BIENVENUE DANS MON SITE

Bienvenu(e) sur mon site!

La réalisation de ce site s’inscrit dans le cadre du semestre 2 du projet encadré. Il consiste à réaliser quatre boîtes à outils (BAO) qui extraient, étiquettent des données textuelles sur l’ensemble des fils RSS 2020 du journal Le Monde.

• BAO 1: L’objectif de la boîte à outil n°1 (BAO 1) est de récupérer par rubrique l’ensemble des couples titre et description d’un item du corpus.
• BAO 2: La boîte à outils n°2 (BAO 2) ne diffère pas beaucoup de la première. C’est un programme qui prend en considération l’étiquetage morphosyntaxique et de lemmatisation de Treetagger et de Udpipe.
• BAO 3: La boîte à outils n°3 permet quant à lui de rechercher et d’extraire des patterns par exemple  un nom suivi d’un adjectif (NOUN ADJ), d’un verbe suivi d’un nom+ un nom (VERB DET NOUN)
• BA0 4: L'objectif de la boîte à outils n° 4 consite à faire une classification des fil RSS.

Information corpus

Le corpus contient 12 sous-dossiers correspondant aux 12 mois de l'année. A l'intérieur de ces sous-dossiers, on y trouve plusieurs sous-dossiers correspondant au nombre de jour de chaque mois. Chaque jour du mois contient des flux RSS de différentes rubriques au format .txt,.xml. Les rubriques ont toutes un identifiant unique

Rubriques

3208 => "une", 3210 => "international", 3214 => "europe", 3224 => "societe", 3232 => "idees", 3234 => "economie", 3236 => "actualite_medias", 3242 => "sport", 3244 => "planete", 3246 => "culture", 3260 => "livres", 3476 => "cinema", 3546 => "voyage", 65186 => "technologies", 8233 => "politique", "env_sciences" => "sciences"

Pour ce Projet nous avons choisi de travailler que sur quelques rubriques