Ci-dessous, les différences entre deux révisions de la page.
Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente Prochaine révision Les deux révisions suivantes | ||
python:traitement_corpus_textuels [2019/11/16 09:23] Francesco Beretta |
python:traitement_corpus_textuels [2019/11/16 09:32] Francesco Beretta [Encodage sémantique avec Atom] |
||
---|---|---|---|
Ligne 3: | Ligne 3: | ||
- | ===== Encodage sémantique avec Atom ===== | + | ===== Encodage sémantique de textes XML avec ATOM ===== |
Annotation d'entités nommées (personnes, concepts, lieux, etc.) et entités temporelles (événements, caractéristiques, relations, etc.) dans les textes. | Annotation d'entités nommées (personnes, concepts, lieux, etc.) et entités temporelles (événements, caractéristiques, relations, etc.) dans les textes. | ||
Ligne 10: | Ligne 10: | ||
- | ===== Atelier du 27 novembre 2018 ===== | + | ===== Annotation sémantique de documents en traitement de texte et transformation en XML ===== |
- | Objectifs : | + | Annotation de partie de textes avec marqueurs (concepts), annotation d'entités nommées (personnes, concepts, lieux, dates, etc.) dans les textes en utilisant un logiciel de traitement de texte, puis tranformation en XML. |
- | * importation d'un corpus de textes OCRisés au format Word | + | |
- | * constitution du corpus dans Python | + | |
- | * tokenisation en français | + | |
- | * analyse de fréquences pour nettoyer le texte | + | |
- | Ressources : | + | Vers la [[python:traitement_texte_vers_xml|page dédiée à l'encodage sémantique]] |
- | * Corpus de texte (lien à mettre) | + | |
- | * Librairies python pour importer les documents Word : | + | |
- | * [[https://pypi.org/project/mammoth/|mammoth]] | + | |
- | * [[https://github.com/python-openxml/python-docx|python-docx]], cf. [[https://discuss.analyticsvidhya.com/t/how-to-read-a-bunch-of-docx-files-in-python/19394|ce fil]] de forum pour une piste. | + | |