ADT et deep learning, regards croisés. Phrases-clefs, motifs et nouveaux observables

Description

This contribution confronts ADT and Machine learning. The extraction of key-statistical passages is first proposed according to several calculations implemented in the Hyperbase software. An evaluation of these calculations according to the filters applied (taking into account of the positive specificities only and substantives only, etc.) is given. The extraction of key passages obtained by deep learning-passages that have the best recognition rate at the time of a prediction-is then proposed. The hypothesis is that deep learning is of course sensitive to the linguistic units on which the computation of the key statistical sentences are based, but also sensitive to other phenomena than frequency and other complex linguistic observables that the ADT has more difficult to take into account-as would be linguistic pattern (Mellet et Longrée, 2009). If this hypothesis is confirmed, it would on the one hand better apprehend the black box of deep learning algorithms and on the other hand to offer the ADT community a new points of view. Résumé Cette contribution confronte ADT et Deep learning.

Abstract (French)

L'extraction de passages-clefs statistiques est d'abord proposée selon plusieurs calculs implémentés dans le logiciel Hyperbase. Uné evaluation de ces calculs en fonction des filtres appliqués (prise en compte des spécificités positives seulement, prise en compte de substantifs seulement, etc) est donnée. L'extraction de passages-clefs obtenus par deep learning-c'est-` a-dire des passages qui ont le meilleur taux de reconnaissance au moment d'une prédiction-est ensuite proposée. L'hypothèse est que le deep learning est bien sûr sensible aux unités linguistes sur lesquelles le calcul des phrases-clefs statistiques se fondent, mais sensiblé egalementàegalement`egalementà d'autres phénomènes que fréquentiels et d'autres observables linguistiques complexes que l'ADT a plus de maì a prendre en compte-comme le seraient des motifs sous-jacents (Mellet et Longrée, 2009). Si cette hypothèse se confirmait, elle permettrait d'une part de mieux appréhender la boˆıteboˆıte noire des algorithmes de deep learning et d'autre part d'offriràoffrir`offrirà la communauté ADT de nouveaux points de vue.

Abstract

International audience

Additional details