journal en ligne Le Monde

Un exemple de dossier complet est disponible pour vous donner une idée de ce qui est attendu. Il ne s'agit que d'un exemple et vous êtes parfaitement libre de présenter vos résultats autrement, de faire des expériences différentes…