Unsupervised Named-Entity Recognition: Generating Gazetteers and Resolving Ambiguity

In this paper, we propose a named-entity recognition (NER) system that addresses two major limitations frequently discussed in the field. First, the system requires no human intervention such as manually labeling training data or creating gazetteers. Second, the system can handle more than the three classical named-entity types (person, location, and organization). We describe the system's architecture and compare its performance with a supervised system. We experimentally evaluate the system on a standard corpus, with the three classical named-entity types, and also on a new corpus, with a new named-entity type (car brands).Dans le pr\ue9sent document, nous proposons un syst\ue8me de reconnaissance d'entit\ue9s nomm\ue9es (REN) qui corrige deux limitations majeures dont il est question fr\ue9quemment dans le domaine. Premi\ue8rement, le syst\ue8me ne n\ue9cessite aucune intervention humaine, comme l'\ue9tiquetage manuel des donn\ue9es de formation ou la cr\ue9ation de toponymies. Deuxi\ue8mement, le syst\ue8me peut traiter plus que les trois types classiques d'entit\ue9s nomm\ue9es (personne, lieu et organisation). Nous d\ue9crivons l'architecture du syst\ue8me et nous comparons ses performances \ue0 un syst\ue8me supervis\ue9. Nous \ue9valuons de mani\ue8re exp\ue9rimentale le syst\ue8me dans un corpus standard, et ce \ue0 l'aide des trois types classiques d'entit\ue9s nomm\ue9es et aussi \ue0 l'aide d'un nouveau corpus comportant un nouveau type d'entit\ue9s nomm\ue9es (marques de v\ue9hicules).NRC publication: Ye