Dans le cadre des travaux sur la Reconnaissances d’Entités Nommées (REN) réalisés à partir du projet Himanis (registres du Trésor des chartes, Paris, Archives nationale, JJ35-JJ211), nous travaillons actuellement à l’amélioration des modèles pour associer les entités nommées reconnues à une identification précise et désambiguïsée.
Nous avons donc commencé notre travail à partir des référentiels papiers fournis par l’index de l’inventaire des registres JJ 37-50 afin de disposer de données à entrainer.
I. Etat des données
Originellement, l’index se présente sous la forme de deux tables : une pour les sujets et une pour les personnes et les lieux. Chaque entrée dispose d’un nom, d’éventuelles entrées subordonnées, d’éventuels renvois vers des entrées associées et d’une série de références qui correspondent aux entrées d’inventaire contenant cette entrée d’index. L’ensemble se présente sous la forme suivante :
Cet index a ainsi été numérisé en même temps que l’inventaire qu’il accompagne, puis traité par OCR et structuré dans un document XML conforme aux spécifications de la Text Encoding Initiative, en adoptant la forme suivante :
Ce travail a permis de mettre à plat toutes les entrées présentes dans l’index et de former un référentiel contenant 4229 sujets, 7795 noms de lieu et 6534 noms de personnes.
II. Des entrées liées et structurées
Continue reading De l’index papier à l’indexation automatique