Schéma BIO (étiquetage)

Le schéma BIO ne permet pas de nesting (l'imbrication de sens d'un ensemble dans un autre). Par conséquent il ne permet pas de représenter des phénomènes comme la séparation des phrases, ou des phrases avec des significations imbriquées comme "Université de Rennes, département informatique". Il ne permet pas d'annoter avec des métadonnées telles que le niveau de confiance ou l'identifiant d'un échantillon, ce qui pourtant fréquent dans les systèmes de TAL.

En raison de ces limitations, les données doivent souvent être converties depuis le format BIO, ou les projets doivent créer des extensions personnalisées, ce qui a engendré un grand nombre de formats « de type BIO » partiellement interopérables. De nombreuses variantes étendues peuvent également être interprétées par un analyseur syntaxique standard, ce qui rend plus fréquentes les erreurs de traitement involontaires.

L'espace et le « O » (signifiant « hors de tout bloc ») ne transmettent aucune information et pourraient simplement être omis. Il en va de même pour le suffixe « type » ajouté aux marqueurs « I- » ou « E- », comme dans certaines variantes de « BIOES », et pour le marquage simultané de « I » et « E » (si vous avez commencé mais pas terminé, vous êtes « dans », et si vous êtes « dans », vous avez commencé mais pas terminé). Certains formats utilisent la verbosité pour améliorer la lisibilité et/ou la détection d'erreurs, mais IOB ne semble pas en tirer de tels avantages en contrepartie de sa verbosité.

Le principe « un jeton par étiquette » de BIO dépend de la tokenisation utilisée, bien que celle-ci ne soit pas standardisée en TAL et que ses détails ne soient pas nécessairement liés aux représentations des NER. « 31/11/2019 » peut être représenté par un à cinq jetons selon les systèmes, mais la NER reste identique. Certains systèmes autorisent même les espaces à l'intérieur des jetons, et l'utilisation de l'espace comme délimiteur pose problème, limitant ainsi l'applicabilité d'IOB et justifiant la nécessité de développer d'autres solutions. Le terme « espace » peut inclure ou non des tabulations, des espaces multiples, des espaces insécables, etc., autant de différences difficiles à détecter lors de la relecture.

Les variantes BIO autorisant plusieurs jetons par étiquette utilisent souvent « / » ou un autre caractère réservé pour séparer l’étiquette du jeton. Cela « réserve » de fait ce caractère, qui ne peut alors pas figurer dans les jetons ou doit être échappé, ce qui engendre davantage d’incompatibilités.

Les fichiers BIO ne disposent d'aucun emplacement pour les métadonnées couramment nécessaires, telles que l'encodage des caractères utilisé, la source des données, les marqueurs de localisation internes, etc.

Les formats plus puissants (comme XML, JSON ou les expressions S ) peuvent gérer des annotations beaucoup plus diverses, présentent moins de variations entre les implémentations et sont souvent plus courts et plus lisibles. Par exemple :

<PER>Alex</PER> is going with <PER>Marty A. Rick </PER>to<LOC> Los Angeles</LOC>

Ces formats prennent également en charge la séparation entre les phrases, les annotations morphosyntaxiques, les marqueurs de localisation et d'autres fonctionnalités couramment utilisées dans les systèmes de TAL. La segmentation de tous les jetons à des endroits précis ne fait pas strictement partie de la tâche de reconnaissance d'entités nommées (NER) ; mais si chaque jeton était étiqueté (comme « <T>est</T> ») :

<PER><T>Alex</T></PER><T>is</T><T>going</T><T>with</T><PER><T>Marty</T><T>A.</T><T>Rick</T></PER><T>to</T><LOC><T>Los</T><T>Angeles</T></LOC>

• Daniel Jurafsky et James H. Martin, Speech and Language Processing, Upper Saddle River, N.J., 2nd, 2008 (ISBN 978-0131873216), « 13.5 Partial Parsing »

• Bob Carpenter, « Coding Chunkers as Taggers: IO, BIO, BMEWO, and BMEWO+ » [archive du 5 août 2017], 2009

• Portail de l’informatique
• Portail de la linguistique