, notre première contribution est un ensemble de patrons morpho-syntaxiques, intégrant notre chaîne de traitement linguistique Text2Geo. Cette dernière permet d'affiner l'identification d'EN spatiales. Nous nous appuyons ensuite sur une méthode d'apprentissage supervisé classique dans le domaine de la fouille de données pour typer les EN (de type Lieu et Organisation) et éliminer les possibles ambiguïtés. Dans les perspectives à ce travail, nous envisageons d'appliquer le processus d'apprentissage supervisé à trois classes (Organisation, ESR, ESA) afin d'afiner le procesus l'étiquetage, un contexte et permettent la désambiguïsation d'entités nommées (EN) de type Lieu et Organisation. Sur la base des travaux de Lesbegueries, 2007.

M. Abolhassani, N. Fuhr, and N. Gövert, Information extraction and automatic markup for xml documents, Intelligent Search on XML Data, pp.159-178, 2003.

E. Agirre, O. Ansa, E. H. Hovy, and D. Martínez, Enriching very large ontologies using the www, ECAI Workshop on Ontology Learning, 2000.

G. Di-méo, Extrait de Géographie sociale et territoire, 1998.

T. Joachims, Text categorization with suport vector machines : Learning with many relevant features, Lecture Notes in Computer Science, vol.1398, pp.137-142, 1998.

J. Lesbegueries, Plate-forme pour l'indexation spatiale multi-niveaux d'un corpus territorialisé, 2007.

D. Maurel, N. Friburger, J. Antoine, I. Eshkol-taravella, and E. D. Nouvel, Casen : a transducer cascade to recognize french named entities, TAL, vol.52, issue.1, pp.69-96, 2011.

D. S. Nadeau and . Sekine, A survey of named entity recognition and classification, Lingvisticae Investigationes, vol.30, issue.1, pp.3-26, 2007.

D. Nouvel, J. Antoine, N. Friburger, and A. Soulet, Recognizing named entities using automatically extracted transduction rules, 2011.

P. Velardi, P. Fabriani, and M. Missikoff, Using text processing techniques to automatically enrich a domain ontology, FOIS, pp.270-284, 2001.