Ceci est le contenu du fichier d’apprentissage que nous avons confié à Weka pour faire un exercice sur l’identification de la langue d’un document par Weka.

—–

@relation LangueTexte

@attribute phrase string
@attribute langue {FR, IT, EN}

@data
“Live coverage as it happened from New York, Washington and around the world as remembrance ceremonies are held to mark the 10th anniversary of the September 11 attacks”, EN
“Khalil Senosi/AP A person injured in a gasoline pipeline incident being brought to Kenyatta National Hospital in Nairobi, Kenya, on Monday”, EN
“Once upon a time, you might tell your children, there were buildings called libraries. A resident of a city or town, you would explain, could walk into one and borrow books–for free”, EN
“In the beginning, the mainstream media weren’t quite sure what to make of the Tea Party, which, despite its name, isn’t a party at all.”, EN
“Stocks fell Monday on worries that Greece could be edging closer to defaulting on its debt. The yield on the 10-year Treasury note reached another record low as investors piled into US government debt.”, EN
“Having a background in sociology, philosophy, and economics, I’m going to try to give this blog a pretty broad scope. Going from finance and economics, to geopolitics and world news, to the occasional academic or theoretical post.”, EN
“The last of these was met with some amount of surprise and confusion. The ribbon interface is busy, perhaps even cluttered, with lots of buttons packed in. The contrast with the clean lines and square edges of the Metro touch interface is stark. But getting too hung up on aesthetics at this stage is unwise—the appearance may change before release—and while the ribbon certainly can’t be described as minimal, it makes features very easy to discover, which is arguably more useful.”, EN
“This is the week in which Microsoft stakes its claim on the future. It’s not make-or-break—the company’s server, office, and even desktop businesses will remain healthy and viable regardless of Windows 8’s reception—but it’s nonetheless essential to Microsoft’s desire to move beyond the conventional PC. If it gets Windows 8 right, the company’s Windows Everywhere will finally come to fruition. If it doesn’t, that dream will be dead for good.”, EN
“L’ASN et EDF assurent que l’accident du Centraco n’a provoqué aucune fuite radioactive ou chimique à l’extérieur de l’installation.”, FR
“Les incidents qui surviennent au sein des 58 réacteurs nucléaires et dizaines de sites sensibles en France sont scrupuleusement relevés, analysés et publiés.”, FR
“L’attaque contre l’ambassade d’Israël au Caire vendredi soir, au coeur d’une nuit d’émeutes, témoigne de l’approfondissement du fossé entre les militaires au pouvoir et le mouvement de contestation populaire qui les accuse ouvertement”, FR
“La présidente PS de la région Poitou-Charentes, Ségolène Royal, a fait adopter lundi par le Conseil régional six actions en faveur des PME, notamment le principe de la création d’une banque régionale”, FR
“Apple vient de faire interdire en Allemagne la tablette de Samsung, pour violation de brevets. Le Galaxy Tab 10.1 n’est-il qu’une pale copie de l’iPad 2 ? Pas selon notre test. Les plus et les moins, en vidéo.”, FR
“Deux sondes pour comprendre de quoi est faite la Lune”, FR
“Le premier procès de la fraude à la TVA sur le CO2 s’est ouvert à Paris ce lundi en début d’après-midi.”, FR
“Esplosione nel pomeriggio in una fabbrica di fuochi d’artificio ad Arpino, nel Frusinate. E’ salito a sei il bilancio delle vittime. Il corpo dell’uomo, che inizialmente era stato dato per disperso, è stato recuperato dai vigili”, IT
“Dopo l’incidente al sito di Marcoule anche in Italia si riaccendono le preoccupazioni per i rischi connessi alle centrali nucleari. Le opposizioni invitano il Governo di riferire in Parlamento, mentre gli ambientalisti chiedono trasparenza e la messa”, IT
“Brian Moynihan apre la nuova era di Bank of America. E presenta un piano di ristrutturazione che si tradurra’ in risparmi sui costi di 5 miliardi di dollari l’anno entro il 2013. Il piano, chiamato ‘New Bac’, si articola in due”, IT
“Per legge devono essere due. Indaga l’Antitrust. Prima denuncia in Trentino. L’azienda: dopo 12 mesi la responsabilità è dei venditori di JAIME D’ALESSANDRO ROMA – Il Trentino contro la Apple”, IT
“Pirlo se n è andatao perche lo voleva lui, e lo sapeva da tempo. avrebbe potuto essere piu chiaro e onesto con noi tifosi, invece di fare finta di non sapere cosa succedera.”, IT
“Dopo 4 anni vissuti con un cuore artificiale nel petto, finalmente il trapianto. Un record di durata a dir poco stupefacente.”, IT
“Sale nuovamente la tensione sui titoli di Stato italiani, mentre si prospetta un’altra giornata di passione sui mercati sulla scia dei timori sempre più concreti di un possibile default greco”, IT
“La Banca centrale europea la scorsa settimana ha acquistato sul mercato secondario titoli di stato dei paesi della zona euro per un valore pari a 13,96 mld di euro. E’ quanto emerge dai dati settimanali diffusi oggi”, ?
“Dopo oltre un’ora di contrattazioni a New York i principali indici statunitensi sono in territorio negativo. Il Dow Jones IA evidenzia una flessione dello 0,90% e il Nasdaq Composite dello 0,30%”, ?
“En visite lundi 12 septembre à Paris, où il a déjeuné avec Nicolas Sarkozy, le président rwandais Paul Kagame a proposé d’apaiser les relations franco-rwandaises. Il a déclaré à l’Agence France-Presse ne pas vouloir demander des excuses à la France”, ?

Je me présente, je suis Bilbo. Je suis l’automate bibliographique créé par le Cléo/LIA. Je suis un glouton bibliographique, en fait. Un de mes maîtres a décrit le projet initial sur Blogo-numericus dans un billet intitulé L’hypertextualité dans tous ses états. A l’époque, je n’avais pas encore de nom. Maintenant, j’ai même un carnet!

Ce carnet a pour but d’accompagner le projet de recherche “Robust and Language Independent Machine Learning Approaches for Automatic Annotation of Bibliographical References in DH Books, Articles and Blogs”, dans le cadre du programme Google Grant for Digital Humanities, mené conjointement par Patrice Bellot du Laboratoire Informatique d’Avignon (LIA) et Marin Dacos du Centre pour l’Edition Electronique Ouverte (CLEO).

Il s’agit de présenter, de diffuser et de discuter des travaux portant sur l’annotation automatique des références bibliographiques, normées ou non, dans la documentation scientifique numérisée. Ce carnet apparaît comme un espace de réflexions, de présentation des méthodes employées et de la diffusion des comptes rendus sur l’avancement du projet.