Exploiter les données issues de Wikipedia

Exploiter les données issues
de Wikipedia
Rencontres Mondiales
du Logiciel Libre
Développement logiciel
Beauvais (France) – 09 juillet 2015
robert.viseur@cetic.be

Qui suis-je ?
● Je suis : Dr Ir Robert VISEUR.
● Ingénieur civil, Docteur en sciences appliquées de
la Faculté Polytechnique de l'UMONS
(www.umons.ac.be).
● Assistant dans le Service de Management de
l'Innovation Technologique de la Faculté
Polytechnique de l'UMONS(www.umons.ac.be).
● Senior R&D Expert au CETIC (www.cetic.be).
● Photographe indépendant
(www.derriereleviseur.be).

Qu'a-t-on fait avec Wikipédia ? (1/2)
● Contexte général :
– Usage de plus en plus fréquent du contenu de Wikipédia dans les
domaines techniques et scientifiques (classification de documents,
REN, création d'URI, etc.).
– Plus de 22 mille résultats pour la requête « Exploiting Wikipédia »
dans Google Scholar (scholar.google.fr).
● Contexte interne :
– Demande d'une entreprise pour l'aider...
– à créer d'une base de données biographique depuis Wikipedia
(personnalités belges).
● Recherche menée principalement au CETIC, avec le
soutien de l'UMONS (FPMs).

Qu'a-t-on fait avec Wikipédia ? (2/2)
● Ce qui est présenté ici = travail d'évaluation.
● Cinq étapes principales :
– Identification des articles pertinents.
– Extraction des données depuis le texte.
– Inventaire des difficultés rencontrées.
– Évaluation de la qualité de l'extraction.
– Évaluation de la fiabilité des données.

Comment pensait-on pouvoir procéder ?
● En exploitant les informations structurées.

Étape 1 : identification des articles
● Comparaison :
– Interrogation d'une copie de base de données Wikipédia (via les
dumps publics).
– Accès par crawl des catégories (portail Belgique -> Personnalités
belges) vs...
– Accès par requête SPARQL (exploitation de la propriété
« birthPlace » dans DBPedia).

Étape 2 : extraction des données depuis le
texte (1/2)
● Accès au texte des articles
par URL du
type http://fr.wikipedi
a.org/w/index.php?
action=raw&title=xxxxx.
● Extraction du texte de
l'article et de l'Infobox (si
l'article en possède un).
● Extraction depuis le texte
des dates de naissance et de
décès, ainsi que des
professions.

Étape 2 : extraction des données depuis le
texte (2/2)
● L'analyse du texte se fait par la mise en œuvre d'un
jeu d'expressions régulières exploitant des
tournures de phrases typiques.
● Exemples : « né à ... », « naquit à ... », « est
un ... », etc.
● Les outils standards d'extraction d'entités nommées
ou d'étiquetage grammatical n'ont pas été utilisés.

Étape 3 : inventaire des difficultés
rencontrées (1/2)
● Une minorité d'articles dispose d'un
Infobox.
● L'information est donc moins
structurée qu'elle ne peut le sembler
au départ.
● Les propriétés des Infobox ne sont
elles-mêmes pas totalement
standardisées.
● Exemple : les dates de naissance
apparaissent avec différents labels
(→ folksonomie).
?

Étape 3 : inventaire des difficultés
rencontrées (2/2)
● L'extraction doit être mise en œuvre sur le texte par
essais et erreurs en exploitant des tournures de
phrases typiques.
● Le format de date est un bel exemple de
l'hétérogénéité constatée dans le formatage de
l'information au sein de l'encyclopédie.

Étape 4 : évaluation de la qualité de
l'extraction (1/2)
● Volumétries suite au processus d'extraction :

Étape 4 : évaluation de la qualité de
l'extraction (2/2)
● Evaluation de la qualité de l'extraction par la
comparaison entre données extraites dans le texte /
extraites dans les Infobox.

Étape 5 : évaluation de la fiabilité des
données (1/4)
● Comparaison des données extraites de Wikipédia
avec des données de référence.

données (2/4)
● Création d'une liste fusionnée (938 lignes)
● Différences de valeurs sur 14,4% des lignes.
– → Problème des homonymies...
● → Vérification manuelle...

données (3/4)
● Taux d'erreur :
– Taux d'erreur dans Wikipedia = 0,75%.
– Taux d'erreur dans les sources de référence = 0,21%.
– Evaluation par comparaison à des sources de référence (sites de
musées, de fondations,…).

données (4/4)
● Envisageable : automatiser la détection des données
(potentiellement) erronées.
● Moyen : utiliser les critères de qualité des articles
dans Wikipédia.
● Exemples : nombre de mots, nombre d'éditeurs
distincts, nombre d'éditions, etc.
● Voir (Blumenstock, 2008), (Chevalier et al., 2010),
(Stvilia et al., 2005), (Wilkinson et Huberman,
2007), etc.

Que conclure ? (1/4)
● Le projet Dbpedia, version sémantique de
Wikipédia, donne une image de structuration et
d'exhaustivité. Cette image est partiellement
trompeuse.
● Wikipédia est un projet basé sur les contributions
des utilisateurs, et souffre d'un manque de
structuration et d'homogénéisation pour en faciliter
l'exploitation.

● Dbpedia reflète cette caractéristique. Dbpedia reste
cependant une excellente base pour des opérations
de « linked data ».
(source : data.culture.fr)

● L'exploitation du texte des articles peut
heureusement être abordée avec des techniques
simples (jeu d'expressions régulières) grâce à la
structure typique des articles et des phrases.
● Résultat obtenu :
– Précision : ~90%.
– Rappel : ~80%.

● La fiabilité des données paraît fort satisfaisante (>
99%).
– Limitation : test réalisé sur des personnalités encodées dans
plusieurs bases de données, donc probablement populaires (→
davantage de révision par les pairs ?).
● Pas de sureprésentation de personnalités
contemporaines (comparé aux sources de
référence).
– Moyenne (date de naissance) : 1880.
● Sources de références : 1878.
– Ecart-type (date de naissance) : 156.
● Sources de références : 66.

Quelles sont les perspectives ?
● Evaluer l'intérêt d'utiliser des outils spécialisés pour
l'extraction d'entités nommées.
– Plus d'infos sur les outils open source d'extraction de
terminologie dans Viseur (2013b, 2014a).
● Evaluer les possibilités liées à l'utilisation de
Wikidata (www.wikidata.org).

Références
● Robert Viseur (2015), « Utiliser Wikipédia pour la création d'une base de
données biographiques : mise en œuvre et étude des limitations », « Wikipédia,
objet scientifique non identifié » , Presses universitaires de Paris Ouest, 978-2-
84016-205-6.
● Robert Viseur (2014b), « Reliability of User-Generated Data: the Case of
Biographical Data in Wikipedia », « OpenSym » , Berlin, Germany.
● Robert Viseur (2014a), « Automating the Shaping of Metadata Extracted from a
Company Website with Open Source Tools », « International Journal of
Advanced Computer Science and Applications ».
● Robert Viseur (2013c), « Extraction of Biographical Data from Wikipedia » in
« Data », Reykjavik, Islande.
● Robert Viseur (2013b), « Presentation of OpenNLP », « Rencontres Mondiales
du Logiciel Libre (RMLL) », Université Libre de Bruxelles, Bruxelles, juillet
2013.
● Robert Viseur (2013a), « Extraction de données biographiques depuis
Wikipedia », « InforSID », Paris, France.

Aéropôle de Charleroi-Gosselies
Rue des Frères Wright, 29/3
B-6041 Gosselies
info@cetic.be
www.cetic.be
Thanks
Contact :
robert.viseur@cetic.be
Plus d'information :
www.robertviseur.be
twitter.com/robertviseur
www.linkedin.com/in/robertviseur

Exploiter les données issues de Wikipedia

Contenu connexe

En vedette (6)

Plus de Robert Viseur (20)

Exploiter les données issues de Wikipedia