Reconnaissance automatique des noms d'objets dans les textes

Objectif

• Extraire automatiquement la liste de tous les identificateurs d'objet du texte
  • Outils existants d'extraction de texte depuis un PDF
  • Analyse des fichiers PDF fournis par différents éditeurs
  • Ecriture en Java d'un utilitaire d'extraction de texte sur mesure
• Présenter à l'utilisateur un document où ces noms auront été mis en valeur
  • Programme permettant de mettre en valeur des mots dans un document PDF
  • Création de la liste des expressions régulières à chercher
  • Interface graphique présentant le texte extrait, les noms trouvés, le document annoté
  • Intégration d'un module d'apprentissage pour tenter de détecter automatiquement les faux positifs
• Fonctionnalité permettant à l'utilisateur d'ajouter facilement des références à l'article aux objets cités
  • Liste d'identificateurs à ajouter au bibcode
  • Génération d'un script de mise à jour de SIMBAD
• Valider les résultats
  • Interrogation de SIMBAD pour savoir si les noms trouvés existent
  • Pour les documents déjà référencés : chargement des références de SIMBAD pour comparer les résultats
  • Ouverture de longues listes de documents pendant la nuit
  • Extraction de liste de documents (Bibcode; Url) à partir de la base ADS
  • Causes de non reconnaissance d'un nom d'objet
  • Statistiques

Questions / réponses

• Pourquoi partir du format PDF alors que les éditeurs fournissent une version HTML des articles ?
• Pourquoi les caractères utilisant des polices incorporés sont-ils mal compris ?
• Signification du nom du programme : DJIN = Detection in Journals of Identifiers and Names

Avancement du projet

Réunions et autres événements

Documentation

Détection de mots-clefs dans la bibliographie des catalogues VizieR