Lier les personnes des données de la Cinémathèque québécoise vers Wikidata

Mise en contexte

L’un des objectifs de l’initiative Savoirs communs du cinéma est d’utiliser le web sémantique pour lier nos données internes à des données externes. Parmi les données externes disponibles, nous avons décidé de travailler avec la plateforme Wikidata, une base de connaissances libre et collaborative maintenue par la fondation Wikimedia. Cette base de connaissances contient plusieurs informations sur les personnes, les œuvres cinématographiques, les lieux, etc. (bref, tous les concepts qui peuvent être liés avec le cinéma, ce qui nous intéresse le plus).

Notre objectif était de compléter les informations sur les personnes qui apparaissaient dans le générique des œuvres cinématographiques dans les données de la Cinémathèque québécoise. Les données de la Cinémathèque québécoise contiennent plusieurs informations sur les personnes, dont le nom (ex. Falardeau), le prénom (ex. Pierre), les œuvres cinématographiques sur lesquelles ces personnes ont travaillé (ex. « Octobre ») et les fonctions occupées (ex. réalisateur). Grâce à Wikidata, il est possible de compléter les données manquantes de la Cinémathèque québécoise. Par exemple, dans les données de la Cinémathèque québécoise, plusieurs informations concernant une personne ne sont pas forcément cataloguées, telles que le genre, la date de naissance, la date de décès, le lieu de naissance, etc. En établissant des liens entre les personnes des données de la Cinémathèque québécoise et les personnes de Wikidata (p. ex. que la personne avec l’identifiant 28485 de la Cinémathèque québécoise correspond à l’entité Q584749 de Wikidata), il devient possible de répondre à plusieurs questions telles que:

  • La proportion de femmes impliquées dans le cinéma
  • Tous les réalisateurs et réalisatrices qui sont décédés
  • Toutes les personnes impliquées dans le cinéma qui sont nées au Québec

Dans les prochaines sections, nous allons:

  1. introduire le concept de désambiguïsation
  2. décrire notre méthodologie pour lier les personnes des données de la Cinémathèque québécoise vers Wikidata
  3. évaluer notre méthodologie sur un jeu de données annoté manuellement
  4. montrer un cas d’utilisation qui profite du lien entre les données de la Cinémathèque québécoise et Wikidata
  5. analyser et discuter des résultats obtenus

Désambiguïsation

L’établissement de liens entre les personnes des données de la Cinémathèque québécoise et Wikidata engendre un problème de désambiguïsation d’entités. Concrètement, la personne « Pierre Falardeau », le film « Les Invasions Barbares », la fonction de « réalisation » sont tous des exemples d’entités. La désambiguïsation d’entités est une tâche qui demande de s’assurer que deux mentions différentes d’une entité représentent en fait la même entité. Par exemple, nous avons l’entité « Michel Côté » avec l’identifiant 56042 dans les données de la Cinémathèque québécoise. En désirant établir un lien avec Wikidata, nous y retrouvons plusieurs personnes qui s’appellent « Michel Côté »: un acteur, une personnalité politique et un poète. La tâche de désambiguïsation consiste à identifier laquelle de ces trois personnes correspond au « Michel Côté » de la Cinémathèque québécoise. Dans notre exemple, le  « Michel Côté » des données de la Cinémathèque québécoise est un acteur, donc il fort probable qu’il puisse correspondre à l’acteur « Michel Côté » de Wikidata.

Cette désambiguïsation peut se faire manuellement pour chaque personne dans les données de la Cinémathèque québécoise en les liant à Wikidata. Il y a un total de 83 616 personnes. En moyenne, la désambiguïsation manuelle peut prendre au moins trois minutes par personne. Au total, ce travail prendrait 4180 heures (597 jours). De plus, de nouvelles personnes sont régulièrement ajoutées dans Wikidata, donc il faudrait régulièrement vérifier si ces personnes peuvent être liées à une personne existante dans les données de la Cinémathèque québécoise. Étant donné le coût élevé de ce travail, nous avons créé un programme logiciel qui permet d’automatiser la création de liens entre les personnes des deux bases de données et et nous avons estimé son efficacité.

Méthodologie

Dans cette section, nous allons décrire l’algorithme utilisé pour lier une personne des données de la Cinémathèque québécoise vers son entité équivalente dans Wikidata. Tout d’abord, nous avons différentes caractéristiques représentant une personne dans les données: son nom, son prénom, et chaque fonction occupée lors de la production d’œuvres cinématographiques. Pour effectuer cette désambiguïsation, nous allons nous limiter au nom, au prénom et ainsi qu’aux fonctions occupées des personnes. Étant donné que le lien entre les œuvres cinématographiques et les personnes (qui ont participé à la production de quelle œuvre) n’est pas suffisamment documenté dans Wikidata, nous n’utiliserons pas les œuvres cinématographiques pour désambiguïser une personne. Le tableau suivant présente des exemples de personnes avec leurs caractéristiques:

Identifiant Nom Prénom Fonctions
16070 Brault Michel Images, Participant, Montage images, Interprétation, Producteur délégué, Producteur, Scénario, Photographe de plateau, Assistant réalisation, Recherche, Narrateur
28485 Falardeau Pierre Participant, Narrateur, Producteur, Scénario, Images, Montage images, Montage sonore, Conception, Interprétation, Narration
56042 Côté Michel Interprétation, Participant, Scénario, Producteur délégué

Pour aider l’algorithme de désambiguïsation, nous devons préalablement lier les fonctions des données de la Cinémathèque québécoise vers leur fonction équivalente dans Wikidata. Étant donné le faible nombre de fonctions possibles, cette liaison peut s’effectuer manuellement. La table suivante présente ces liens:

Fonction de la Cinémathèque québécoise Fonction(s) de Wikidata
Interprétation http://www.wikidata.org/entity/Q2259451
http://www.wikidata.org/entity/Q10798782
http://www.wikidata.org/entity/Q33999
Scénario http://www.wikidata.org/entity/Q28389
Réalisation http://www.wikidata.org/entity/Q2526255
Producteur http://www.wikidata.org/entity/Q3282637
Producteur exécutif http://www.wikidata.org/entity/Q3282637
Producteur délégué http://www.wikidata.org/entity/Q3282637
Directeur de production http://www.wikidata.org/entity/Q3282637
Montage image http://www.wikidata.org/entity/Q7042855
Image http://www.wikidata.org/entity/Q7042855
Musique http://www.wikidata.org/entity/Q36834
http://www.wikidata.org/entity/Q177220
http://www.wikidata.org/entity/Q183945
http://www.wikidata.org/entity/Q639669
Interprète musique http://www.wikidata.org/entity/Q36834
http://www.wikidata.org/entity/Q177220
http://www.wikidata.org/entity/Q183945
http://www.wikidata.org/entity/Q639669
Montage sonore http://www.wikidata.org/entity/Q36834
http://www.wikidata.org/entity/Q177220
http://www.wikidata.org/entity/Q183945
http://www.wikidata.org/entity/Q639669
Mixage http://www.wikidata.org/entity/Q36834
http://www.wikidata.org/entity/Q177220
http://www.wikidata.org/entity/Q183945
http://www.wikidata.org/entity/Q639669
Prise de son http://www.wikidata.org/entity/Q36834
http://www.wikidata.org/entity/Q177220
http://www.wikidata.org/entity/Q183945
http://www.wikidata.org/entity/Q639669
Conception sonore http://www.wikidata.org/entity/Q36834
http://www.wikidata.org/entity/Q177220
http://www.wikidata.org/entity/Q183945
http://www.wikidata.org/entity/Q639669
Costumes http://www.wikidata.org/entity/Q1323191
Animation http://www.wikidata.org/entity/Q266569

Il est à noter que pour chaque fonction de la Cinémathèque québécoise, il y a plusieurs fonctions Wikidata possibles. Si une fonction de la Cinémathèque québécoise n’a pas pu être liée à une fonction Wikidata, alors elle n’est pas utilisée dans l’algorithme de désambiguïsation. Ces liens ont été établis en fonction de la similarité entre les fonctions, sans être nécessairement équivalents, afin d’améliorer l’efficacité de la désambiguïsation. Par exemple, la fonction « Conception sonore » est liée à la fonction http://www.wikidata.org/entity/Q36834 (compositeur) de Wikidata même si ces deux fonctions ne sont pas équivalentes.

Avec ces données, nous pouvons présenter l’algorithme de désambiguïsation des personnes entre les données de la Cinémathèque québécoise et Wikidata. Tout d’abord, nous devons choisir une personne à lier à Wikidata. Ensuite, nous allons identifier toutes les personnes dans Wikidata qui possèdent exactement le même nom (dans le libellé principal ou les libellés alternatifs) que la personne choisie. Finalement, nous gardons les personnes de Wikidata qui partage au moins une fonction avec la personne choisie. Prenons l’exemple de la personne avec l’identifiant 56042 de la Cinémathèque québécoise. Cette personne possède le nom « Michel Côté », donc nous allons trouver toutes les personnes de Wikidata qui possède comme libellé principal ou comme libellé alternatif le nom « Michel Côté ». Voici les différents « Michel Côté » possibles :

Pour chacune de ces personnes, on extrait l’ensemble de ses occupations selon la propriété http://www.wikidata.org/prop/direct/P106.

Par exemple, les occupations de l’acteur Michel Côté (http://www.wikidata.org/entity/Q6836353) sont:

Ensuite, on vérifie qu’au moins une de ces fonctions fait partie de l’ensemble des fonctions possibles de la personne des données de la Cinémathèque québécoise. Dans le tableau des données de la Cinémathèque québécoise, vous pouvez remarquer que « Michel Côté » possède la fonction « Scénario ». Selon le tableau précédent, cette fonction est liée à la fonction http://www.wikidata.org/entity/Q28389 de Wikidata. En résumé, la personne avec l’identifiant 56042 de la Cinémathèque québécoise peut être liée à la personne http://www.wikidata.org/entity/Q6836353 de Wikidata.

Voici la requête SPARQL qui interroge Wikidata pour les personnes qui peuvent être liées à Michel Côté:

PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
PREFIX skos: <http://www.w3.org/2004/02/skos/core#>
PREFIX wd: <http://www.wikidata.org/entity/>
PREFIX wdt: <http://www.wikidata.org/prop/direct/>

SELECT DISTINCT ?person
WHERE
{ 
  # L'entité doit être de type « Personne »
  ?person wdt:P31 wd:Q5 .

  # Libellé principal ou alternatif doit être "Michel Côté"
  { ?person rdfs:label "Michel Côté"@fr. } UNION
  { ?person rdfs:label "Michel Côté"@en. } UNION
  { ?person skos:altLabel "Michel Côté"@en. } UNION
  { ?person skos:altLabel "Michel Côté"@fr. } .

  # Les fonctions acceptées pour la personne
  { ?person wdt:P106 <http://www.wikidata.org/entity/Q2259451> . } UNION
  { ?person wdt:P106 <http://www.wikidata.org/entity/Q10800557> . } UNION
  { ?person wdt:P106 <http://www.wikidata.org/entity/Q10798782> . } UNION
  { ?person wdt:P106 <http://www.wikidata.org/entity/Q33999> . } UNION
  { ?person wdt:P106 <http://www.wikidata.org/entity/Q28389> . } UNION 
  { ?person wdt:P106 <http://www.wikidata.org/entity/Q3282637> . } UNION
  { ?person wdt:P106 <http://www.wikidata.org/entity/Q2526255> . }
}

Vous pouvez évaluer cette requête sur le service SPARQL de Wikidata.

Par la suite, il y a trois possibilités:

  1. Aucune personne n’est retournée par Wikidata
  2. Une seule personne est retournée par Wikidata
  3. Deux ou plusieurs personnes sont retournées par Wikidata

Si le résultat de l’algorithme fait partie des possibilités 1 et 3, alors la désambiguïsation a échoué pour la personne en question. Pour la possibilité 2, la désambiguïsation est un succès.

Évaluation

Au total,  83 616 personnes des données de la Cinémathèque québécoise doivent être désambiguïsées et liées à Wikidata. L’objectif est de lier le plus de personnes possibles, mais en minimisant au maximum les erreurs. Pour valider l’algorithme, nous avons manuellement lié à Wikidata un ensemble de 750 personnes et nous avons séparé cet ensemble en deux ensembles distincts: les données de validation (450 personnes) et les données d’évaluation (300 personnes). Les données de validation sont utilisées pour concevoir l’algorithme, décrit au sein de la section précédente, de façon à maximiser les résultats. Le tableau suivant présente les résultats obtenus:

Type de classification Nombre de vrais positifs Nombre de faux positifs
NA 257 84
Q* 106 3

Lors de la désambiguïsation d’une personne des données de la Cinémathèque québécoise, il y a deux possibilités:

  1. L’algorithme ne trouve aucune personne dans Wikidata qui représente cette personne (NA)
  2. L’algorithme trouve une personne Wikidata qui peut représenter cette personne (Q*)

Par la suite, la désambiguïsation d’une personne peut faire partie d’une de deux catégories: un vrai positif ou faux positif. Un vrai positif est une personne qui a été correctement classifiée. Donc, l’algorithme a correctement identifié 257 personnes qui ne peuvent pas être liées à Wikidata et il a correctement identifié 106 personnes qui ont une personne équivalente dans Wikidata. Un faux positif est une personne qui a été mal classifiée. Donc, l’algorithme a identifié 84 personnes qui n’ont pas de personnes équivalentes dans Wikidata, alors qu’il existe une personne équivalente dans Wikidata. Par la suite, 3 personnes ont été liées à une personne de Wikidata, alors ces personnes n’ont pas de personnes équivalentes dans Wikidata.

Lors de la conception de l’algorithme, l’objectif était de maximiser le nombre de vrais positifs tout en minimisant les faux positifs pour la classification Q*. En d’autres mots, il est préférable de ne pas lier une personne à une personne de Wikidata que de la lier à la mauvaise personne. Au total, 106 personnes ont été correctement liées vers une personne Wikidata, donc 23,5% de l’ensemble des personnes ont été liés à Wikidata.

Après plusieurs itérations, nous avons jugé les résultats précédents satisfaisants. Par la suite, nous avons appliqué l’algorithme sur les données d’évaluation. Cet ensemble permet de valider l’algorithme sur des données inconnues, et d’estimer son efficacité lorsqu’il sera appliqué sur les 83 616 personnes. Le tableau suivant présente les résultats obtenus sur l’ensemble d’évaluation :

Type de classification Nombre de vrais positifs Nombre de faux positifs
NA 178 59
Q* 63 0

Nous remarquons qu’aucune personne de Wikidata n’a été liée à une personne de l’ensemble d’évaluation qui ne possède pas de lien avec Wikidata, ce qui était à l’origine un de nos objectifs. Au total, 63 personnes ont été correctement liées vers une personne de Wikidata, donc nous pouvons estimer que 21% des personnes seront liées à une personne dans Wikidata.

Finalement, nous avons appliqué l’algorithme sur l’ensemble des 83 616 personnes. Au total, 22 153 personnes ont été liées à Wikidata, ce qui correspond à 26,5% des personnes.

Cas d’utilisation des personnes liées à Wikidata

Avec les données sur les personnes liées à Wikidata, nous pouvons maintenant répondre à certaines questions qui ne serait pas possible autrement. Prenons la question suivante: quelles personnes ont réalisé au moins un film québécois et sont aujourd’hui décédées ?

À partir de la date de publication de cet article, on retrouve dans les données de la Cinémathèque québécoise:

  1. 9 650 personnes qui ont réalisé au moins une œuvre cinématographique québécoise
  2. 2 502 d’entre elles sont liées à une personne de Wikidata
  3. 233 d’entre elles sont décédées

 

Par exemple, voici ceux et celles qui sont décédés en 2020:

Identifiant Entité Wikidata Libellé Date de décès
http://data.cinematheque.qc.ca/resource/Person38106 http://www.wikidata.org/entity/Q1743824 Kit Hood 20-01-2020
http://data.cinematheque.qc.ca/resource/Person1168 http://www.wikidata.org/entity/Q3105994 Giles Walker 23-03-2020

Analyse et discussion

Malgré que l’algorithme a réussi à lier 22 153 personnes des données de la Cinémathèque québécoise vers Wikidata, il y a tout de même 61 463 personnes qui n’ont pas pu être liées. Soit que la page Wikidata de cette personne n’existe pas, soit que l’algorithme n’arrive pas à affirmer qu’il existe un lien.

Pour mieux comprendre les résultats, nous avons généré des diagrammes à bande qui permettent de visualiser le nombre de personnes qui ont été désambiguïsées vers Wikidata en fonction du nombre de personnes totales dans les données de la Cinémathèque québécoise.

Dans le diagramme suivant, chaque fonction possible se trouve à gauche. La barre rouge représente le nombre total de personnes qui ont été liées à Wikidata. La barre bleue représente le nombre de totales de personnes dans les données. Ce diagramme permet de cibler les fonctions qui mériteraient de s’attarder davantage dans le futur pour améliorer les résultats de la désambiguïsation. Par exemple, nous remarquons directement que les réalisateurs représentent la majorité des personnes dans les données de la Cinémathèque québécoise, mais seulement une petite partie, environ 16%, a pu être liée à Wikidata. Cette affirmation permet de supposer que les contributeurs de Wikidata s’attardent davantage sur la création de fiches d’acteurs que de réalisateurs.

Le diagramme suivant est une extension du premier qui permet de montrer les fonctions qui ont été le mieux désambiguïsées, indépendamment du nombre total de personnes pour chaque fonction.

Pour conclure, avec davantage de contributions sur Wikidata sur les personnes reliées au cinéma, l’algorithme pourra lier davantage de personnes entre les données de la Cinémathèque québécoise et Wikidata. Les contributions idéales sur Wikidata seraient de :

  1. créer une fiche, si elle n’existe pas, d’une personne qui a travaillé dans la production d’une œuvre cinématographique
  2. indiquer ses occupations avec la propriété Wikidata P106 (ex. scénariste, réalisateur, etc.).
  3. créer des fiches, si elles n’existent pas, d’œuvres cinématographiques dont cette personne a participé lors de sa production.
  4. spécifier dans les fiches d’œuvres cinématographiques les personnes qui ont participé dans sa production (ex. regardez des exemples de fiches telles que Bon Cop, Bad Cop et Ocean’s Eleven)

De plus, il serait intéressant d’intégrer dans les règles de catalogage d’organismes, comme la Cinémathèque québécoise, un processus permettant de lier manuellement les nouvelles entités à des sources externes, libres et ouvertes comme Wikidata.


Vous aimerez aussi...

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search