Raccordement du Petit Larousse illustré de 1905 à wikidata

Summary in English

Connection of the Petit Larousse illustré of 1905 to wikidata. This repository hosts a dataset connecting all the proper nouns of the 1905 edition of the Petit Larousse illustré to wikidata items. It contains:

• larousse_1905_wd.json, a list of Python dictionaries where each dictionary represents a Larousse proper noun. Each Python dictionary contains the text of the Larousse entry and a list of wikidata identifiers. A dictionary has then two keys: texte and qid, for example:
  {'texte': "AALI-PACHA, homme d'Etat turc, né à Constantinople. Il a attaché son nom à la politique de réformes du Tanzimat (1815-1871).", 'qid': ['Q439237']}
• A src folder that contains:
  • raccordement_larousse.ipynb, a Jupyter notebook which shows how to read and use of the json file;
  • larousse_1905_wd_extraction.json, a file which adds information extracted from wikidata to articles;
• A docs folder that contains:
  • The poster presented at LREC 2022, see the reference below;
  • Slides describing the dataset and how I created it.

If you use this dataset, please cite the references below.

Description en français

Ce dépôt héberge un jeu de données qui raccorde tous les noms propres de l'édition de 1905 du Petit Larousse illustré à des éléments wikidata. Il comprend :

• Le fichier larousse_1905_wd.json qui contient une liste de dictionnaires Python où chaque dictionnaire représente un nom propre du Larousse. Chaque dictionnaire Python contient le texte de l'article du Larousse et l'identifiant wikidata avec les clés texteet qid, par exemple :
  {'texte': "AALI-PACHA, homme d'Etat turc, né à Constantinople. Il a attaché son nom à la politique de réformes du Tanzimat (1815-1871).", 'qid': ['Q439237']}
• Un dossier src qui contient :
  • Le notebook Jupyter raccordement_larousse.ipynbqui montre comment lire et tirer parti du fichier json avec des exemples très simples;
  • Le fichier larousse_1905_wd_extraction.json qui ajoute des informations extraites de wikidata aux articles. Le résultat est stocké dans des dictionnaires Python avec des clés supplémentaires;
• Un dossier docs qui contient :
  • mon poster à LREC 2022. Voyez la référence plus bas ;
  • des transparents pour une présentation orale du jeu de données.

Citer ce jeu de données

Si vous utilisez ce jeu de données, merci d'en citer l'origine avec les références suivantes :

@InProceedings{nugues:2022:LREC,
  author    = {Nugues, Pierre},
  title     = {Connecting a French Dictionary from the Beginning of the 20th Century to Wikidata},
  booktitle      = {Proceedings of the Language Resources and Evaluation Conference},
  month          = {June},
  year           = {2022},
  address        = {Marseille, France},
  publisher      = {European Language Resources Association},
  pages     = {2548--2555},
  abstract  = {The Petit Larousse illustré is a French dictionary first published in 1905. Its division in two main parts on language and on history and geography corresponds to a major milestone in French lexicography as well as a repository of general knowledge from this period. Although the value of many entries from 1905 remains intact, some descriptions now have a dimension that is more historical than contemporary. They are nonetheless significant to analyze and understand cultural representations from this time. A comparison with more recent information or a verification of these entries would require a tedious manual work. In this paper, we describe a new lexical resource, where we connected all the dictionary entries of the history and geography part to current data sources. For this, we linked each of these entries to a wikidata identifier. Using the wikidata links, we can automate more easily the identification, comparison, and verification of historically-situated representations. We give a few examples on how to process wikidata identifiers and we carried out a small analysis of the entities described in the dictionary to outline possible applications. The resource, i.e. the annotation of 20,245 dictionary entries with wikidata links, is available from GitHub (https://github.com/pnugues/petit\_larousse\_1905/)},
  url       = {https://aclanthology.org/2022.lrec-1.272}
}

@misc{pnugues2021,
  author = {Pierre Nugues},
  title = {Raccordement du {Petit Larousse illustré} de 1905 à wikidata},
  year = 2021,
  url = {https://github.com/pnugues/petit_larousse_1905}
}

Remerciements

J'ai réalisé moi-même et manuellement tous les raccordements entre les noms propres et les identifiants wikidata.

Les données textuelles du Petit Larousse illustré proviennent du projet Nénufar, http://nenufar.huma-num.fr/, qui lui-même prend la suite d'un projet mené à l'université de Cergy :

1. Hervé Bohbot, Francesca Frontini, Giancarlo Luxardo, Mohamed Khemakhem and Laurent Romary (2018) Presenting the Nenufar Project: A Diachronic Digital Edition of the Petit Larousse Illustré, in Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018).
2. Manuélian, H., Bruscand, A., Cholewka, N., Hetzel, A-M. (2010) Le Petit Larousse Illustré de 1905 en ligne: Présentation et secrets de fabrication, in Informatique et description de la langue d'hier et d'aujourd'hui, ÉLA n°156, octobre-décembre 2009, Klincksieck.