Télécharger en tant que PDF, PPTX
![EXEMPLES
Case : identification des centres d’intérêt édito vs. segments d’audience participative / FR / Éditeur
Enrichissement des drivers d’intérêt / nouveaux angles éditoriaux (données éditeur)
• Focus : exemple sur quelques segments d’audience ciblés
Trendista
• Good targeting capabilities for clothing,
fashion. More focus on brands is needed.
This profile is rare in [editors’] forum
Working Girl
• Focus on Professional life subjects ; take
in account women who uses the website
for promoting their activity or searching
for a job](https://image.slidesharecdn.com/seocamp2017margueriteleenhardt-170321140428/75/Seo-camp2017-Marguerite-Leenhardt-49-2048.jpg)
Seo camp2017 Marguerite Leenhardt
- 1.
- 2. CEO, XIKO /PRÉSIDENTE, AFTAL Formation • PhD. Linguistique Appliquée, Traitement Automatique des Langues (TAL a.k.a NLP) • MSc. TAL + MSc. Ingénierie Linguistique Multilingue CEO, XiKO (www.xiko.fr) • KOVERI : IA sémantique pour l’analyse de tous les textes dans toutes les langues • Applications : marketing programmatique, enrichissement sémantique Présidente, AFTAL (@AssoForTAL) • Anciens des Formations en Traitement Automatique des Langues • Association inter-universitaire (Paris, Toulouse, Lille, Tours, …) Avant ça/et aussi… • Expériences en agence et en freelance, R&D Project Manager • Charges d’enseignement (niveau Licence & Master)
- 3. CEO, XIKO /PRÉSIDENTE, AFTAL Formation • PhD. Linguistique Appliquée, Traitement Automatique des Langues (TAL a.k.a NLP) • MSc. TAL + MSc. Ingénierie Linguistique Multilingue CEO, XiKO (www.xiko.fr) • KOVERI : IA sémantique pour l’analyse de tous les textes dans toutes les langues • Marketing programmatique, enrichissement sémantique, Insight-as-a-Service Présidente, AFTAL (@AssoForTAL) • Anciens des Formations en Traitement Automatique des Langues • Association inter-universitaire (Paris, Toulouse, Lille, Tours, …) Avant ça/et aussi… • Expériences en agence et en freelance, R&D Project Manager • Charges d’enseignement (niveau Licence & Master)
- 4. CEO, XIKO /PRÉSIDENTE, AFTAL Formation • PhD. Linguistique Appliquée, Traitement Automatique des Langues (TAL a.k.a NLP) • MSc. TAL + MSc. Ingénierie Linguistique Multilingue CEO, XiKO (www.xiko.fr) • KOVERI : IA sémantique pour l’analyse de tous les textes dans toutes les langues • Marketing programmatique, enrichissement sémantique, Insight-as-a-Service Présidente, AFTAL (@AssoForTAL) • Anciens des Formations en Traitement Automatique des Langues • Association inter-universitaire (Paris, Toulouse, Lille, Tours, …) Avant ça/et aussi… • Expériences en agence et en freelance, R&D Project Manager • Charges d’enseignement (niveau Licence & Master)
- 5. CEO, XIKO /PRÉSIDENTE, AFTAL Formation • PhD. Linguistique Appliquée, Traitement Automatique des Langues (TAL a.k.a NLP) • MSc. TAL + MSc. Ingénierie Linguistique Multilingue CEO, XiKO (www.xiko.fr) • KOVERI : IA sémantique pour l’analyse de tous les textes dans toutes les langues • Marketing programmatique, enrichissement sémantique, Insight-as-a-Service Présidente, AFTAL (@AssoForTAL) • Anciens des Formations en Traitement Automatique des Langues • Association inter-universitaire (Paris, Toulouse, Lille, Tours, …) Avant ça/et aussi… • Expériences en agence et en freelance, R&D Project Manager • Charges d’enseignement (niveau Licence & Master) linkedin.com/in/margueriteleenhardt/
- 7. AU CŒUR DESRECHERCHES EN TRAITEMENT AUTOMATIQUE DES LANGUES Traitements automatiques de corpus Contenus textuels Expression écrite en langage naturelANALYSEDECORPUS ANALYSE DE CONTENUS ACQUISITION DE CONNAISSANCES FOUILLE DE TEXTES EXTRACTION D’INFORMATION RECHERCHE DOCUMENTAIRE EXTENSION DES INDEX DE RECHERCHE & DE REQUÊTES CATÉGORISATION DE DOCUMENTS CLASSIFICATION DE DOCUMENTS
- 8. AU CŒUR DESRECHERCHES EN TRAITEMENT AUTOMATIQUE DES LANGUES Traitements automatiques de corpus Contenus textuels Expression écrite en langage naturelANALYSEDECORPUS ANALYSE DE CONTENUS ACQUISITION DE CONNAISSANCES FOUILLE DE TEXTES EXTRACTION D’INFORMATION RECHERCHE DOCUMENTAIRE EXTENSION DES INDEX DE RECHERCHE & DE REQUÊTES CATÉGORISATION DE DOCUMENTS CLASSIFICATION DE DOCUMENTS
- 9. AU CŒUR DESRECHERCHES EN TRAITEMENT AUTOMATIQUE DES LANGUES Traitements automatiques de corpus Contenus textuels Expression écrite en langage naturelANALYSEDECORPUS ANALYSE DE CONTENUS ACQUISITION DE CONNAISSANCES FOUILLE DE TEXTES EXTRACTION D’INFORMATION RECHERCHE DOCUMENTAIRE EXTENSION DES INDEX DE RECHERCHE & DE REQUÊTES CATÉGORISATION DE DOCUMENTS CLASSIFICATION DE DOCUMENTS LINGUISTIQUE DE CORPUS
- 10. AU CŒUR DESRECHERCHES EN TRAITEMENT AUTOMATIQUE DES LANGUES Traitements automatiques de corpus Contenus textuels Expression écrite en langage naturelANALYSEDECORPUS ANALYSE DE CONTENUS ACQUISITION DE CONNAISSANCES FOUILLE DE TEXTES EXTRACTION D’INFORMATION RECHERCHE DOCUMENTAIRE EXTENSION DES INDEX DE RECHERCHE & DE REQUÊTES CATÉGORISATION DE DOCUMENTS CLASSIFICATION DE DOCUMENTS TRAITEMENT AUTOMATIQUE DES LANGUES LINGUISTIQUE DE CORPUS
- 11. QUI INTÈGRE DESTECHNIQUES DE TRAITEMENT AUTOMATIQUE DES LANGUES Dédiées à la recherche documentaire Collections de documents Techniques d’indexation et de rechercheANALYSEDECORPUS ANALYSE DE CONTENUS ACQUISITION DE CONNAISSANCES FOUILLE DE TEXTES EXTRACTION D’INFORMATION RECHERCHE DOCUMENTAIRE EXTENSION DES INDEX DE RECHERCHE & DE REQUÊTES CATÉGORISATION DE DOCUMENTS CLASSIFICATION DE DOCUMENTS
- 12. ANALYSEDECORPUS ANALYSE DE CONTENUS ACQUISITIONDE CONNAISSANCES FOUILLE DE TEXTES EXTRACTION D’INFORMATION RECHERCHE DOCUMENTAIRE EXTENSION DES INDEX DE RECHERCHE & DE REQUÊTES CATÉGORISATION DE DOCUMENTS CLASSIFICATION DE DOCUMENTS QUI INTÈGRE DES TECHNIQUES DE TRAITEMENT AUTOMATIQUE DES LANGUES Dédiées à la recherche documentaire Collections de documents Techniques d’indexation et de recherche
- 13. QUI INTÈGRE DESTECHNIQUES DE TRAITEMENT AUTOMATIQUE DES LANGUES Dédiées à la recherche documentaire Collections de documents Techniques d’indexation et de rechercheANALYSEDECORPUS ANALYSE DE CONTENUS ACQUISITION DE CONNAISSANCES FOUILLE DE TEXTES EXTRACTION D’INFORMATION RECHERCHE DOCUMENTAIRE EXTENSION DES INDEX DE RECHERCHE & DE REQUÊTES CATÉGORISATION DE DOCUMENTS CLASSIFICATION DE DOCUMENTS
- 15. L’USAGE ET L’ATTENTEDES UTILISATEURS FINAUX A CHANGÉ L’avènement du Natural Language Search Évolution des algorithmes des moteurs de recherche Évolution des tactiques SEO Système de Questions-Réponses Système de mots-clés Système hybrides + techniques TAL & IA
- 16. L’USAGE ET L’ATTENTEDES UTILISATEURS FINAUX A CHANGÉ L’avènement du Natural Language Search Évolution des algorithmes des moteurs de recherche Évolution des tactiques SEO 1996 1998 2017 Questions-Réponses mots-clés hybrides + techniques TAL & IA …
- 17. L’USAGE ET L’ATTENTEDES UTILISATEURS FINAUX A CHANGÉ L’avènement du Natural Language Search Évolution des algorithmes des moteurs de recherche Évolution des tactiques SEO 1996 1998 2017 Questions-Réponses mots-clés hybrides + techniques TAL & IA …
- 18. L’USAGE ET L’ATTENTEDES UTILISATEURS FINAUX A CHANGÉ L’avènement du Natural Language Search Évolution des algorithmes des moteurs de recherche Évolution des tactiques SEO 1996 1998 2017 Questions-Réponses mots-clés hybrides + techniques TAL & IA …
- 19. AU CŒUR DESFONCTIONNALITÉS « INTELLIGENTES » DU MOTEUR MOTEURDERECHERCHE EXPLORATION CRAWLERS INDEXATION SEGMENTATION & PONDÉRATION RECHERCHE / APPARIEMENT BOOLEENS / VECTORIEL / LSA COMPLÉMENTS CORRECTION ORTHOGRAPHIQUE AUTOCOMPLÉTION LEMMATISATION ANTI-DICTIONNAIRE
- 20. AU CŒUR DESFONCTIONNALITÉS « INTELLIGENTES » DU MOTEUR MOTEURDERECHERCHE EXPLORATION CRAWLERS INDEXATION SEGMENTATION & PONDÉRATION RECHERCHE / APPARIEMENT BOOLEENS / VECTORIEL / LSA COMPLÉMENTS CORRECTION ORTHOGRAPHIQUE AUTOCOMPLÉTION LEMMATISATION ANTI-DICTIONNAIRE
- 21. AU CŒUR DESFONCTIONNALITÉS « INTELLIGENTES » DU MOTEUR MOTEURDERECHERCHE EXPLORATION CRAWLERS INDEXATION SEGMENTATION & PONDÉRATION RECHERCHE / APPARIEMENT BOOLEENS / VECTORIEL / LSA COMPLÉMENTS CORRECTION ORTHOGRAPHIQUE AUTOCOMPLÉTION LEMMATISATION ANTI-DICTIONNAIRE TRAITEMENT AUTOMATIQUE DES LANGUES
- 22. AU CŒUR DESFONCTIONNALITÉS « INTELLIGENTES » DU MOTEUR MOTEURDERECHERCHE EXPLORATION CRAWLERS INDEXATION SEGMENTATION & PONDÉRATION RECHERCHE / APPARIEMENT BOOLEENS / VECTORIEL / LSA COMPLÉMENTS CORRECTION ORTHOGRAPHIQUE AUTOCOMPLÉTION LEMMATISATION ANTI-DICTIONNAIRE
- 23. AU CŒUR DESFONCTIONNALITÉS « INTELLIGENTES » DU MOTEUR MOTEURDERECHERCHE EXPLORATION CRAWLERS INDEXATION SEGMENTATION & PONDÉRATION RECHERCHE / APPARIEMENT BOOLEENS / VECTORIEL / LSA COMPLÉMENTS CORRECTION ORTHOGRAPHIQUE AUTOCOMPLÉTION LEMMATISATION ANTI-DICTIONNAIRE REPRÉSENTATION DU CONTENU DESCRIPTION DU SENS
- 24. LA FORME DESMOTS La segmentation en mots Quelle définition du mot ? • Naïve / a-linguistique : chaîne de caractères entre deux séparateurs • Pas si simple en français... complexe dans d’autres langues (ex : pas de « mot graphique » en chinois) Apostrophe Trait d’union Aujourd’hui L’eau Demi-sel Savez-vous UN OU DEUX MOTS ? Flexions Sens Avions Vis Glace Caisse AMBIGUÏTÉS !
- 25. LA FORME DESMOTS La segmentation en mots Quelle définition du mot ? • Naïve / a-linguistique : chaîne de caractères entre deux séparateurs • Pas si simple en français... complexe dans d’autres langues (ex : pas de « mot graphique » en chinois) Apostrophe Trait d’union Aujourd’hui L’eau Demi-sel Savez-vous UN OU DEUX MOTS ? Flexions Sens Avions Vis Glace Caisse AMBIGUÏTÉS !
- 26. LA FORME DESMOTS La segmentation en mots Quelle définition du mot ? • Naïve / a-linguistique : chaîne de caractères entre deux séparateurs • Pas si simple en français... complexe dans d’autres langues (ex : pas de « mot graphique » en chinois) Apostrophe Trait d’union Aujourd’hui L’eau Demi-sel Savez-vous UN OU DEUX MOTS ? Flexions Sens Avions Vis Glace Caisse AMBIGUÏTÉS !
- 27. LE POIDS DESMOTS La pondération Quels moyens pour savoir combien « pèse » le mot afin d’indexer une page ? • Les mots « importants » doivent avoir un poids fort • TF-IDF : approche la plus répandue Évaluer le poids d’un terme dans un document vs. un corpus / une collection de documents TF-IDF Ordonner les documents potentiellement pertinents pour répondre à une requête Utilisation du TF-IDF en RI : - décrire les documents dans un modèle vectoriel Mesure de similarité en fonction de la distance entre le vecteur « requête » et les vecteurs « documents » RECHERCHE / APPARIEMENT
- 28. LE POIDS DESMOTS La pondération Quels moyens pour savoir combien « pèse » le mot afin d’indexer une page ? • Les mots « importants » doivent avoir un poids fort • TF-IDF : approche la plus répandue Évaluer le poids d’un terme dans un document vs. un corpus / une collection de documents TF-IDF Ordonner les documents potentiellement pertinents pour répondre à une requête Utilisation du TF-IDF en RI : - décrire les documents dans un modèle vectoriel Mesure de similarité en fonction de la distance entre le vecteur « requête » et les vecteurs « documents » RECHERCHE / APPARIEMENT
- 29. LE POIDS DESMOTS La pondération Quels moyens pour savoir combien « pèse » le mot afin d’indexer une page ? • Les mots « importants » doivent avoir un poids fort • TF-IDF : approche la plus répandue Évaluer le poids d’un terme dans un document vs. un corpus / une collection de documents TF-IDF Ordonner les documents potentiellement pertinents pour répondre à une requête Utilisation du TF-IDF en RI : - décrire les documents dans un modèle vectoriel Mesure de similarité en fonction de la distance entre le vecteur « requête » et les vecteurs « documents » RECHERCHE / APPARIEMENT
- 30. LE POIDS DESMOTS La pondération Quels moyens pour savoir combien « pèse » le mot afin d’indexer une page ? • Les mots « importants » doivent avoir un poids fort • TF-IDF : approche la plus répandue Évaluer le poids d’un terme dans un document vs. un corpus / une collection de documents TF-IDF Ordonner les documents potentiellement pertinents pour répondre à une requête Utilisation du TF-IDF en RI : - décrire les documents dans un modèle vectoriel Mesure de similarité en fonction de la distance entre le vecteur « requête » et les vecteurs « documents » RECHERCHE / APPARIEMENT
- 31. LE SENS DESMOTS Décrire le sens des documents Comment « donner du sens » à l’appariement ? • Intégrer des données sémantiques à la représentation des documents • Défi : flexibilité & capacité d’adaptation de la technologie sémantique Défi de robustesse face à la grande variabilité des textes libres sur le web multilingue GESTION DES TEXTES LIBRES (UGC)
- 32. LE SENS DESMOTS Décrire le sens des documents Comment « donner du sens » à l’appariement ? • Intégrer des données sémantiques à la représentation des documents • Défi : flexibilité & capacité d’adaptation de la technologie sémantique Défi de robustesse face à la grande variabilité des textes libres sur le web multilingue GESTION DES TEXTES LIBRES (UGC) Entités de recherche Entités Nommées Requête Liens Document Moment … Personne Date Lieu Organisation … Relations Rachat Cause Appartenance … Signaux complexes Perception Conseil Intention d’achat … RECHERCHE / APPARIEMENT
- 33. LE SENS DESMOTS Décrire le sens des documents Comment « donner du sens » à l’appariement ? • Intégrer des données sémantiques à la représentation des documents • Défi : flexibilité & capacité d’adaptation de la technologie sémantique Défi de robustesse face à la grande variabilité des textes libres sur le web multilingue GESTION DES TEXTES LIBRES (UGC) Entités de recherche Entités Nommées Requête Liens Document Moment … Personne Date Lieu Organisation … Relations Rachat Cause Appartenance … Signaux complexes Perception Conseil Intention d’achat … RECHERCHE / APPARIEMENT
- 34. LE SENS DESMOTS Décrire le sens des documents Comment « donner du sens » à l’appariement ? • Intégrer des données sémantiques à la représentation des documents • Défi : flexibilité & capacité d’adaptation de la technologie sémantique Défi de robustesse face à la grande variabilité des textes libres sur le web multilingue GESTION DES TEXTES LIBRES (UGC) Entités de recherche Entités Nommées Requête Liens Document Moment … Personne Date Lieu Organisation … Relations Rachat Cause Appartenance … Signaux complexes Perception Conseil Intention d’achat … RECHERCHE / APPARIEMENT
- 36. DES BÉNÉFICES POTENTIELS Améliorationde l’expérience de recherche Confort de l’utilisateur et performance du système Contextualisation des résultats (donnée sémantique + historique cross-devices + géolocalisation + …) CONFORT Allègement de la charge des calculs sur les centres de données PERFORMANCE
- 37. DES BÉNÉFICES POTENTIELS Améliorationde l’expérience de recherche Confort de l’utilisateur et performance du système Contextualisation des résultats (donnée sémantique + historique cross-devices + géolocalisation + …) CONFORT Allègement de la charge des calculs sur les centres de données PERFORMANCE
- 38. DES BÉNÉFICES POTENTIELS Améliorationde l’expérience de recherche Confort de l’utilisateur et performance du système Contextualisation des résultats (donnée sémantique + historique cross-devices + géolocalisation + …) CONFORT Allègement de la charge des calculs sur les centres de données PERFORMANCE
- 39. UN COÛT RÉEL Adaptationaux nouveaux standards Des efforts pour intégrer le Web Sémantique Adaptation côté éditeurs & référenceurs ROI pas forcément immédiat EFFORTS Indexation sémantique des données non structurées COMPLEXITÉ
- 40. UN COÛT RÉEL Adaptationaux nouveaux standards Des efforts pour intégrer le Web Sémantique Adaptation côté éditeurs & référenceurs ROI pas forcément immédiat EFFORTS Indexation sémantique des données non structurées COMPLEXITÉ
- 41. UN COÛT RÉEL Adaptationaux nouveaux standards Des efforts pour intégrer le Web Sémantique Adaptation côté éditeurs & référenceurs ROI pas forcément immédiat EFFORTS Indexation sémantique des données non structurées COMPLEXITÉ
- 42. POUR RÉPONDRE AUXBESOINS MÉTIER Avec robustesse et flexibilité Enrichissement sémantique du contenu en minimisant les coûts / les efforts Même sur les sites qui n’intègrent pas de descripteurs structurés pour le Web Sémantique En complément des descripteurs existants pour le Web Sémantique Gestion des signaux sémantiques complexes Robustesse face à la grande variabilité des textes libres sur le web multilingue
- 43. POUR RÉPONDRE AUXBESOINS MÉTIER Quelques applications utiles au SEO SÉLECTION & CATÉGORISATION DE MOTS-CLÉS MAPPING SEGMENTS IAB ENRICHISSEMENT DU CONTENU ÉDITORIALAUDIT SÉMANTIQUE ENRICHISSEMENT TAGGING CATÉGORISATION DE SITES DÉTECTION DES CONTENUS DUPLIQUÉS MAPPING ONTOLOGIES / TAXONOMIES NOUVEAUX ANGLES ÉDITORIAUX ENRICHISSEMENT SÉMANTIQUE SEGMENTATION CONTEXTUELLE
- 44. EXEMPLES Case : enrichissementsémantique sur 100 domaines / FR / Régie premium Enrichissement de la taxonomie sur l’ensemble des domaines • Focus : exemple sur la catégorie « AUTO » FAMILIALES INTERMEDIAIRES FORD AMERICAINES BMW DIESEL GASOLINE Quelques catégories découvertes pour enrichir « Auto »
- 45. EXEMPLES Case : enrichissementsémantique sur 100 domaines / FR / Régie premium Enrichissement de la taxonomie sur l’ensemble des domaines • Focus : exemple sur la catégorie « AUTO » Exemple de page qualifiée http://bourse.lefigaro.fr/indices-actions/actu-conseils/renault-annonce-des-tarifs-pour-le-nouvel-espace-3992015 QUALIFICATION ECONOMIE - FINANCE AUTO RENAULT GRANDS MONOSPACES FRANÇAISES Taxonomie de base (client) Enrichissements
- 46. EXEMPLES Case : enrichissementsémantique sur 100 domaines / FR / Régie premium Enrichissement de la taxonomie sur l’ensemble des domaines • Focus : exemple sur la catégorie « AUTO » QUALIFICATION Exemple de page qualifiée http://www.leparisien.fr/espace-premium/actu/dans-le-retro-la-longue-route-des-vehicules-electriques-21-10-2015-5205945.php Taxonomie de base (client) Enrichissements ACTU HYBRIDE ELECTRIQUE JAPONAISES NISSAN FRANÇAISES COMPACTES RENAULT
- 47. EXEMPLES Case : enrichissementsémantique sur 100 domaines / FR / Régie premium Enrichissement de la taxonomie sur l’ensemble des domaines • Focus : exemple sur la catégorie « AUTO » QUALIFICATION Taxonomie de base (client) Enrichissements Exemple de page qualifiée http://forum.doctissimo.fr/viepratique/automobile/67000km-garantie-atlantique-sujet_6086_1.htm N/A AUTO FRANÇAISES RENAULT CITROËN COMPACTES
- 48. EXEMPLES Case : identificationdes centres d’intérêt édito vs. segments d’audience participative / FR / Éditeur Enrichissement des drivers d’intérêt / nouveaux angles éditoriaux (données éditeur) • Focus : exemple sur quelques segments d’audience ciblés Beauty Addict • Focus on health and body in general ; Refine the angles of certain subjects, hair for example Mam’s • Good targeting capabilities for subjects as pregnancy, childlife, educational environment ; refine and focus on Leisure
- 49. EXEMPLES Case : identificationdes centres d’intérêt édito vs. segments d’audience participative / FR / Éditeur Enrichissement des drivers d’intérêt / nouveaux angles éditoriaux (données éditeur) • Focus : exemple sur quelques segments d’audience ciblés Trendista • Good targeting capabilities for clothing, fashion. More focus on brands is needed. This profile is rare in [editors’] forum Working Girl • Focus on Professional life subjects ; take in account women who uses the website for promoting their activity or searching for a job
- 50. EXEMPLES Case : détectionde brand safety triggers / EN / Démo publique Affiner un ciblage trop large sur la catégorie « ALCOOL » • Améliorer l’adéquation entre le contenu et son environnement KOVERI_health-fitness KOVERI_culture_entertainment KOVERI_content-edito KOVERI_health-fitness_substance-abuse KOVERI_culture_entertainment-television Source: http://www.huffingtonpost.fr/2016/04/04/recettes-pompettes-alcool-anpaa-prevention_n_9609504.html?utm_hp_ref=france# Test realized with our public demo: http://www.xiko.fr/koveri-context-demo/
- 51.