Reconnaissance d’entités nommées : repérer personnes, lieux et organisations dans un texte
La reconnaissance d’entités nommées, souvent abrégée en REN ou désignée par l’acronyme anglais NER pour Named Entity Recognition, est une technique de…
La reconnaissance d’entités nommées, souvent abrégée en REN ou désignée par l’acronyme anglais NER pour Named Entity Recognition, est une technique de traitement automatique du langage. Elle consiste à repérer, dans un texte, des expressions qui désignent des éléments identifiables, puis à leur attribuer une catégorie.
Dans un article de presse, un courriel, un rapport ou une transcription, un système de REN peut distinguer une personne, une organisation, une ville, un pays, une date, une adresse, un produit ou une somme d’argent. Le texte cesse alors d’être une suite de mots examinés isolément. Il devient une structure composée d’éléments que l’on peut rechercher, filtrer, relier ou analyser.
Cette technologie ne se limite pas à repérer les noms écrits avec une majuscule. Elle doit tenir compte du contexte, des variantes linguistiques et de la fonction d’une expression dans la phrase. Le mot Orange, par exemple, peut désigner une couleur, une ville ou une organisation selon les mots qui l’entourent.
Les catégories reconnues dépendent du modèle utilisé et de la tâche visée. Les ensembles les plus courants comprennent les types suivants :
Une application spécialisée peut employer une taxonomie plus précise. Un outil destiné à l’analyse juridique pourra séparer les tribunaux, les textes de loi et les numéros de dossier. Un outil consacré à la veille commerciale pourra différencier les marques, les produits et les noms d’entreprises.
| Entité | Exemple | Utilité possible |
|---|---|---|
| Personne | Marie Curie | Créer un index des personnes citées |
| Lieu | Lyon | Associer le texte à une zone géographique |
| Organisation | Université de Strasbourg | Regrouper les documents liés à une institution |
| Date | 12 septembre 2025 | Extraire une échéance ou classer un événement |
| Produit | Un logiciel de sauvegarde | Suivre les produits mentionnés dans une documentation |
Une chaîne de reconnaissance d’entités nommées comporte généralement plusieurs étapes. Leur organisation varie selon le logiciel, mais le raisonnement général reste comparable.
Le résultat peut être présenté sous forme de texte annoté, de tableau ou de données structurées. Pour chaque mention, on peut conserver le texte original, sa catégorie, sa position dans le document et un score de confiance.
Les premiers systèmes de REN reposaient largement sur des règles écrites par des spécialistes. Ils recherchaient des motifs connus, comme une suite de mots précédée d’un titre, une expression terminée par une forme juridique ou un lieu introduit par une préposition particulière. Ces règles restent utiles dans des domaines très cadrés et lorsque les données disponibles sont limitées.
Les approches statistiques apprennent à partir d’exemples annotés. Un corpus contient des textes dans lesquels les entités ont été marquées manuellement. Le modèle observe les régularités de vocabulaire et de contexte afin de prédire les catégories dans de nouveaux documents.
Les modèles neuronaux et les modèles de langage prennent en compte un contexte plus large. Ils peuvent mieux traiter les ambiguïtés, les formulations variées et les références indirectes. Ils exigent toutefois une évaluation sérieuse, car une réponse plausible peut être incorrecte. La fluidité d’un résultat ne garantit pas sa fiabilité.
Dans un projet réel, une combinaison de méthodes est souvent pertinente. Un modèle général peut détecter les personnes et les lieux, tandis que des règles métier identifient des références internes, des numéros de contrat ou des codes produits. Cette architecture hybride permet de conserver un contrôle sur les cas sensibles.
Le français présente plusieurs obstacles pour la reconnaissance d’entités. Les majuscules constituent un indice, mais elles ne suffisent pas. En début de phrase, un mot prend une majuscule sans devenir une entité. À l’inverse, certains noms propres peuvent être écrits en minuscules dans des messages, des titres ou des contenus mal formatés.
Les noms composés sont également délicats. Une organisation peut contenir des articles, des prépositions, des sigles ou des parenthèses. Le système doit déterminer où commence et où finit la mention. Les accents, les apostrophes typographiques, les traits d’union et les variantes avec ou sans accent peuvent produire des résultats différents.
La coréférence ajoute une difficulté supplémentaire. Dans un texte, une personne peut être citée sous son nom complet, puis par son nom de famille, un prénom ou un pronom. La REN repère les mentions, mais leur rattachement à une même personne relève souvent de la résolution de coréférence.
Enfin, le domaine influence fortement l’interprétation. Le terme Paris peut désigner une ville, une équipe sportive ou une marque selon le contexte. Une méthode conçue pour des articles généralistes ne donnera pas nécessairement de bons résultats sur des dossiers médicaux, techniques ou juridiques.
Un projet utile commence par la définition du besoin, plutôt que par le choix immédiat d’un modèle. La procédure suivante permet de cadrer le travail.
Trois mesures sont couramment utilisées pour évaluer une reconnaissance d’entités. La précision indique la proportion des entités détectées qui sont correctes. Le rappel mesure la proportion des entités réellement présentes qui ont été trouvées. Le score F1 combine ces deux dimensions par une moyenne harmonique.
Ces indicateurs doivent être calculés sur un jeu de test annoté, distinct des exemples ayant servi à l’entraînement. Il faut aussi préciser le niveau d’exigence. Une prédiction peut être considérée correcte uniquement si les limites de l’entité et sa catégorie sont exactes, ou être évaluée séparément sur la détection et la classification.
Une moyenne globale peut masquer une faiblesse sur une catégorie rare. Il est donc utile de consulter les résultats par type d’entité, par source, par langue et par domaine. Dans un système de tri documentaire, manquer une organisation peut être plus dommageable que produire quelques alertes supplémentaires. Dans une interface de recherche, le compromis peut être différent.
Les scores de confiance doivent être interprétés avec prudence. Ils servent à prioriser une vérification humaine, mais ne constituent pas une preuve de justesse. Un seuil élevé réduit souvent les résultats douteux tout en laissant passer des entités non détectées.
La reconnaissance d’entités nommées identifie des mentions et leur attribue une catégorie. Elle ne répond pas nécessairement à la question de savoir quelle entité réelle se cache derrière cette mention. Cette seconde opération est appelée désambiguïsation ou liaison d’entités.
Supposons qu’un texte contienne le nom Washington. La REN peut le classer comme lieu, mais elle ne détermine pas toujours s’il s’agit de la capitale des États-Unis, de l’État américain ou d’une personne portant ce nom. La désambiguïsation rapproche la mention d’une référence précise, à condition de disposer d’un référentiel fiable et adapté.
L’extraction de relations intervient ensuite. Elle cherche à relier les entités dans une structure de sens : une personne travaille pour une organisation, une organisation se trouve dans un lieu, un événement a lieu à une date. Ces relations ne doivent pas être déduites automatiquement sans tenir compte de la syntaxe et de la portée des phrases.
Cette distinction aide à choisir les bons outils. Pour afficher des mots-clés dans un moteur interne, la REN peut suffire. Pour construire une base de connaissances, il faudra probablement ajouter la normalisation, la désambiguïsation, la résolution des coréférences et l’extraction de relations.
Les textes analysés peuvent contenir des noms, des coordonnées, des informations professionnelles ou des données de santé. Avant d’utiliser un service d’analyse, il faut identifier le lieu de traitement, les durées de conservation, les accès autorisés et les possibilités de suppression. Une donnée personnelle ne devient pas anodine parce qu’elle est traitée automatiquement.
Les documents doivent être classés selon leur sensibilité. Les journaux techniques, les textes d’entraînement et les exports de résultats peuvent contenir les mêmes informations que le document original. Leur protection doit donc être prévue dans le cycle complet.
La pseudonymisation peut réduire l’exposition pendant les essais, mais elle peut aussi supprimer le contexte utile à la détection. Elle doit donc être conçue en fonction de l’objectif et vérifiée sur des données représentatives.
Dans la recherche documentaire, la REN permet de retrouver les textes mentionnant une personne, un lieu ou une organisation sans dépendre d’une liste de mots-clés exhaustive. Elle peut aussi alimenter une navigation par facettes, une chronologie ou une carte, à condition que les catégories soient suffisamment fiables.
Pour le traitement des courriels, l’extraction de dates et d’organisations peut aider à repérer des échéances, des interlocuteurs ou des dossiers. Une validation reste nécessaire avant toute action automatique, notamment lorsqu’une date est ambiguë ou qu’un même nom correspond à plusieurs contacts.
Dans une veille technique, la détection des produits, versions et éditeurs facilite le regroupement des informations. Dans l’archivage, elle améliore la description de documents anciens dont les métadonnées sont incomplètes. Dans l’assistance informatique, elle peut extraire des noms de logiciels, de systèmes et de composants à partir d’une demande utilisateur.
Pour un usage personnel, la technologie peut servir à organiser un corpus de notes ou à retrouver les lieux et personnes mentionnés dans des documents. Les outils locaux présentent un intérêt particulier lorsque les fichiers ne doivent pas être transmis à un service distant. Le choix dépend toutefois des ressources disponibles, de la langue prise en charge et du niveau de précision attendu.
Il n’existe pas une méthode universelle. Le bon choix dépend du volume, de la langue, du type de documents, des catégories nécessaires, des contraintes de confidentialité et du coût acceptable de la vérification.
| Approche | Atouts | Points de vigilance |
|---|---|---|
| Règles linguistiques | Contrôle précis et comportement explicable | Maintenance importante et couverture limitée |
| Modèle préentraîné | Mise en œuvre rapide sur des catégories courantes | Résultats variables selon le domaine et les documents |
| Modèle adapté à un domaine | Meilleure prise en compte du vocabulaire spécialisé | Besoin de données annotées et d’un suivi régulier |
| Traitement local | Maîtrise accrue des données et du fonctionnement | Ressources matérielles et maintenance à prévoir |
| Service distant | Accès à une infrastructure prête à l’emploi | Questions de confidentialité, de dépendance et de conservation |
Un prototype sur un échantillon réduit permet de vérifier la pertinence des catégories avant d’investir dans une chaîne complète. Il est préférable d’évaluer plusieurs documents difficiles plutôt que de mesurer uniquement des phrases bien structurées.
Elle analyse le contexte pour repérer et catégoriser des mentions, mais elle ne comprend pas nécessairement le document comme le ferait un lecteur humain. Elle peut identifier une personne et une organisation sans établir correctement la relation entre elles.
Un nom propre est une catégorie grammaticale ou lexicale. Une entité nommée est une mention interprétée comme faisant référence à un élément identifiable dans un contexte donné. Une même forme peut changer de catégorie selon la phrase.
Oui, pour obtenir un premier résultat, mais une évaluation sur les documents réels est indispensable. Le vocabulaire médical, juridique, scientifique ou technique peut nécessiter des règles supplémentaires ou une adaptation du modèle.
Pour une recherche indicative, une vérification limitée peut être acceptable. Pour une décision, un archivage réglementé ou le traitement de données sensibles, les sorties doivent être contrôlées et les erreurs doivent pouvoir être corrigées.
Il est utile de conserver le texte de la mention, sa catégorie, sa position dans le document, la version du modèle et, lorsque cette information existe, un score de confiance. Ces éléments facilitent l’audit et la correction.