Glossaire

spaCy

Qu’est-ce que spaCy ?

spaCy est une bibliothèque Python open source de traitement automatique du langage, développée par l'entreprise berlinoise Explosion. Elle découpe les textes en mots et en phrases, détermine les catégories grammaticales et les formes de base, analyse la structure des phrases et reconnaît les entités nommées comme les personnes, entreprises ou lieux. Des modèles préentraînés existent pour de nombreuses langues, dont le français. spaCy vise la rapidité et l'usage en production, par exemple pour prétraiter de grands volumes de documents.

Thèmes

TAL
Python
open source

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

NLTK

NLTK (Natural Language Toolkit) est une bibliothèque Python open source de traitement du langage naturel, créée au début des années 2000 à l’University of Pennsylvania. Elle fournit des outils de tokenisation, de racinisation, d’étiquetage morphosyntaxique et de classification simple, ainsi que l’accès à de nombreux corpus. NLTK est surtout utilisée dans l’enseignement et la recherche ; en production, on recourt souvent à des bibliothèques comme spaCy ou à des modèles transformers.

Python
traitement du langage
+1

Reconnaissance d’entités nommées (NER)

La reconnaissance d’entités nommées (Named Entity Recognition, NER) est une technique de traitement du langage qui repère dans un texte les noms de personnes, d’entreprises et de lieux, ainsi que les dates ou montants, et les classe par catégorie. Le texte libre devient ainsi une donnée structurée. Exemple : l’entreprise expéditrice, l’interlocuteur, la date de livraison et le montant d’une facture sont extraits d’un e-mail et transférés dans un CRM.

TAL
Extraction d’information
+1

Modèle

Analyse en dépendances

L'analyse en dépendances (dependency parsing) est une technique de traitement du langage naturel qui représente la structure grammaticale d'une phrase sous forme de relations de dépendance entre les mots. Chaque mot est rattaché à un mot dont il dépend, par exemple le sujet et l'objet au verbe : dans « Le client commande deux lampes », « client » et « lampes » dépendent de « commande ». Elle sert notamment à l'extraction d'informations, par exemple pour identifier qui a fait quoi.

TAL
syntaxe
+1

Étiquetage morphosyntaxique (POS)

L'étiquetage morphosyntaxique (part-of-speech tagging) attribue automatiquement à chaque mot d'une phrase sa catégorie grammaticale : nom, verbe, adjectif ou préposition. Comme beaucoup de mots sont ambigus (« ferme » comme nom, adjectif ou verbe), les méthodes tiennent compte du contexte de la phrase. C'est une étape classique de prétraitement pour l'analyse syntaxique, l'extraction d'informations ou la correction orthographique, proposée par des bibliothèques comme spaCy ou NLTK.

NLP
Grammaire
+1