Добірка наукової літератури з теми "Inférence de valeur d'entité"

Le présent article porte sur le Corpus du Français Parlé en République du Congo ( cfprc ) dans lequel la combinatoire et tout constitue un marqueur discursif, un segment non régi en périphérie droite de l’unité syntaxique prédicative, ce qui en facilite la segmentation dans le discours. Au-delà de la fonction d’extenseur que revêt et tout dans l’interaction verbale, ce marqueur véhicule également une valeur intersubjective, une inférence orientant l’interprétation du discours dans un cadre conversationnel.

La langue acquiert son caractère « social » dans la mesure où elle relie, à travers ses systèmes et ses mécanismes, toute une communauté ou une autre. Cependant, si la langue est « un produit social », le discours reste un acte propre à l’individu au cours de son utilisation de la langue. Et c’est en tant qu’« un acte individuel de volonté » que le discours constitue la mise en action de la langue par le sujet parlant en vue de communiquer sa pensée personnelle. Autrement dit, le locuteur choisit les techniques et les aptitudes verbales que lui procure la langue selon la finalité qu’il entend donner à son discours.C’est par le type même d’organisation et d’enchaînement de ses éléments, par le genre de relations et de combinaisons entre ses propositions (coordination, inférence, cause, opposition, condition, etc...) que le discours – allant de la phrase simple jusqu'au texte en passant par le paragraphe - acquiert sa valeur, sa cohérence, la finalité que le locuteur entend lui donner, en un mot, son acceptabilité par l’interlocuteur : c’est ce qu’on appelle « l’acte d' énonciation » . C’est pourquoi, de nombreux linguistes appellent à l'émergence d'une « linguistique textuelle » et , donc , à définir et à établir , à l’instar des catégories et des classes grammaticales propres à la structure phrastique , des concepts, des catégories ou des classes d’unité et d’autres types de marqueurs et des connexions logico-sémantiques qui soient spécifiques à la structure textuelle.

Résumé Dans cet article, nous entendons dissiper une illusion sémantique : celle de la synonymie de sans doute et de probablement. Nous partons des hypothèses descriptives suivantes : probablement présente une proposition comme probable, c’est-à-dire comme une proposition dont la vérité a plus de raisons d’être confirmée que d’être infirmée, tandis que sans doute présente une proposition comme s’imposant selon une perspective restreinte. Nous défendons l’idée que ces marqueurs sont des adverbes modaux épistémiques présentant un sens littéral distinct mais une même valeur évidentielle : celle d’une inférence à la meilleure hypothèse. Nous expliquons ainsi pourquoi sans doute et probablement peuvent être perçus comme synonymes dans certains contextes, mais montrons que cette synonymie n’est qu’apparente car les marqueurs apportent en réalité un regard différent sur l’information : sans doute présente un jugement médiatisé par une perspective subjective, tandis que probablement véhicule un mode de présentation objectif de l’information.

Les Systèmes de Dialogue (ou simplement chatbots) sont très demandés de nos jours. Ils permettent de comprendre les besoins des utilisateurs (ou intentions des utilisateurs), exprimés en langage naturel, et de répondre à ces intentions en invoquant les APIs (Interfaces de Programmation d’Application) appropriées. Les chatbots sont connus pour leur interface facile à utiliser et ils ne nécessitent que l'une des capacités les plus innées des humains qui est l'utilisation du langage naturel. L'amélioration continue de l'Intelligence Artificielle (IA), du Traitement du Langage Naturel (NLP) et du nombre incalculable de dispositifs permettent d'effectuer des tâches réelles (par exemple, faire une réservation) en utilisant des interactions basées sur le langage naturel entre les utilisateurs et un grand nombre de services.Néanmoins, le développement de chatbots est encore à un stade préliminaire, avec plusieurs défis théoriques et techniques non résolus découlant de (i) la variations d'énoncés dans les interactions humain-chatbot en libre échange et (ii) du grand nombre de services logiciels potentiellement inconnus au moment du développement. Les conversations en langage naturel des personnes peuvent être riches, potentiellement ambiguës et exprimer des intentions complexes et dépendantes du contexte. Les techniques traditionnelles de modélisation et d'orchestration de processus et de composition de services sont limitées pour soutenir de telles conversations car elles supposent généralement une attente a priori de quelles informations et applications seront accédées et comment les utilisateurs exploreront ces sources et services. Limiter les conversations à un modèle de processus signifie que nous ne pouvons soutenir qu'une petite fraction de conversations possibles. Bien que les avancées existantes dans les techniques de NLP et d'apprentissage automatique (ML) automatisent diverses tâches telles que la reconnaissance d'intention, la synthèse d'appels API pour prendre en charge une large gamme d'intentions d'utilisateurs potentiellement complexes est encore largement un processus manuel et coûteux.Ce projet de thèse vise à faire avancer la compréhension fondamentale de l'ingénierie des services cognitifs. Dans cette thèse, nous contribuons à des abstractions et des techniques novatrices axées sur la synthèse d'appels API pour soutenir une large gamme d'intentions d'utilisateurs potentiellement complexes. Nous proposons des techniques réutilisables et extensibles pour reconnaître et réaliser des intentions complexes lors des interactions entre humains, chatbots et services. Ces abstractions et techniques visent à débloquer l'intégration transparente et évolutive de conversations basées sur le langage naturel avec des services activés par logiciel
Dialogue Systems (or simply chatbots) are in very high demand these days. They enable the understanding of user needs (or user intents), expressed in natural language, and on fulfilling such intents by invoking the appropriate back-end APIs (Application Programming Interfaces). Chatbots are famed for their easy-to-use interface and gentle learning curve (it only requires one of humans' most innate ability, the use of natural language). The continuous improvement in Artificial Intelligence (AI), Natural Language Processing (NLP), and the countless number of devices allow performing real-world tasks (e.g., making a reservation) by using natural language-based interactions between users and a large number of software enabled services.Nonetheless, chatbot development is still in its preliminary stage, and there are several theoretical and technical challenges that need to be addressed. One of the challenges stems from the wide range of utterance variations in open-end human-chatbot interactions. Additionally, there is a vast space of software services that may be unknown at development time. Natural human conversations can be rich, potentially ambiguous, and express complex and context-dependent intents. Traditional business process and service composition modeling and orchestration techniques are limited to support such conversations because they usually assume a priori expectation of what information and applications will be accessed and how users will explore these sources and services. Limiting conversations to a process model means that we can only support a small fraction of possible conversations. While existing advances in NLP and Machine Learning (ML) techniques automate various tasks such as intent recognition, the synthesis of API calls to support a broad range of potentially complex user intents is still largely a manual, ad-hoc and costly process.This thesis project aims at advancing the fundamental understanding of cognitive services engineering. In this thesis we contribute novel abstractions and techniques focusing on the synthesis of API calls to support a broad range of potentially complex user intents. We propose reusable and extensible techniques to recognize and realize complex intents during humans-chatbots-services interactions. These abstractions and techniques seek to unlock the seamless and scalable integration of natural language-based conversations with software-enabled services

L'objectif de cette thèse est de développer des outils de prédiction d'interactions entre protéines qui puissent être appliqués en particulier chez l'homme, sur les protéines qui constituent un réseau avec la protéine CFTR. Cette protéine, lorsqu'elle est défectueuse, est impliquée dans la mucoviscidose. Le développement de méthodes de prédiction in silico peut s'avérer utile pour suggérer aux biologistes de nouvelles cibles d'interaction et pour mieux expliquer les fonctions des protéines présentes dans ce réseau. Nous proposons une nouvelle méthode pour le problème de la prédiction de liens dans un réseau. Afin de bénéficier de l'information des données non étiquetées, nous nous plaçons dans le cadre de l'apprentissage semi-supervisé. Nous abordons ce problème de prédiction comme une tâche d'apprentissage d'un noyau de sortie, appelée régression à noyau de sortie. Un noyau de sortie est supposé coder les proximités existantes entre les noeuds du graphe et l'objectif est d'approcher ce noyau à partir de descriptions appropriées en entrée. L'utilisation de l'astuce du noyau dans l'ensemble de sortie permet de réduire le problème d'apprentissage à partir de paires à un problème d'apprentissage d'une fonction d'une seule variable à valeurs dans un espace de Hilbert. En choisissant les fonctions candidates pour la régression dans un espace de Hilbert à noyau reproduisant à valeur opérateur, nous développons, comme dans le cas de fonctions à valeurs scalaires, des outils de régularisation. Nous établissons en particulier des théorèmes de représentation dans le cas supervisé et dans le cas semi-supervisé, que nous utilisons ensuite pour définir de nouveaux modèles de régression pour différentes fonctions de coût, appelés IOKR-ridge et IOKR-margin. Nous avons d'abord testé l'approche développée sur des données artificielles, des problèmes test ainsi que sur un réseau d'interaction protéine-protéine chez la levure S. Cerevisiae et obtenu de très bons résultats. Puis nous l'avons appliquée à la prédiction d'interactions entre protéines dans le cas d'un réseau construit autour de la protéine CFTR.