Technique d'extraction d'information qui localise des segments de texte renvoyant à des entités (personnes, lieux, organisations, dates, montants, etc.) et attribue à chaque segment une étiquette de catégorie ; mise en œuvre par motifs, modèles statistiques ou apprentissage automatique, produisant des segments annotés pouvant nécessiter désambiguïsation ou liaison à des identifiants canoniques.

Principe

La R‑EN réalise une classification de surface : elle identifie les mentions textuelles et assigne des types à l'aide d'indices lexicaux, syntaxiques et contextuels, mais ne résout pas à elle seule les ambiguïtés d'identité (liaison d'entités) ni la coréférence sans traitements additionnels.

Démonstration

Scénario illustratif → Traitement d'abstracts : le système étiquette « Marie Curie » comme PERSONNE, « Paris » comme LIEU et « Institut du Radium » comme ORGANISATION. Action → les segments étiquetés servent à indexer les documents et à générer des liens candidats vers des notices d'autorité ; les cas ambigus sont signalés pour désambiguïsation. Conséquence → amélioration de la recherche facettée et de l'extraction de métadonnées, avec limites connues en cas d'ambiguïté ou d'absence d'étiquettes.

Mauvaise application

Considérer les étiquettes de la R‑EN comme des identités faisant autorité (par ex. supposer que chaque « Washington » étiqueté comme LIEU renvoie à la même entité géographique). L'erreur sémantique est de confondre classification de surface et identité d'entité désambiguëe.

Conséquence

La R‑EN permet l'indexation structurée, la recherche centrée sur les entités et l'analyse en aval ; de mauvaises classifications ou des ambiguïtés non traitées faussent les statistiques, réduisent la précision de la récupération et peuvent induire en erreur les flux automatisés.

Inversion

Dans des corpus spécialisés (biomédical, juridique, historique), les modèles R‑EN génériques échouent souvent car les catégories d'entités et les formes de surface diffèrent ; l'application réussie exige donc l'alignement du schéma, l'adaptation au domaine ou une annotation sur mesure. De plus, les langues à ressources limitées ou à tokenisation complexe nécessitent des modèles adaptés.

Limite

Clairement inclus : identifier et étiqueter les mentions dans un texte brut avec des types d'entités généraux. Cas limite : entités nichées ou chevauchantes où les schémas d'annotation divergent. Clairement exclu : la liaison/désambiguïsation d'entités et la résolution de coréférence, qui sont des tâches distinctes mais complémentaires.

Tension sémantique

Précision ↔ Rappel — des modèles plus stricts réduisent les faux positifs mais manquent des mentions légitimes ; des modèles plus permissifs augmentent la couverture au prix d'étiquettes erronées.

Synthèse

La R‑EN est une étape d'étiquetage de surface qui rend les mentions d'entités exploitables par machine ; pour obtenir des représentations canoniques et fiables, elle doit être combinée à la désambiguïsation, à la liaison et à des validations tenant compte de la provenance.