Version classiqueVersion mobile
OpenEdition Books

Wikipédia, objet scientifique non identifié

 | 
Lionel Barbe
, 
Louise Merzeau
, 
Valérie Schafer

Terrain et corpus scientifique

Utiliser Wikipédia pour la création d’une base de données biographiques : mise en œuvre et étude des limitations

Robert Viseur

Texte intégral

Remerciements

Je remercie Joseph Roumier et Nikolaos Matskanis, respectivement Chef de projet et Ingénieur de recherche au Centre d'Excellence en Technologies de l'Information et de la Communication (cetic.be), pour l'aide apportée dans la formulation des requêtes SPARQL pour DBpedia.

1Wikipedia (wikipedia.org) est une encyclopédie multilingue et collaborative lancée en 2001. Le projet est depuis 2003 soutenu financièrement par la Wikimedia Foundation (wikimediafoundation.org). Le volume de l'encyclopédie n'a cessé de grandir depuis sa création. En janvier 2013, les plus grosses éditions de Wikipedia étaient les éditions anglophone (plus de quatre millions d'articles), germanophone (plus d'un million et demi d'articles), francophone (plus d'un million trois cent mille articles) et néerlandophone (plus d'un million cent mille articles).

2Ces dernières années, les recherches académiques et les exemples pratiques d'utilisation du contenu de Wikipedia se sont multipliés. Hu et al. (2009) l'ont exploité pour améliorer les performances d'un système de clustering de documents. Kazama et al. (2007) ou Charton et al. (2010) l'ont exploité pour améliorer la reconnaissance d'entités nommées. Buscaldi et Rosso (2006) ont amélioré les performances d'un système de réponse à des questions (« Question Answering technology »). La BBC l'a utilisé pour permettre l'interconnexion des informations présentes dans ses bases de données internes et leur enrichissement par des sources de données externes (Kobilarov et al., 2009). La requête « Exploiting Wikipedia » exécutée dans le moteur de recherche scientifique Google Scholar (scholar.google.fr) renvoie ainsi plus de 22 mille résultats !

3Notre recherche concerne pour sa part l'extraction de données biographiques relatives à des personnalités originaires de Belgique et leur utilisation pour alimenter une base de données biographiques. L'utilisation de Wikipedia pour l'alimentation d'une base de données biographiques apparaît appropriée, si l'on s'en réfère à la répartition par type de contenu au sein de l'encyclopédie. Les articles relatifs aux biographies et aux personnes représentaient en effet, en janvier 2008, 15% du contenu total, derrière les articles relatifs à la culture et aux arts (Kittur et al., 2009).

4Plusieurs questions se posent cependant.

- Les éditions francophone, germanophone et néerlandophone de Wikipedia sont intéressantes, car ces langues constituent les trois langues nationales belges. Il est cependant difficile, sur cette base, d'identifier la volumétrie du contenu concernant la Belgique, plutôt que la France, l'Allemagne ou les Pays-Bas.

- De nombreux articles exploitent le contenu de Wikipedia. Cependant, peu d'entre eux donnent des indications quant aux difficultés pratiques liées à l'extraction d'informations dans Wikipédia. Une extraction réussie suppose de savoir identifier les articles pertinents mais aussi d'être capable d'extraire les informations souhaitées depuis le contenu des articles.

- La question de la qualité des contenus présents dans Wikipedia reste largement débattue. Les chercheurs étudient notamment toujours la qualité des articles et cherchent à élaborer des méthodes permettant de prédire la qualité d'un article. La fiabilité des données biographiques est par contre mal connue.

5Notre recherche sera organisée en cinq sections. Une première section proposera un état de l'art en matière, d'une part, d'extraction d'informations dans l'encyclopédie Wikipedia et, d'autre part, de fiabilité des informations extraites. Une seconde section présentera un cas pratique de collecte de données biographiques de personnalités belges. Différentes solutions seront discutées et la solution retenue sera mise en œuvre. Dans une troisième section, la qualité de l'extraction sera discutée. Des recommandations pratiques à destination des chercheurs souhaitant exploiter Wikipedia seront en outre proposées sur la base de notre cas pratique. Dans une quatrième section, nous étudierons la fiabilité des données biographiques qui ont fait l'objet de l'extraction. Dans une cinquième et dernière section, les perspectives et les limitations de la recherche seront enfin présentées.

6Cette recherche a fait l'objet d'une première communication, partielle, lors du trente et unième colloque INFORSID en 2013 (Viseur, 2013a).

État de l'art

Extraction d'informations dans Wikipédia

7L'extraction de biographie a déjà été réalisée par Biadsy et al. (2008). L'approche adoptée par les auteurs est cependant différente de la nôtre, puisqu'ils ont développé un système de résumé multi-document, construit sur un classificateur de phrases biographiques et d'un composant permettant l'ordonnancement des phrases jugées d'intérêt. Ils se sont basés sur les articles de biographies utilisant le template de Wikipédia dédié aux biographies, soit près de 17000 articles. Le traitement s'est opéré sur la copie XML (Extensible Markup Language) de Wikipédia disponible en ligne.

8En pratique, l'utilisation des copies XML n'est pas la seule manière pour manipuler le contenu de l'encyclopédie. D'une part, l'extraction des informations à l'aide d'outils de rétroingénierie directement sur les pages publiées en ligne reste possible. D'autre part, une version structurée de Wikipédia est proposée depuis 2007: DBpedia.

9DBpedia (dbpedia.org) est un effort communautaire qui a démarré en 2007 (Auer et al., 2007). Il vise à extraire des informations structurées de Wikipedia et à rendre ces informations disponibles sur Internet. Le processus d'extraction s'appuie sur les copies des bases de données Wikipedia (database dump). Le base de données est actualisée grâce à l'utilisation du flux référençant les mises à jour de l'encyclopédie (Hellmann et al., 2009). L'extracteur s'appuie sur le contenu des articles et, surtout, sur celui des Infobox associés aux articles. Les Infobox apparaissent sous forme de tableaux dans le coin supérieur droit de nombreux articles et présentent des informations factuelles.

10Le contenu extrait depuis l'encyclopédie est converti dans le format RDF (Resource Description Framework). Plusieurs mécanismes d'accès sont proposés pour explorer DBpedia: l'accès aux données RDF directement par URI (Universal Resource Identifier), l'utilisation d'agents Web (exemple: navigateurs pour le Web sémantique) et les points d'accès SPARQL (SPARQL Protocol and RDF Query Language) permettant l'interrogation de DBpedia au moyen d'un langage évoquant le SQL (Structured Query Language) utilisé pour les bases de données relationnelles.

11DBpedia apparaît comme une solution partielle pour l'extraction d'informations dans les contenus de Wikipedia. Certes, la facilité d'interrogation permise par le langage SPARQL pour l'identification des articles utiles en fait un outil séduisant. Cependant, DBpedia présente plusieurs limitations.

12Premièrement, la couverture linguistique de DBPedia est actuellement limitée à 13 langues (voir « International DBpedia chapters », dbpedia.org). Lors de sa création en 2007, DBpedia était uniquement proposé en langue anglaise. Le projet pour la langue française n'a été lancé que plus tardivement fin 2012. Baptisé Sémanticpédia (www.semanticpedia.org), il associe le Ministère français de la culture et de la communication, Wikimédia France et l'Inria, pour la production d'une version française de DBpedia (fr.dbpedia.org).

13Deuxièmement, le processus d'extraction s'appuie principalement sur le contenu des Infobox (Auer et al., 2007 ; Hellmann et al., 2009). Or, un examen rapide d'articles Wikipedia permet de constater que toutes les pages de l'encyclopédie ne proposent pas d'Infobox, et que ces derniers ne sont pas toujours complets. Une part de l'information présente dans les articles échappe donc aux extracteurs. Néanmoins, à sa création, DBpedia revendiquait déjà près de 2 millions de références (Auer et al., 2007).

Évaluation de la fiabilité des informations

14La qualité des informations issues de sites dont les contenus sont générés par les utilisateurs fait l'objet de débats et de recherches depuis quelques années. C'est notamment le cas pour des sites tels qu'OpenStreetMap (www.openstreetmap.org), une alternative à Google Maps (maps.google.fr), libre et alimentée par ses utilisateurs, ou que l'encyclopédie libre Wikipedia (www.wikipedia.org). Chacun pouvant contribuer au contenu de ces sites, comment garantir une qualité comparable à celle des services commerciaux imposant un processus de qualité jugé plus strict et systématique ?

15En pratique, la qualité d'un Wikipedia se révèle comparable à ses équivalents commerciaux, tandis qu'un OpenStreetMap améliore rapidement sa couverture des territoires (Brown, 2011 ; Chevalier et al., 2010 ; Heipke, 2010 ; Javanmardi et Lopes, 2010). Les chercheurs mettent notamment en avant la pratique de l'évaluation par les pairs (si la communauté est suffisamment grande, les erreurs seront détectées et pourront être corrigées) et le fait que les utilisateurs engagés dans la création du contenu disposent parfois de connaissances dont les entreprises ne disposent pas (Blumenstock, 2005 ; Goodchild et Li, 2012 ; Heipke, 2010).

16Les méthodes de mesure de la qualité s'articulent généralement autour de deux stratégies.

17La première consiste à utiliser des données de contrôle (control data), qui ont fait l'objet d'une vérification par des experts du domaine. Cette technique est notamment utilisée pour les informations géographiques apportées par des utilisateurs (Comber et al., 2012). La principale limitation réside dans les erreurs pouvant exister dans ces données de contrôle.

18La seconde consiste à prendre comme critère de qualité un critère d'évaluation par la communauté. Dans le cas de Wikipedia, il s'agit généralement de la valeur de « featured article » associée aux articles remarquables. Sur cette base, les chercheurs tentent d'établir des modèles et de déterminer les caractéristiques d'un article de qualité. Il ressort de ces études que des critères tels que la longueur de l'article, le nombre de références externes, le nombre de contributeurs, le nombre d'éditions ou la longueur de la page de discussion d'un article auraient un impact positif sur la qualité des articles (Chevalier et al., 2010 ; Wilkinson et Huberman, 2007). Ainsi, ces critères pourraient intégrer une combinaison de métriques permettant d'estimer la qualité d'un article Wikipédia.

Collecte des données biographiques de personnalités belges

Identification des articles pertinents

19Nous avons tout d'abord comparé deux approches: d'une part, l'interrogation de DBpedia depuis les points d'accès anglophones et francophones et, d'autre part, l'identification des articles pertinents à l'aide d'un robot d'exploration (crawler) sur le site de l'encyclopédie.

20L'interrogation du DBpedia anglophone et du DBpedia francophone a été réalisée avec une requête en langage SPARQL, grâce à la propriété « birthPlace » (égale à « Belgique » pour la langue française et « Belgium » pour la langue anglaise).

21L'identification des biographies des personnalités belges sur le site Wikipedia francophone se fait en deux étapes. La première étape prend comme point de départ la page Wikipedia relative aux personnalités belges (http://fr.wikipedia.org/wiki/Cat%C3%A9gorie:Personnalit%C3%A9_belge), pointée depuis le portail belge de Wikipedia (http://fr.wikipedia.org/​wiki/​Portail:Belgique). Elle consiste en un crawl récursif de cette page et des pages de catégories suivantes de manière à identifier les pages de catégories contenant des personnalités belges. Ce mécanisme permet de trouver plus de 700 catégories pertinentes. Les URLs de ces catégories sont sauvegardées. La seconde étape explore ensuite les pages de catégories et identifie les articles Wikipédia dédiés aux personnalités belges. Les URLs de ces fiches sont sauvegardées dans un fichier. Plus de 10.000 articles sont collectés grâce à cette méthode (voir Table 1).

Table 1. Nombre d'articles trouvés par méthode

Table 1. Nombre d'articles trouvés par méthode

22La volumétrie de la méthode classique par crawl dans Wikipédia plutôt que par interrogation de DBpedia se révèle donc nettement plus intéressante.

Extraction d'informations dans le texte

Processus d'extraction

23Une copie des articles est sauvegardée en local. En pratique, nous travaillerons sur la version des articles dans le format propre à Wikipedia. Cette version est accessible via des URLs de la forme http://fr.wikipedia.org/​w/​index.php?action=raw&title=xxxxx et permet d'obtenir un texte brut, composé du texte de l'article et d'éléments de syntaxe Mediawiki (www.mediawiki.org ; MediaWiki est le moteur de wiki utilisé par l'ensemble des projets de la Wikimedia Foundation). Ce texte est exempt de balises HTML et débute par un Infobox, lorsque ce dernier existe.

24L'utilisation d'un outil standard d'extraction d'entités nommées, tel qu'OpenNLP (Viseur, 2013b), a été envisagée. Elle n'a finalement pas été retenue. Ce type d'outil permet généralement d'extraire automatiquement dans un texte brut des informations telles que les noms de personnes, les noms d'organisations, les noms de lieux, les prix, les pourcentages, les heures ou les dates (catégories ENAMEX / TIMEX / NUMEX). Cependant, dans notre cas d'utilisation, les informations à extraire n'étaient pas incluses dans les catégories généralement couvertes par les catégories d'entités (exemple : profession) ou étaient plus précises (exemple : date de naissance et date de mort). Des extracteurs sur mesure ont dès lors été développés.

25L'analyse du texte brut passe par deux opérations. La première consiste à extraire l'Infobox, lorsque ce dernier existe. Le seconde consiste à identifier les phrases de la biographie susceptibles de contenir des informations biographiques importantes telles que la date de naissance, la date de mort et la profession. En pratique, la première phrase de l'article est systématiquement retenue, car elle contient conventionnellement les informations les plus importantes sur la personne. Elle est éventuellement complétée par une seconde phrase, en cas de correspondance avec un ensemble de mots-clefs déclencheurs. Ce traitement aboutit à une biographie condensée, qui est sauvegardée pour chaque article. Ces biographies condensées passent ensuite par un jeu d'expressions régulières pour en extraire la date de naissance, la date de mort (si la personne est morte) et la profession de la personne. Ces informations structurées sont stockées dans un fichier CSV (Comma-separated values).

26Ce fichier contient 10610 entrées, avec les champs suivants: nom, date de naissance, date de mort, profession, URL de la catégorie et URL de l'article au format HTML (voir Table 2). Sur un total initial de 10884 articles, 57,6% des articles permettent une extraction de la date de naissance, 26,9%, de la date de décès et 56,3%, des professions. Pour ces dernières, la catégorie de l'article apporte généralement une information de substitution en cas d'extraction ratée (les catégories indiquent souvent une profession ou une fonction dans la société). Seules 27,4% des fiches possèdent un Infobox.

Table 2. Volumétries (processus d'extraction)

Table 2. Volumétries (processus d'extraction)

Difficultés rencontrées

27Nous avons principalement rencontré quatre difficultés.

28Premièrement, les articles ne sont accompagnés d'un Infobox que dans moins d'un cas sur trois. Il en résulte une obligation de passer par des techniques d'analyse de texte pour parvenir à extraire les dates (naissance, décès) et professions. L'extraction des dates est particulièrement délicate, car les articles comprennent souvent d'autres dates (dates liées à des événements importants dans la vie des personnes). L'extraction fait appel à un ensemble d'expressions régulières, dont l'écriture est délicate pour le non-spécialiste.

29Deuxièmement, même lorsqu'un Infobox est présent, le nom des champs des Infobox n'est pas homogène. La date de naissance pourra ainsi être annoncée par « date_naissance », « date naissance », « date de naissance », « date_de_naissance » ou encore « naissance » (nom de la clef dans la structure clef-valeur utilisée pour représenter l'Infobox). Un regroupement préalable est donc nécessaire. Cela ne présente pas de grande difficulté technique.

Table 3. Hétérogénéité des formats de dates

([[Bree]], [[12 avril]] [[1876]] – [[Ixelles]], [[14 septembre]] [[1953]])

([[Pétange]], {{Date de naissance|12|juillet|1817}} - Pétange, {{Date de décès|14|mai|1898}}])

né le [[12 janvier]] [[1597]] à [[Bruxelles]] ([[Belgique]]) et mort le [[12 juillet]] [[1643]] à [[Livourne]] ([[Italie]])

'''Ellen Petri''' (née le 25 mai [[1982]], [[Merksem]] ([[Anvers]]))

'''Paul Deschanel''', né le {{date|13|février|1855}} à [[Schaerbeek]] ([[Bruxelles]]) et décédé le {{date|28|avril|1922}} à [[Paris]]

'''Robert Gruslin''' né à [[Rochefort (Belgique)|Rochefort]] le [[18 mars]] [[1901]], décédé à [[Profondeville]] le {{1er juin}} [[1985]]

30Troisièmement, les formats de dates ne sont pas homogènes, que ce soit dans le texte ou dans les Infobox (voir Table 3). Les dates peuvent être écrites avec des chiffres uniquement, avec le mois écrit en lettres ou encore être complétées par d'autres informations comme le lieu de naissance ou le type d'activité pour laquelle la personne s'est faite remarquer.

31Quatrièmement, la sélection préalable de phrases candidates pour l'extraction d'informations mériterait une mise en œuvre plus poussée que la technique utilisée pour notre recherche. Un classificateur tel que mis en œuvre par Biadsy et al. (2008) mériterait un investissement pour améliorer les performances globales de l'extraction.

Évaluation de la qualité de l'extraction

32L'évaluation a été réalisée sur un ensemble de 2980 entrées (il s'agit d'entrées comprenant un Infobox). Les dates de naissance extraites dans le texte des articles ont été comparées aux dates de naissances fournies dans les Infobox. Le contenu des Infobox est structuré. L'extraction est donc sensiblement simplifiée, et les informations extraites pourront être considérées comme exemptes d'erreurs d'extraction.

Table 4. Taux d'erreur d'extraction (date de naissance)

Table 4. Taux d'erreur d'extraction (date de naissance)

33Une comparaison a été faite entre les informations extraites dans le texte des articles Wikipédia et les informations extraites dans les Infobox (voir Table 4). Le test a été réalisé sur 2980 dates de naissance (100%). La comparaison a pu être réalisée sur 1644 dates pour lesquelles l'information était présente dans l'Infobox et dans le résultat de l'extraction depuis le texte de l'article. Des dates différentes sont constatées dans 9,6% des cas. Cependant, 7,7% des dates sont correctes mais l'information est incomplète. Typiquement, l'année de naissance a été extraite, mais pas la date complète (exemple: « mai 1988 » vs « 1988 »). L'information extraite du texte peut être plus complète que celle extraite de l'Infobox. L'information peut être présente dans le texte et pas dans l'Infobox.

34La présence de l'information dans l'Infobox et pas dans le texte est par contre due à des erreurs d'extraction. En pratique, l'information donnée dans l'Infobox semble toujours présente dans le texte. Ce constat permet d'obtenir une estimation du taux d'extractions ratées dans le texte, soit 19,9%.

35Près des deux tiers des personnes sont nés après 1900 (63,1% des dates de naissance données dans les Infobox). Le faible nombre de dates de décès serait donc dû à l'âge moyen des personnes fichées plutôt qu'à d'éventuelles erreurs d'extractions dans le texte des articles Wikipedia.

36Cette méthode pose deux difficultés. D'une part, les formats de dates peuvent différer entre informations extraites du texte et informations extraites des Infobox (exemple: « 8 mars 1965 » vs « 8 03 1965 »). Une méthode de conversion des dates est donc nécessaire pour en homogénéiser le format. Des tags Mediawiki ainsi que des informations complémentaires peuvent par ailleurs accompagner la date de naissance (exemple: « date_de_naissance = [[28 juillet en sport|28 juillet]] [[1982 en football|1982]] »). D'autre part, la structure des Infobox n'est pas normalisée et le nom des champs peut varier d'une fiche à l'autre.

Évaluation de la fiabilité de l'information

37Pour évaluer la fiabilité des informations incluses dans l'encyclopédie Wikipédia, nous avons retenu le principe de la comparaison des informations extraites depuis Wikpédia avec celles issues de 9 bases de données de référence, alimentées par des experts, fournies par le commanditaire de cette étude. Conscient du risque d'erreur dans les données de contrôle, nous avons, lorsque les valeurs différaient, recherché des sources d'informations complémentaires pour décider si l'erreur était dans l'encyclopédie Wikipédia ou dans les sources de référence.

38L'évaluation de la fiabilité des informations a été réalisée sur base de l'année de naissance des personnalités. Nous avons pour cela utilisé les personnalités possédant une entrée dans l'encyclopédie en ligne Wikipédia et au moins une entrée dans une autre des 9 bases de données de référence.

39

Figure 1. Fusion des 10 sources de données

Figure 1. Fusion des 10 sources de données

40En pratique, les 10 sources de données sont intégrées au sein d'une base de données unique grâce à un outil d'ETL (Extract-Transform-Load) développé pour les besoins de l'étude. Cet outil s'appuie sur un fichier de configuration permettant de spécifier les règles d'homogénéisation des fichiers, pour les noms et pour les dates. Il génère en outre un ensemble de clefs permettant d'associer les entrées multiples pour une même personnalité. Les enregistrements homogénéisés et enrichis de leurs clefs sont ensuite chargés dans une base de données MySQL, permettant leur manipulation (via des requêtes en langage SQL) et l'exportation de fichiers de travail.

41En pratique, à partir de la base de données intégrée, un fichier de 938 lignes a été créé. Chaque ligne représente un nom, suivi de la date de naissance mentionnée dans les 10 bases de données utilisées (dont Wikipédia). La valeur nulle est affectée lorsque l'entrée correspondante n'existe pas dans une base de données ou lorsque la date de naissance n'est pas connue.

42

Figure 2. Exemple d'entrées en base de données

Figure 2. Exemple d'entrées en base de données

43Nous avons tout d'abord considéré les entrées pour lesquelles les années sont identiques comme correctes. Nous avons donc gardé les entrées avec une différence d'année entre les différentes sources, soit 14,4% des entrées. Ces dernières peuvent contenir une erreur ou être simplement des entrées correspondant à des homonymes.

44Nous avons procédé à un examen manuel de ces entrées de manière à distinguer les erreurs dues au processus d'extraction, les erreurs dans Wikipédia et les erreurs dans les informations issues de sources de référence. Les erreurs dans les sources de référence ont été déterminées par comparaison avec des sites de référence tels que des sites de fondations, de musées, etc. dédiés directement ou indirectement aux personnalités concernées.

Table 5. Taux d'erreur d'extraction (date de naissance)

Table 5. Taux d'erreur d'extraction (date de naissance)

45En pratique, le taux d'erreur dans Wikipedia s'élève à 0,75%, contre 0,21% pour les sources de référence. Dans moins d'un pour-cent des cas, par manque d'information dans les sources de référence, il n'a pas été possible de dire s'il s'agissait d'une homonymie ou d'une erreur. Dans 1,71% des cas, l'erreur dans le fichier était due à une erreur d'extraction dans le texte de Wikipédia (un résultat très proche des 1,9% obtenus supra en utilisant les dates présentes dans les Infobox comme données de contrôle).

Discussion et perspectives

46Ce travail de collecte et d'intégration d'informations issues de l'encyclopédie libre Wikipédia avait été initié avec l'a priori qu'un usage de DBpedia permettrait d'obtenir facilement, via le langage de requête SPARQL, les données biographiques souhaitées. Un premier test a permis de constater que la volumétrie disponible dans DBpedia était sensiblement moindre que ce que l'on pouvait obtenir à partir de techniques classiques de crawl et d'extraction dans Wikipedia. Le projet DBpedia reste intéressant, voire indispensable, pour le chercheur participant à des projets de Linked Data ou souhaitant disposer d'un vocabulaire contrôlé. Cependant, il montre actuellement ses limites en matière d'exhaustivité sur des thématiques précises. L'influence de la formulation des requêtes SPARQL sur les volumétries mériterait cependant d'être approfondie. Des recherches complémentaires, portant par exemple sur l'utilisation de la propriété « nationality » ont été réalisées, sans succès jusqu'à présent (les volumétries obtenues restent faibles).

47L'existence d'un projet comme DBpedia ainsi que la visibilité des informations structurées au travers des Infobox peut donner l'impression que Wikipedia se prête facilement à l'extraction d'informations. Il ressort cependant de notre expérimentation que, d'une part, les Infobox sont loin d'être systématiques (moins de 30% des articles considérés en possèdent) et que, d'autre part, la structure des Infobox n'est pas totalement homogène. L'existence d'un ensemble de conventions, sous la forme de balisages ou de tournures de phrases, en matière de dates ou de professions, rend cependant l'extraction réalisable à partir du contenu des articles, sans nécessiter l'usage de techniques sophistiquées. Les outils développés permettent d'obtenir un rappel de l'ordre de 80% et une précision de l'ordre de 98%.

48La fiabilité des informations était une inconnue au démarrage du projet. La qualité du contenu de Wikipédia est étudiée depuis quelques années. Les résultats tendent à rassurer, en tous cas pour les articles bénéficiant d'une activité de révision importante. Les taux d'erreurs mesurés sur les dates de naissance s'élèvent à 0,75%, soit un résultat faible, bien que plus élevée que le score observé pour les données de référence, soit 0,21%. Notons cependant que la méthode d'évaluation développée pour cette étude souffre d'une limitation. En effet, les comparaisons sont effectuées pour des personnalités encodées dans plusieurs bases de données. Nous pouvons donc supposer qu'il s'agit de personnes célèbres, dont les articles sont susceptibles de bénéficier d'une activité de revue par les pairs plus importante. L'automatisation de la détection de fiches contenant des informations erronées serait par ailleurs envisageable, en exploitant les mesures de qualité d'articles identifiées dans la littérature.

49Nous n'avons pas abordé dans cette étude l'évolution dans le temps de la fiabilité des articles. L'étude d'Alfonseca (2013) apporte cependant une information encourageante, car il a constaté que les dates de mort présentes dans les Infobox étaient mises à jour dans un délai de 2 jours après le décès de la personnalité (pour 50% des défunts). De plus, nous avons constaté, sur les quelques erreurs constatées dans Wikipedia dans les dates de naissance, qu'une des erreurs avait déjà fait l'objet d'une correction (avec l'ajout d'une source) entre le moment où la collecte a été réalisée et le moment où l'étude de fiabilité a été menée. Plus globalement, l'étude de Javanmardi et Lopes (2010) tend à montrer que la qualité des articles tend à augmenter dans le temps et la variation de qualité, à se réduire.

50Il est intéressant de noter que les personnalités reprises dans notre base de données sont essentiellement des personnalités actuelles ou d'un passé proche. L'année de naissance moyenne est 1880. Cette valeur est cependant assez proche de celle des sources de référence (1878). A noter que la sur-représentation des personnalités récentes est commune avec d'autres versions linguistiques (voir la page "Kategorie Diskussion:Person nach Geschlecht" sur Wikipedia.de). La variation autour de cette année moyenne est cependant plus importante dans le cas de Wikipédia (156 vs 66). Les articles biograhiques de Wikipédia ne sont donc pas limités, comme son côté participatif pourrait le laisser craindre, à des personnalités contemporaines proches du grand public. La polémique récente à propos du refus d'ajouter une page relative à la starlette française Nabilla Benattia illustre par ailleurs bien le soin apporté par Wikipédia pour conserver l'intérêt encyclopédique des articles biographiques (Cesbron, 2013).

51L'étude actuelle est limitée aux articles du Wikipedia francophone relatifs aux personnalités belges. Une extension aux autres versions linguistiques est envisagée. L'exploitation des copies de bases de données Wikipedia pour le traitement d'un volume plus important d'articles devrait être investiguée afin de se conformer aux recommandations données par les administrateurs de l'encyclopédie (« Please do not use a web crawler to download large numbers of articles. Aggressive crawling of the server can cause a dramatic slow-down of Wikipedia », voir « Wikipedia:Database download », en.wikipedia.org).

52Le travail d'extraction a par ailleurs été limité aux informations de date et de profession. Le contenu de Wikipédia présente cependant une importante richesse d'information. Un travail d'ajout d'informations complémentaires extraites des articles Wikipédia est dès lors également envisagé. Il pourra s'appuyer sur les techniques exploitées pour cette étude ou mettre en œuvre des techniques plus avancées d'extraction d'entités nommées sur base de jeux d'entrainement sur mesure.

Bibliographie

ALFONSECA Enrique, « Distributing the Edit History of Wikipedia Infoboxes », Google Research, 30 mai 2013. URL: http://googleresearch.blogspot.fr/2013/05/distributing-edit-history-of-wikipedia.html (consulté le 09 octobre 2013).

AUER Sören, BIZER Christian KOBILAROV Georgi, LEHMANN Jens, CYGANIAK Richard, IVES Zachary, « DBpedia: A Nucleus for a Web of Open Data », in Lecture Notes in Computer Science, Vol. 4825, 2007, p. 722-735.

BEKAVAC Božo, TADIC Marko, « A Generic Method for Multi Word Extraction from Wikipedia », in Proceedings of the Int. Conf. on Information Technology Interfaces, June 23-26, 2008.

BIADSY Fadi, HIRSCHBERG Julia., FILATOVA Elena, « An Unsupervised Approach to Biography Production using Wikipedia », in Proceedings of ACL-08: HLT, 2008, p. 807–815.

BLUMENSTOCK, Joshua E., « Size matters: word count as a measure of quality on wikipedia », Proceedings of the 17th international conference on World Wide Web, ACM, 2008, p. 1095-1096.

BROWN Adam R., « Wikipedia as a data source for political scientists: accuracy and completeness of coverage », in PS Political Science and Politics, 44(2), 2011, p. 339-343.

BUSCALDI Davide, ROSSO Paolo, « Mining Knowledge from Wikipedia for the Question Answering task », in Proceedings of the 5th International Conference on Language Resources and Evaluation (LREC 2006), 2006.

CESBRON Mathilde, « Nabilla n'est pas ‘un objet de savoir’ pour Wikipédia », in LeFigaro.fr, 29 avril 2013.

CHARTON Eric GAGNON Michel, OZELL Benoit, « Extension d’un système d’étiquetage d’entités nommées en étiqueteur sémantique », in TALN 2010, 19–23 juillet 2010.

CHEVALIER Fanny, HUOT Stéphane, FEKETE Jean-Daniel, « Visualisation de mesures agrégées pour l'estimation de la qualité des articles Wikipedia », in EGC 2010: Conférence Internationale Francophone sur l'Extraction et la Gestion des Connaissances, 2010.

COMBER Alexis, SEE Linda, FRITZ Steffen, VAN DER VELDE Marijn, PERGER Christopher, FOODY Giles, « Using control data to determine the reliability of volunteered geographic information about land cover », in International Journal of Applied Earth Observation and Geoinformation, Vol. 23, 2013, p. 37–48.

GOODCHILD Michael F., LI L., « Assuring the quality of volunteered geographic information », in Spatial statistics, Vol. 1, 2012, p. 110-120.

HEIPKE Christian, « Crowdsourcing geospatial data », in ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 65(6), 2010, p. 550-557.

HELLMANN Sebastian, STADLER Claus, LEHMANN Jens, AUER Sören, « DBpedia Live Extraction », in Lecture Notes in Computer Science, Vol. 5871, 2009, p 1209-1223.

HU Xiaohua, ZHANG Xiaodan, LU Caimei, PARK E. K., ZHOU Xiaohua, « Exploiting Wikipedia as external knowledge for document clustering », in KDD '09 Proceedings of the 15th international conference on Knowledge discovery and data mining, 2009.

JAVANMARDI Sara, GANJISAFFAR Yasser, LOPES Cristina, BALDI Pierre, « User contribution and trust in Wikipedia », in 5th International Conference on Collaborative Computing: Networking, Applications and Worksharing, IEEE, 2009, p. 1-6.

KAZAMA Jun’ichi, TORISAWA Kentaro, « Exploiting Wikipedia as External Knowledge for Named Entity Recognition », in Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, June 2007, p. 698–707.

KITTUR Aniket, CHI Ed H., SUH Bongwon, « What's in Wikipedia? : Mapping Topics and Conflict using Socially Annotated Category Structure », in Proceedings of the 27th international Conference on Human Factors in Computing Systems, April 04-09, 2009.

KOBILAROV Georgi, SCOTT Tom, RAIMOND Yves, Oliver Silver, SIZEMORE Chris, SMETHURST Michael, BIZER Christian, LEE Robert, « Media meets Semantic Web - How the BBC uses DBpedia and Linked Data to make Connection », in ESWC 2009, 2009, p. 723-737.

VISEUR Robert, « Extraction de données biographiques depuis Wikipedia », in Actes du 31ème colloque INFORSID, Paris, 30 mai 2013.

VISEUR Robert, « Presentation of OpenNLP », Rencontres Mondiales du Logiciel Libre, Bruxelles, 11 juillet 2013.

Table des illustrations

Titre Table 1. Nombre d'articles trouvés par méthode
URL http://books.openedition.org/pupo/docannexe/image/4129/img-1.jpg
Fichier image/jpeg, 172k
Titre Table 2. Volumétries (processus d'extraction)
URL http://books.openedition.org/pupo/docannexe/image/4129/img-2.jpg
Fichier image/jpeg, 232k
Titre Table 4. Taux d'erreur d'extraction (date de naissance)
URL http://books.openedition.org/pupo/docannexe/image/4129/img-3.jpg
Fichier image/jpeg, 252k
Titre Figure 1. Fusion des 10 sources de données
URL http://books.openedition.org/pupo/docannexe/image/4129/img-4.png
Fichier image/png, 87k
Titre Figure 2. Exemple d'entrées en base de données
URL http://books.openedition.org/pupo/docannexe/image/4129/img-5.png
Fichier image/png, 5,7k
Titre Table 5. Taux d'erreur d'extraction (date de naissance)
URL http://books.openedition.org/pupo/docannexe/image/4129/img-6.jpg
Fichier image/jpeg, 179k

Auteur

CETIC UMONS (FPMs)

© Presses universitaires de Paris Nanterre, 2015

Conditions d’utilisation : http://www.openedition.org/6540

Acheter

Volume papier

Chargement

Unavailable