Search

International audience; Currently, Reverse Geo-tagging relies on the keywords describing an image and use probabilistic algorithmsto guess the localization of the depicted scene. However, such algorithms still perform poorly and show clear limitations.Notably, the location estimation only occurs at the landmark level; regions or countries are only processed throughtheir centroid.In this paper, we address this particular issue by exploring a semantic approach, which identifies geographical entities among the keywordsto localize the picture (being a landmark or a country). We leverage components of the Linked Open Data cloud to find possible entities. The benefits of our approach, as opposed to numerical approaches, include an in-depth study of the ``geo-relevance'' of an image; Actuellement, la géo-localisation d’une image consiste à appliquer des algorithmesprobabilistes sur les mots-clés la décrivant pour estimer la position de la scène qu’elle représente.Cependant, de tels algorithmes montrent des limites clairement identifiables. En particulier,l’estimation se fait toujours à l’échelle d’un point, les régions et pays étant réduits à leurbarycentre. Dans cet article, nous nous concentrons sur ce problème en explorant une méthodesémantique qui identifie des entités géographique (issues du Linked Open Data) pour localiserune photo (qu’il s’agisse d’un point sur une carte ou un pays). L’avantage d’une telle approchevis-à-vis des méthodes numériques est notamment la possibilité d’étudier la pertinence géographiqued’une image.

International audience; Nous proposons une nouvelle approche d’agrégation pour l’estimation de la pertinence multidimensionnelle. L’approche est basée sur un opérateur d’agrégation mathématique qui utilise une mesure floue permettant la quantification de l’importance estimée des critères ainsi que leur degré d’interaction ou d’interdépendance. Nous évaluons l’opérateur proposé dans le cadre de trois scénarios de recherche d’information, en l’occurrence une tâche de recherche de tweets, une tâche de recherche personnalisée dans les folksonomies et une tâche de recherche d’information contextuelle. Les résultats expérimentaux obtenus montrent l’impact de l’approche proposée sur les performances de recherche.

National audience; L'extraction automatique d'opinions sur le web 2.0 est un domaine de recherche de plus en plus étudié. Elle utilise souvent deux méthodes à vocations différentes : soit des méthodes fondées sur l'apprentissage par la constitution de corpus en vue d'établir des modèles pour la classification, soit rechercher des mots caractéristiques tels que les adjectifs qui contribueront à la classification des textes. Dans ce dernier cas, les outils existants utilisent des dictionnaires généraux, et possèdent des limites : pour certains domaines, des adjectifs peuvent être inexistants voire contradictoires. Dans cet article, nous proposons une nouvelle approche de création automatique de dictionnaire d'adjectifs intégrant la connaissance du domaine. Les expériences menées sur des données réelles ont montré l'intérêt de notre approche comparativement à une méthode plus classique par apprentissage.

National audience; Les moteurs de recherche géoréférencés utilisent des algorithmes d’ordonnancement complexes, prenant en compte le contexte d’utilisation, l’e-reputation et les réseaux sociaux, pour classer pertinemment les lieux vis-à-vis d’une requête. Or, comprendre les critères de sélection des utilisateurs et d’ordonnancement des moteurs est crucial pour les entreprises. Nous présentons le principe de l’optimisation de l’ordonnancement sur les moteurs de recherche et les approches et algorithmes existants. Nous montrons qu’ils sont limités et non adaptés au géoréférencement. Nous proposons une amélioration de l’évaluation de la pertinence et une méthodologie d’adaptation aux requêtes utilisant la sélection de variables embarquée.