BottinBot2

Présentation du bot

La fonction de ce bot est d'automatiser la création d'articles biographiques à partir de données extraites des anciens annuaires de la ville de Paris. La donnée primaire est un DataFrame dont les lignes sont les entrées des bottins, chaque entrée contient les informations suivantes:

index, directory, page, row, year, name, job, street, number, street_clean, street_only

Fonctionnement du bot

Traitements des données du bottin

Le but de cette partie est de créer un dictionnaire listant tout les entitées distinctes qui ont pu être extraites des bottins. On considère ici que deux entrées se réfèrent à la même personne si les variables :

name, job, street_clean

sont assez "similaires". Ainsi chaque entité distincte est ici uniquement définie par son nom, métier et adresse de travail. Ici la similarité entre deux entrées est définie à l'aide d'une fonction, qui pour deux entrées données, retourne un score de ressemblance compris entre 0 (aucune ressemblance) et 1 (identiques).

préciser le fonctionnement de cette fonction?

La création du dictionnaire contenant les entités distinctes se fait en comparant les entrées d'une année avec celles de l'année précédente et en groupant dans des dataFrames les entrées ayant les scores de ressemblance les plus élevés et ayant dépassé un seuil minimum de ressemblance (ceci évitant que deux entrées soient mises dans le même dataFrame avec un score de ressemblance très bas). L'approche anti-chronologique est justifiée par le fait que ???. Le résultat de ce processus est une liste de dataFrame contenant les entrées attribuées à la même entité:

mettre image?

Cette liste est ensuite convertie en un dictionnaire à trois niveaux de clefs permettant de retrouver à l'aide du nom, du métier et de l'adresse d'une entité, le dataFrame d'entrée correspondant.

mettre image dico ?

Ecriture des articles

L'article pour chaque entité est composé d'entrées de la forme :

• year / Paris. Mention de name dans la catégorie job à l'adresse number street_clean. [url]

où les variables year,name,job,number et street_clean sont tiré des entrées du dataframe correspondant à l'individu et l'url est crée à l'aide de la fonction entry2url. Le titre de l'article dépend de s'il existe d'autre entité partageant le même nom ou métier. Il y a donc trois cas:

1. Il n'existe aucune autre entité ayant le même nom et le même métier, dans ce cas le titre de l'article sera simplement le nom de l'entité
2. Il existe une entité ayant le même nom mais pas le même métier, dans ce cas le titre de l'article sera nom de l'entité(métier de l'entité). Le titre de cette article est ensuite rajouté sur une page désambiguisation regroupant les titres des articles des entités ayant le même nom.
3. Il existe une autre entité ayant le même nom et le même métier. Dans ce cas le titre de l'article sera nom de l'entité(métier de l'entité,adresse de l'entité). Le titre de cette article est ensuite rajouté sur une page désambiguisation regroupant les titres des articles d'entité ayant le même nom et le même métier.

l'avantage du dictionnaire créé précédement est qu'il est facile de savoir quand il faut écrire une page de désambiguisation ou non lorsque l'on veut écrire un article.