@prefix rdf: . @prefix sl: . @prefix skos: . @prefix rdfs: . @prefix tag: . @prefix foaf: . @prefix dc: . dc:title "Monolingual data in NMT" ; sl:creationDate "2018-12-04" ; sl:tag tag:slides , tag:paris_nlp_meetup , tag:neural_machine_translation , tag:francois_yvon . tag:information_extraction a sl:Tag ; skos:prefLabel "Information extraction" . tag:j_y_etais a sl:Tag ; skos:prefLabel "J'y étais" . dc:title "Siamese CNN for job–candidate matching (slides)" ; sl:creationDate "2020-02-10" ; sl:tag tag:triplet_loss , tag:slides , tag:siamese_network , tag:paris_nlp_meetup , tag:job_matching . tag:knowledge_graph_construction a sl:Tag ; skos:prefLabel "Knowledge Graph Construction" . tag:nlp_long_documents a sl:Tag ; skos:prefLabel "Long documents" . dc:title "Language and Perception in Deep Learning - Florian Strub DeepMind, Univ. Lille, Inria" ; sl:comment "A [Related paper](/doc/2019/10/feature_wise_transformations)" ; sl:creationDate "2019-10-07" ; sl:tag tag:slides , tag:paris_nlp_meetup , tag:grounded_language_learning , tag:google_deepmind . dc:title "Paris NLP Season 3 Meetup #1 | Meetup" ; sl:creationDate "2018-09-27" ; sl:tag tag:unsupervised_machine_translation , tag:paris_nlp_meetup , tag:nlp_facebook , tag:guillaume_lample . tag:google_deepmind a sl:Tag ; skos:prefLabel "DeepMind" . tag:ranking_information_retrieval a sl:Tag ; skos:prefLabel "Ranking (information retrieval)" . tag:nlp_human_resources a sl:Tag ; skos:prefLabel "NLP + Human Resources" . tag:siamese_network a sl:Tag ; skos:prefLabel "Siamese networks" . tag:neural_machine_translation a sl:Tag ; skos:prefLabel "Neural machine translation" . tag:slides a sl:Tag ; skos:prefLabel "Slides" . tag:bert a sl:Tag ; skos:prefLabel "BERT" . dc:title "Paris NLP Season 3 Meetup #2 – Paris NLP" ; sl:comment "- François Yvon, LIMSI/CNRS Using monolingual data in Neural Machine Translation\r\n- Kezhan SHI, Data Science manager at Allianz France," ; sl:creationDate "2018-12-04" ; sl:tag tag:paris_nlp_meetup , tag:neural_machine_translation , tag:francois_yvon . dc:title "Romain Vial (Hyperlex) at Paris NLP meetup, slides" ; sl:comment "> Hyperlex is a contract analytics and management solution powered by artificial intelligence. Hyperlex helps companies manage and make the most of their contract portfolio by identifying relevant information and data to manage key contractual commitments.\r\n\r\n> Take-home message:\r\n>\r\n> - Sentence representation starts to be well understood empirically\r\n> - Large document representation is still an open (and interesting) problem!\r\n " ; sl:creationDate "2019-01-24" ; sl:tag tag:nlp_long_documents , tag:bert , tag:information_extraction , tag:knowledge_graph_construction , tag:paris_nlp_meetup , tag:slides , tag:nlp_juridique , tag:knowledge_graph_completion , tag:good . tag:knowledge_graph_completion a sl:Tag ; skos:prefLabel "Knowledge Graph Completion" . tag:job_matching a sl:Tag ; skos:prefLabel "Job matching" . tag:unsupervised_machine_translation a sl:Tag ; skos:prefLabel "Unsupervised machine translation" . dc:title "Paris NLP Season 3 Meetup #3 at Doctrine – Paris NLP" ; sl:comment "Trois présentations :\r\n\r\n- une première décrivant l'utilisation de données textuelles dans le cadre de la conception d'une opération marketing (définition de l'orientation à donner à l'image d'une marque). Les techniques NLP utilisées sont simples, mais leur utilisation comme outil pour aider les créatifs du marketing est originale.\r\n\r\n- une deuxième dans le domaine juridique, très intéressante en termes de techniques mises en oeuvre. L'application vise à la valorisation de bases de contrats (un corpus de textes, sur lequel on souhaite effectuer des recherches complexes), en s'appuyant à la fois sur les techniques récentes de représentation de textes, et sur un knowledge graph (ontologie de termes juridiques). Pour ce qui est de le représentation de textes, ils utilisent Google BERT. Ce que permet BERT, c'est une forme de transfert d'apprentissage : BERT est un réseau de neurones profond entrainé de façon non supervisée, par et chez Google, sur une énorme quantité de textes, de façon à emmagasiner une connaissance sur une langue (\"pre-trained language model\"). Ces données (c'est à dire ce réseau pré-entrainé) sont mises à disposition par Google. Chacun peut ainsi affiner l'entrainement du réseau sur son propre corpus de textes, et ses propres données labellisées concernant le problème qu'il souhaite effectivement résoudre (par exemple, dans le cas juridique, la reconnaissance d'entités dans les contrats).\r\n\r\nLe speaker rapporte des résultats sensiblement améliorés par rapport à ce qu'ils obtenaient auparavant en ce qui concerne la qualité de la représentation de phrases, et des problèmes de type classification de phrases ou reconnaissance d'entités (il note que la représentation de textes longs reste un problème ouvert). Les temps d'entrainement de BERT sur leur problème ne sont pas exorbitants (il parle de quelques heures de GPU, pas de jours ou de semaines de TPU comme pour l'entrainement initial).\r\n\r\n- le dernier speaker quant à lui a présenté deux papiers de recherche, justement sur les techniques au cœur de BERT (\"Transformer architecture\").\r\n" ; sl:creationDate "2019-01-29" ; sl:tag tag:paris_nlp_meetup . dc:title "Paris NLP Meetup #6" ; sl:comment "[blog post](https://nlpparis.wordpress.com/2018/07/26/paris-nlp-meetup-6-season-2-linkvalue/)" ; sl:creationDate "2018-07-26" ; sl:tag tag:paris_nlp_meetup , tag:nlp_human_resources , tag:discounted_cumulative_gain . tag:triplet_loss a sl:Tag ; skos:prefLabel "Triplet Loss" . tag:camembert_nlp a sl:Tag ; skos:prefLabel "CamemBERT" . tag:nlp_event a sl:Tag ; skos:prefLabel "NLP event" . tag:good a sl:Tag ; skos:prefLabel "Good" . tag:guillaume_lample a sl:Tag ; skos:prefLabel "Guillaume Lample" . dc:title "Paris NLP - blog" ; sl:creationDate "2018-11-29" ; sl:tag tag:paris_nlp_meetup . tag:discounted_cumulative_gain a sl:Tag ; skos:prefLabel "Discounted cumulative gain" . tag:francois_yvon a sl:Tag ; skos:prefLabel "François Yvon" . tag:grounded_language_learning a sl:Tag ; skos:prefLabel "Grounded Language Learning" . dc:title "Paris NLP Season 4 Meetup #3 – Paris NLP (2020)" ; sl:comment "- Siamese CNN for jobs-candidate matching: learning document embeddings with triplet loss.\r\n- Sesame street-based naming schemes must fade out, long live CamemBERT et le French fromage!" ; sl:creationDate "2020-01-23" ; sl:tag tag:triplet_loss , tag:siamese_network , tag:paris_nlp_meetup , tag:job_matching , tag:camembert_nlp . dc:title "Paris NLP Season 4 Meetup #1 at Algolia" ; sl:comment "Slides of the [\"Language and Perception in Deep Learning\"](/doc/2019/10/language_and_perception_in_deep) talk" ; sl:creationDate "2019-10-07" ; sl:tag tag:paris_nlp_meetup , tag:j_y_etais . tag:nlp_facebook a sl:Tag ; skos:prefLabel "NLP@Facebook" . tag:nlp_juridique a sl:Tag ; skos:prefLabel "NLP + juridique" . tag:paris_nlp_meetup a sl:Tag ; rdfs:isDefinedBy tag:paris_nlp_meetup.n3 ; skos:broader tag:paris , tag:nlp_event , tag:meetup ; skos:prefLabel "Paris NLP meetup" ; foaf:page tag:paris_nlp_meetup.html . tag:paris a sl:Tag ; skos:prefLabel "Paris" . dc:title "Information Retrieval for HR (2018)" ; sl:comment "Meetup NLP #6 – July 25, 2018 Ismael Belghiti, CTO @ Hiresweet\r\n\r\n> comment différentes techniques de NLP peuvent être appliquées pour calculer un score de matching entre un profil et une offre, en comparant leur performance sur une métrique de ranking dédiée." ; sl:creationDate "2020-02-14" ; sl:tag tag:ranking_information_retrieval , tag:paris_nlp_meetup , tag:nlp_human_resources , tag:job_matching , tag:discounted_cumulative_gain . tag:meetup a sl:Tag ; skos:prefLabel "Meetup" .