Extraction de concepts et de relations entre concepts à...

THÈSE en vue de l’obtention du

GRADE DE DOCTEUR

délivré par

L’Institut Nationale des Sciences Appliquées de Lyon

présentée par

Farah HARRATHI

École doctorale : InfoMaths Unité de recherche : Laboratoire d'InfoRmatique en Image et Systèmes

d'information UMR 5205 CNRS Équipe d’accueil : Distribution et Recherche d'Information Multimedia

Extraction de concepts et de relations entre concepts à partir

des documents multilingues : Approche statistique et

ontologique

Soutenue le 28 Septembre 2009 devant la commission d’examen :

Jury

Benhamadou Abdelmajid Calabretto Sylvie Gammoudi Mohamed Mohsen Gargouri Faïez Jean-Marie Pinon Simonet Michel Roussey Catherine

Professeur des universités, Université de Sfax Maître de Conférences HDR, INSA de Lyon Professeur, Université de Tunis Professeur, Université de Sfax Professeur des universités, INSA de Lyon Professeur des Universités, TIMC-IMAG Maître de Conférences

Examinateur Directrice de thèse Directeur de thèse Rapporteur Examinateur Rapporteur co-directrice de thèse, invitée

-iii-

Résumé

Les travaux menés dans le cadre de cette thèse se situent dans la problématique

de recherche- indexation des documents et plus spécifiquement dans celle de

l’extraction des descripteurs sémantiques pour l’indexation. Le but de la Recherche

d’Information (RI) est de mettre en œuvre un ensemble de modèles et de systèmes

permettant la sélection d’un ensemble de documents satisfaisant un besoin

utilisateur en termes d’information exprimé sous forme d’une requête. Un Système

de Recherche d’Information (SRI) est composé principalement de deux processus.

Un processus de représentation et un processus de recherche. Le processus de

représentation est appelé indexation, il permet de représenter les documents et la

requête par des descripteurs ou des indexes. Ces descripteurs reflètent au mieux le

contenu des documents. Le processus de recherche consiste à comparer les

représentations des documents à la représentation de la requête.

Dans les SRIs classiques, les descripteurs utilisés sont des mots (simples ou

composés). Ces SRIs considèrent le document comme étant un ensemble de mots,

souvent appelé « sac de mots ». Dans ces systèmes, les mots sont considérés

comme des graphies sans sémantique. Les seules informations exploitées

concernant ces mots sont leurs fréquences d’apparition dans les documents. Ces

systèmes ne prennent pas en considération les relations sémantiques entre les

mots. Par exemple, il est impossible de trouver des documents représentés par un

mot M1 synonyme d’un mot M2, dans le cas où la requête est représentée par M2.

Aussi, dans un SRI classique un document indexé par le terme « bus » ne sera

jamais retrouvé par une requête indexée par le terme «taxi », pourtant il s’agit de

deux termes qui traitent le même thème « moyen de transport ».

Afin de remédier à ces limites, plusieurs travaux se sont intéressés à la prise en

compte de l’aspect sémantique des termes d’indexation. Ce type d’indexation est

appelé indexation sémantique ou conceptuelle. Ces travaux passent du niveau

mots au niveau concepts (les sens des mots), ainsi les descripteurs d’un document

sont des concepts.

Dans ces travaux les termes dénotant les concepts sont extraits à partir du

document en utilisant des techniques statistiques ou/et linguistiques. Ces termes

sont par la suite projetés sur une ressource sémantique (ontologie, thésaurus…)

afin d’extraire les concepts associés.

-iv-

Les approches d’indexation sémantique existantes ont été principalement

appliquées aux corpus monolingues. Dans ces corpus tous les documents sont

écrits dans une même langue. Ces approches utilisent un analyseur

morphosyntaxique (lemmatiseur et étiqueteur) de la langue du corpus pour

l’indexer. De ce fait, ils ne s’appliquent pas { des corpus multilingues où les

documents du corpus sont écrits dans plus d’une langue. L’objectif de notre travail

de thèse et de proposer une approche d’indexation sémantique adaptée aux corpus

multilingues.

Dans ce cadre nous proposons une approche statistique et ontologique

d’indexation adaptée aux documents multilingues. Nous proposons une technique

statistique exploitant les fréquences de mots afin d’extraire les termes des

documents. Par la suite le modèle d’ontologie est utilisé afin d’associer les termes à

leurs concepts. Ce modèle est aussi utilisé pour extraire les relations entre les

concepts à partir des documents. Nous proposons des algorithmes indépendants

de la langue des textes pour reconnaître des concepts et des relations de

l’ontologie dans les textes. De ce fait l’approche est « robuste » et indépendante de

la langue et du domaine du corpus. Concernant la validation, nous appliquons

notre approche sur un corpus réel, le corpus médical de la campagne d’évaluation

CLEF’2007 en utilisant le méta-thésaurus UMLS.

Mots clés : Indexation sémantique, Recherche d’information, Extraction de termes,

Extraction de concepts, extraction de relations, Documents multilingues

-v-

Abstract

The research work of this thesis is related to the problem of document search

indexing and more specifically in that of the extraction of semantic descriptors for

document indexing. Information Retrieval System (IRS) is a set of models and

systems for selecting a set of documents satisfying user needs in terms of

information expressed as a query. In IR, a query is composed mainly of two

processes for representation and retrieval. The process of representation is called

indexing, it allows to represent documents and query descriptors, or indexes.

These descriptors reflect the contents of documents. The retrieval process consists

on the comparison between documents representations and query representation.

In the classical IRS, the descriptors used are words (simple or compound). These

IRS consider the document as a set of words, often called a "bag of words".

In these systems, the words are considered as graphs without semantics. The

only information used for these words is their occurrence frequency in the

documents. These systems do not take into account the semantic relationships

between words. For example, it is impossible to find documents represented by a

word synonymous with M1 word M2, where the request is represented by M2.

Also, in a classic IRS document indexed by the term "bus" will never be found by a

query indexed by the word "taxi", yet these are two words that deal with the same

subject "means of transportation." To address these limitations, several studies

were interested taking into account of the semantic indexing terms. This type of

indexing is called semantic or conceptual indexing. These works take into account

the notion of concept in place of notion of word.

In this work the terms denoting concepts are extracted from the document by

using statistical techniques. These terms are then projected onto resource of

semantics such as: ontology, thesaurus and so on to extract the concepts involved.

Existing approaches for semantic indexing has been applied mainly to

monolingual corpus. These approaches use a morphosyntactic analyzer for

indexing. As a result, they do not apply multilingual corpus The aim of this thesis

work is to propose an approach of indexing semantics adapted to multilingual

corpus.

In this context we propose a statistical and ontological approach indexing

adapted to multilingual documents. A statistical techniques use the frequency of

-vi-

words in order to extract the terms of the documents. The ontology model is used

to associate the words into concepts. This model is also used to extract the

relations between concepts from documents. We propose algorithms independent

of the language of the texts to identify concepts and relations of the ontology in the

texts. Hence the approach is "robust" and independent of language and the domain

corpus. Regarding validation, we apply our approach on a real corpus, the corpus

of medical evaluation campaign CLEF'2007 using the UMLS meta-thesaurus.

Keywords: Semantic Indexing, Information Retrieval, Term Extraction, Concepts

extraction, Relationship extraction, Multilingual documents.

-vii-

Table des matières

1. Introduction générale .................................................................................................. 15

1.1. Contexte et problématique .............................................................................................. 15

1.2. Objectifs et contributions ................................................................................................. 17

1.3. Organisation de la thèse ................................................................................................... 18

2. Indexation sémantique et Recherche d’Information ........................................ 23

2.1. Introduction { la Recherche d’Information............................................................... 23

2.1.1. Définitions ................................................................................................................................. 23

2.1.2. Architecture d’un SRI ............................................................................................................ 24

2.1.3. Le processus d’Indexation .................................................................................................. 26

2.1.4. Le processus d'interrogation ou la formulation de requête ................................. 27

2.1.5. Le processus d’appariement document-requête et la fonction de

correspondance ................................................................................................................................... 29

2.1.6. Evaluation des SRI .................................................................................................................. 29

2.2. Les différents modèles de Recherche d’Information ............................................ 32

2.2.1. Le modèle booléen ................................................................................................................. 32

2.2.2. Le modèle vectoriel ................................................................................................................ 33

2.2.3. Le modèle probabiliste ......................................................................................................... 36

2.3. Indexation et RI multilingue ........................................................................................... 37

2.3.1. Recherche d’Information Multilingue ............................................................................ 38

2.3.2. Les problèmes liés { la Recherche d’Information MultiLingue (RIML) ........... 38

2.3.3. Les différents types de corpus multilingues................................................................ 41

2.3.3.1. Les Corpus comparables ................................................................................................................ 41

2.3.3.2. Les Corpus parallèles ...................................................................................................................... 41

2.3.3.3. Les Corpus multilingues ................................................................................................................ 41

2.3.4. Les différentes approches de l’indexation multilingue ........................................... 42

2.3.4.1. Approches basées sur un vocabulaire contrôlé .................................................................. 43

2.3.4.2. Traduction de la requête ............................................................................................................... 43

2.3.4.3. Traduction des documents ........................................................................................................... 43

2.3.4.4. Traduction de la requête et des documents ......................................................................... 44

2.4. Discussion : vers une indexation sémantique .......................................................... 44

2.5. L’indexation sémantique : apports et difficultés ..................................................... 46

-viii-

2.5.1. Les différentes ressources sémantiques et leurs utilisations en indexation . 49

2.5.1.1. Le thésaurus ........................................................................................................................................ 49

2.5.1.2. La base lexicale ou réseau sémantique WordNet .............................................................. 50

2.5.1.3. Ontologies............................................................................................................................................. 51

2.5.1.4. Les modèles de représentation des connaissances utilisés en indexation ............ 52

2.5.1.5. Les systèmes de recherche d’information utilisant une ressource sémantique.. 57

2.6. Conclusion .............................................................................................................................. 60

3. Etat de l’art sur l’extraction des descripteurs pour l’indexation .................. 65

3.1. Introduction .......................................................................................................................... 65

3.2. L’extraction des descripteurs ......................................................................................... 66

3.3. Extraction des termes ........................................................................................................ 66

3.3.1. Méthodes statistiques ou numériques d’extraction des termes ......................... 67

3.3.1.1. Les fréquences .................................................................................................................................... 67

3.3.1.2. Critères d’associations.................................................................................................................... 68

3.3.1.3. Les travaux de L. Lebart et A. Salem ........................................................................................ 69

3.3.1.4. Les travaux de Church .................................................................................................................... 70

3.3.1.5. Les travaux de R. Oueslati ............................................................................................................. 71

3.3.1.6. Conclusion : Bilan ............................................................................................................................. 71

3.3.2. Méthodes linguistiques ........................................................................................................ 72

3.3.2.1. Les travaux de David et Plante : TERMINO ........................................................................... 72

3.3.2.2. Les travaux de D. Bourigault : LEXTER ................................................................................... 73

3.3.2.3. Les travaux de C. Jaquemin : FASTER ...................................................................................... 74


3.3.3. Méthodes hybrides ou mixtes ........................................................................................... 75

3.3.3.1. Les travaux de B. Daille .................................................................................................................. 75

3.3.3.2. Les travaux de F. Smadja ............................................................................................................... 76

3.3.3.3. Les travaux de K.T. Frantzi ........................................................................................................... 76


3.3.4. Evaluation des systèmes d’extraction des termes .................................................... 78

3.3.4.1. Le corpus de référence ................................................................................................................... 78

3.3.4.2. La liste de référence......................................................................................................................... 78

3.3.4.3. Les mesures statistiques ............................................................................................................... 79

3.4. Extraction des termes à partir des corpus bilingues et corpus multilingues79

3.4.1. Extraction des termes à partir des corpus comparables ........................................ 79

3.4.2. Extraction des termes à partir des corpus parallèles .............................................. 80

3.4.3. Extraction des termes à partir des corpus multilingues ........................................ 81

-ix-

3.5. Structuration des termes en classes : les concepts ............................................... 82

3.5.1. La distribution contextuelle ............................................................................................... 82

3.5.2. Les travaux de P. Resnik ...................................................................................................... 83

3.5.3. Les travaux de E. Riloff ......................................................................................................... 83

3.6. Extraction des relations sémantiques ......................................................................... 84

3.6.1. Extraction des relations hiérarchiques ......................................................................... 84

3.6.1.1. Les travaux de M. Hearst ............................................................................................................... 84

3.6.1.2. Les travaux de E. Morin et C. Jaquemin .................................................................................. 86

3.6.1.3. Les travaux de R. Snow................................................................................................................... 86

3.6.2. Extraction des relations non- hiérarchiques ............................................................... 88

3.6.2.1. La relation de causalité .................................................................................................................. 88

3.6.2.2. La relation partie-de ........................................................................................................................ 89


3.6.2.4. Discussion ............................................................................................................................................ 90

3.7. Conclusion .............................................................................................................................. 90

4. Une méthode statistique et ontologique d’extraction des concepts et des

relations à partir des corpus multilingues ................................................................. 95

4.1. Introduction .......................................................................................................................... 95

4.2. Fondements théoriques .................................................................................................... 96

4.2.1. La spécificité lexicale du corpus et les distances intertextuelles ........................ 96

4.2.2. La loi du moindre effort : Loi de Zipf .............................................................................. 98

4.2.3. Conjecture de Luhn ................................................................................................................ 99

4.3. Extraction des termes simples ..................................................................................... 100

4.3.1.1. Le prétraitement du corpus ...................................................................................................... 101

4.3.1.2. Calcul de l’intersection des vocabulaires ............................................................................ 101

4.3.1.3. Extraction des mots vides candidats ................................................................................... 102

4.3.1.4. Validation des mots vides candidats ..................................................................................... 102

4.3.1.5. Extraction des termes simples par élimination des mots vides ............................... 103

4.3.1.6. Pondération des termes simples ............................................................................................ 104

4.3.1.7. Algorithme d’extraction des termes simples .................................................................... 106

4.4. Extraction des termes composés ................................................................................ 107

4.4.1. Extraction des termes composés basée sur l’information mutuelle ............... 107

4.4.2. Pondération des termes composés ............................................................................... 111

4.5. Extraction des concepts .................................................................................................. 113

4.6. Extraction des relations sémantiques entre les concepts ................................. 121

-x-

4.7. Conclusion ............................................................................................................................ 122

5. Expérimentations et évaluations............................................................................ 127

5.1. Introduction ........................................................................................................................ 127

5.2. La collection du test ......................................................................................................... 127

5.2.1. Le corpus à indexer .............................................................................................................. 128

5.2.2. Le jeu de requêtes ................................................................................................................ 129

5.3. Le corpus d’appui .............................................................................................................. 129

5.4. La ressource externe : le méta thésaurus UMLS ................................................... 130

5.4.1. Présentation ............................................................................................................................ 130

5.4.2. Les concepts dans UMLS .................................................................................................... 131

5.4.3. Les relations entre les concepts et les types sémantiques .................................. 132

5.4.4. Les relations sémantiques entre les types sémantiques ...................................... 132

5.5. Les évaluations ................................................................................................................... 133

5.5.1. Le prototype MuDIBO ......................................................................................................... 133

5.5.2. Méthodologie d’évaluation ............................................................................................... 135

5.5.2.1. Description générale de la méthode d’évaluation .......................................................... 135

5.5.2.2. Mesures d’évaluation ................................................................................................................... 135

5.5.2.3. Description du système de RI sémantique utilisé comme base de référence : . 135

5.5.2.4. Notre système de RI...................................................................................................................... 138

5.5.3. Les prétraitements ............................................................................................................... 138

5.5.3.1. Prétraitements des documents et des requêtes .............................................................. 138

5.5.4. Extraction des termes simples par élimination des mots vides ........................ 140

5.5.4.1. Résultats ............................................................................................................................................. 141

5.5.4.1. Synthèse ............................................................................................................................................. 141

5.5.5. Extraction des termes composés : détermination du seuil de l’IMA ............... 141

5.5.5.1. Résultats ............................................................................................................................................. 142

5.5.5.2. Synthèse ............................................................................................................................................. 143

5.5.6. Traitement de l’ambigüité................................................................................................. 143

5.5.6.1. Résultats ............................................................................................................................................. 144

5.5.6.1. Synthèse ............................................................................................................................................. 145

5.5.7. Extraction des concepts ..................................................................................................... 145

5.5.7.1. Résultats ............................................................................................................................................. 146

5.5.7.2. Comparaison de notre approche statistique avec les approches linguistiques 147

5.5.7.3. Synthèse ............................................................................................................................................. 148

-xi-

5.5.8. Impact de la couverture du domaine par la ressource sémantique sur

l’extraction des concepts ................................................................................................................ 148

5.5.8.1. Résultats ............................................................................................................................................. 149

5.5.8.2. Synthèse ............................................................................................................................................. 151

5.5.9. Extraction des relations sémantique ............................................................................ 151

5.5.9.1. Résultats ............................................................................................................................................. 152

5.5.9.2. Synthèse ............................................................................................................................................. 152

5.6. Discussion ............................................................................................................................ 153

5.7. Conclusion ............................................................................................................................ 153

6. Conclusions et perspectives ..................................................................................... 155

6.1. Contributions ...................................................................................................................... 155

6.1.1. Sur le plan théorique ........................................................................................................... 155

6.1.2. Sur le plan pratique et technique ................................................................................... 156

6.2. Perspectives ........................................................................................................................ 157

7. Annexes ........................................................................................................................... 161

8. Bibliographie ................................................................................................................. 167

-xii-

Table des figures

Figure 2.1- Processus général de Recherche d’Information (BAZIZ, 2005) ................... 26

Figure 2.2- Répartition des documents d’un corpus suite à une interrogation (HO,

2004) ............................................................................................................................... 30

Figure 2.3- Courbe précision-rappel pour la requête de l’exemple ci_dessus ............... 32

Figure 2.4- la représention des dans l’espace d’indexation (ROUSSEY, 2001) .............. 34

Figure 2.5- Les différentes approches d’indexation multilingue .................................... 42

Figure 2.6 – Le thésaurus utilisé pour l’indexation de l’exemple ................................... 47

Figure 2.7- Exemple de réseau sémantique ................................................................... 52

Figure 2.8- Le GC : un véhicule construit par le constructeur Renault participe au

Rallye :Paris Dakar . ......................................................................................................... 54

Figure 2.9- La projection du graphe H dans le graphe G . .............................................. 55

Figure 3.1- Réseau fourni par LEXTER pour «stenose severe de le tronc commun

gauche» (HABERT et al, 1995) ........................................................................................ 73

Figure 3.2 Exemple de sortie de la méthode de J. vergne .............................................. 82

Figure 3.3- vue d’ensemble du système proposé par E. Morin et C. Jaquemin (MORIN

et al, 2004) ..................................................................................................................... 86

Figure 3.4- Exemple d’arbre de dépendance généré par MINIPAR (SNOW et al, 2005) 87

Figure 4.1- la distance intertextuelle .............................................................................. 97

Figure 4.2- la conjecture de Luhn : informativité des mots ........................................... 99

Figure 4.5- Vue d’ensemble de l’approche proposée pour l’extraction des concepts 114

Figure 4.6- Exemple d’un concept d’une ressource sémantique décrite par SKOS ..... 115

Figure 4.7- Exemple d’un concept d’une ressource sémantique décrite par SKOS ..... 117

Figure 4.8- les sens du terme « circuit » dans WordNet .............................................. 120

Figure 4.9- Exemple d’un document de la collection CLEF 2007 .................................. 122

Figure 5.1- Exemple d’un document de la collection CLEF 2007 .................................. 129

Figure 5.3- Architecture générale du prototype MuDIBO ............................................ 134

Figure 5.4- Exemple du contenu textuel du document de la Figure 5.1. ..................... 139

Figure 5.5- Variation de la MAP en fonction du seuil de l’IMA .................................... 142

Figure 5.6- Variation de la P@5 en fonction du seuil de l’IMA .................................... 142

Figure 5.7- Courbes de la précision à 11 points de rappel : sans et avec traitement de

l’ambiguité (STA, ATA) .................................................................................................. 144

Figure 5.8- Courbes de la précision à 11 points de rappel ........................................... 146

Figure 5.9- Courbe de la précision à 11 points de rappel :UMLS versus MeSH ........... 149

Figure 5.10- Courbes de la précision à 11 points de rappel :Concepts versus

Concepts+relations ....................................................................................................... 152

-xiii-

Table des tableaux

Tableau 2.1 – Les documents retournés par le SRI pour la requête de l’exemple ........ 31

Tableau 2.2 – Les valeurs de la précision et du rappel pour la requête de l’exemple ... 31

Tableau 2.3 – Les dix premières langues les plus utilisées dans internet ...................... 37

Tableau 2.4 – Les représentetions de quatre documents dans le modèle vectoriel ..... 47

Tableau 2.5 – Les représentations par les concepts des quatre documents dans le

modèle vectoriel ............................................................................................................. 48

Tableau 2.6 – Similarité entre documents selon la stratégie d’indexation .................... 48

Tableau 2.7 – Les statistiques sur le nombre des mots et de concepts dans WordNet

3.0. .................................................................................................................................. 50

Tableau 2.8 – Exemple d’ una base de connaissances composée d'un TBox et d'une

ABox ................................................................................................................................ 56

Tableau 2.9 – Exemple de représentation des relations de WordNet par les LDs

(TBox+ABox) .................................................................................................................... 57

Tableau 3.1 – Tableau de contingence du couple de lemmes ............................. 68

Tableau 3.2 – Exemple de données lexicales utilisées par J. Vergne (VERGNE, 2003).. 81

Tableau 3.3 – Les patrons utilisés par Hearst pour l’extraction de l’hyperonymie ........ 85

Tableau 3.4 – Les patrons extraits par R.Girju ............................................................... 89

Tableau 5.1 – Détails de la collection CLEF médicale 2007 de concept dans UMLS .... 128

Tableau 5.2 – Statistiques sur le corpus d’appui .......................................................... 130

Tableau 5.3 – Exemple de concept dans UMLS ............................................................ 131

Tableau 5.4 – Aperçu sur les langues de UMLS ........................................................... 132

Tableau 5.5 –Le concept C0000167 et ses types sémantiques ............................... 132

Tableau 5.6 – Une relation sémantique entre deux types sémantiques .................. 133

Tableau 5.7 –Résultat de l’analyse lexicale du document de la Figure 5.1. ................. 140

Tableau 5.8 – Variation de la MPA et de la P@5 en fonction du seuil de l’IMA ......... 143

Tableau 5.9 –Résultats en MAP et P@5 sans et avec traitement de l’ambiguité (STA,

ATA) ............................................................................................................................... 145

Tableau 5.10 – Quelques résultats de la désambigüisation. ..................................... 145

Tableau 5.11 –Résultats en MAP et P@5 pour les deux approches............................. 147

Tableau 5.12 – Aperçu sur MeSH et sa part dans UMLS .............................................. 149

Tableau 5.13 –Résultats en MAP et P@5 pour les deux extractions: UMLS Versus MeSH

...................................................................................................................................... 150

Tableau 5.14 –Précision après n documents trouvés pour la langue allemande ......... 150

Tableau 5.15 –Résultats en MAP et P@5 pour les deux sénarios: Concepts Versus

Concepts+Relations ...................................................................................................... 152

-15-

Chapitre 1

Introduction générale

1.1. Contexte et problématique

De nos jours on assiste à un développement incessant des technologies de

l’information. Ces nouvelles technologies ont permis l’évolution rapide des

techniques et des matériels de production et de gestion de l’information. Le

progrès des outils de production d’informations tels que les éditeurs de textes a

permis la production quotidienne d’une énorme masse d’information. L’évolution

des médias électroniques a permis le stockage de cette vaste quantité

d’information. Cette augmentation rapide du volume d’information a engendré le

problème de comment retrouver une information qui nous intéresse dans cette

grande masse d’information. Afin de traiter ce problème une discipline toute

entière est née. Cette discipline est appelée Recherche d’Information (RI). Elle

s’intéresse au développement des techniques et des outils qui permettent de

retrouver une information intéressante afin de satisfaire un besoin en information,

dite information pertinente. Ces outils sont appelés des Systèmes de Recherche

d’Information (SRI). Ainsi, un SRI permet de sélectionner parmi un volume

d’information, les informations pertinentes vis-à-vis d’un besoin en information.

Dans ce système, le besoin en information est exprimé sous forme de requête.

Dans un SRI, chaque document est représenté par une représentation

intermédiaire. Cette représentation est directement exploitée par le SRI. Elle

décrit le contenu du document par des descripteurs. Ces descripteurs sont des

unités significatives dans le document. Cette description est appelée l’indexation

du document. De la même manière le contenu de la requête est décrit par un

ensemble de descripteurs. Pour retrouver les documents pertinents vis-à-vis d’une

requête, le SRI compare la représentation de cette requête à la représentation de

chaque document. Cette comparaison est réalisée au moyen d’une fonction de

correspondance (Retrieval Status Value: RSV) et un score de pertinence est affecté

{ chaque document. Ces scores permettent de présenter { l’utilisateur les

documents pertinents dans un ordre de pertinence. Le processus de recherche est

1.1. Contexte et problématique

-16-

donc composé de deux processus : une phase d’indexation et une phase de mise en

correspondance.

Dans une indexation manuelle, le document est examiné par un spécialiste ou

un documentaliste et une liste de descripteurs est établie. Ce type d’indexation est

fiable et donne des bons résultats. Par conséquent les documents retournés par le

SRI en réponse { une requête utilisateur sont précis. Mais, avec l’augmentation

incessante du nombre de documents, l’indexation manuelle s’avère impossible. En

effet, l’indexation est une tâche lourde et coûteuse en terme du temps. De plus,

suite au développement rapide des technologies et surtout dans les domaines

scientifiques tels que la médecine, de nouveaux descripteurs sont ajoutés d’une

manière continue. Afin de gérer ces nouveaux ajouts, les compétences des

documentalistes et des spécialistes doivent être mises à jour continuellement. Une

automatisation du processus d’indexation s’avère une solution pour remédier aux

limites de l’indexation manuelle.

L’indexation automatique permet de décrire un document par un ensemble de

descripteurs. Cette indexation est issue des Traitements Automatiques de la

Langue Naturelle (TALN). Elle constitue un compromis entre la performance et la

faisabilité. En effet une indexation manuelle est plus efficace qu’une indexation

automatique, mais cette indexation n’est pas toujours possible surtout quand il

s’agit des corpus volumineux. Dans le cas où l’indexation automatique est guidée

par l’utilisateur, on parle de l’indexation semi-automatique ou supervisée.

En plus, des exigences imposées par les tailles des corpus, celle de l’aspect

multilingue vient s’ajouter. En effet, avec le développement des technologies de

transfert et transmission d’information et particulièrement Internet, les barrières

géographiques n’ont plus d’existence. Un utilisateur peut exprimer son besoin sous

forme de requête et le SRI renvoie les documents pertinents indépendamment de

leurs emplacements géographiques. En effet, les utilisateurs expriment leurs

requêtes dans leurs langues préférées dont l’objectif de rechercher des documents

pertinents. Ces documents ne sont pas seulement ceux qui sont écrits dans la

même langue de requête. Souvent, un utilisateur trouve des difficultés pour

exprimer son besoin dans une langue donnée malgré qu’il soit capable de bien lire

des documents écrits dans cette langue. Ces documents ne seront pas retrouvés

par le SRI monolingue. Il est donc indispensable de développer des outils et de

proposer de nouvelles techniques qui permettent de surmonter la barrière de la

langue. Pour cela, plusieurs systèmes ont été développés qui sont appelés Système

de Recherche d’Information Multilingue (SRIM). Ces SRIMs permettent de

1.2. Objectifs et contributions

-17-

retrouver des documents pertinents vis-à-vis d’une requête utilisateur

indépendamment de leurs langues.

Les SRIs classiques, considèrent les documents comme des ensembles de mots,

appelés sac de mots. Ces mots sont utilisés dans ces SRIs pour décrire le contenu

d’un document. Ainsi, ces SRIs considèrent les mots comme des graphies sans sens.

De ce fait, ils permettent de retrouver seulement des documents qui sont décrit par

les mêmes mots que la requête. Par exemple, un document indexé par un mot

synonyme d’un autre mot qui décrit la requête ne sera jamais renvoyé par ces SRIs,

malgré que ce document soit pertinent. Afin de remédier à ces limites il est devenu

indispensable de prendre en considération le sens du mot. Les descripteurs sont

alors les sens des mots : les concepts. Ce type d’indexation est appelé indexation

conceptuelle ou sémantique. L’indexation sémantique décrit le contenu du

document par des descripteurs sémantiques. Elle permet d’améliorer la

performance des systèmes de recherche d’information.

Le sujet de cette thèse se situe dans ce cadre générale de recherche

d’information. Particulièrement, nous nous intéressons { la description du

contenu des documents multilingues par des descripteurs sémantiques :

l’indexation sémantique des documents multilingues.

1.2. Objectifs et contributions

L’objectif de notre travail est de proposer une méthode d’indexation sémantique

adaptée aux documents multilingues. Ces documents sont écrits en anglais et en

langues latines. Cette indexation permet de décrire le contenu des documents par

des descripteurs sémantiques. Ainsi, notre travail consiste à extraire ces

descripteurs { partir de ces documents. Il s’agit de proposer une méthode

d’extraction des concepts et des relations sémantiques entre concepts { partir des

documents multilingues. Les difficultés résident, d’une part, dans le fait de

capturer les sens des mots (les concepts) et d’en extraire les relations et d’autre

part, dans l’évaluation de l’efficacité de cette tâche d’extraction.

Pour la première difficulté liée { l’extraction des descripteurs sémantiques, la

plupart des travaux utilisent des ressources sémantiques externes, telles que les

ontologies et les thésaurii. Dans un premier temps, les manifestations

linguistiques de ces descripteurs dans le texte sont extraites. Ces manifestations

sont les mots qui possèdent un pouvoir discriminent dans le texte : les termes. Ces

termes dénotent les concepts dans le texte. Ensuite, ces termes sont transformés

1.3. Organisation de la thèse

-18-

en concepts en utilisant la ressource sémantique. Les approches existantes

d’extraction des termes sont basées sur des propriétés de la langue naturelle. De ce

fait, elles sont dites approches linguistiques. Ces propriétés sont spécifiques à une

langue donnée. Par conséquent, l’analyse change quand la langue du document

change. Ce qui donne des analyseurs linguistiques spécifiques à la langue des

documents à analyser. Ces analyseurs ne sont pas toujours disponibles pour toutes

les langues. C’est pour cette raison que nous n’avons pas opté pour une approche

linguistique.

La deuxième difficulté est liée { l’efficacité d’une tâche d’extraction des

descripteurs. Pour ce faire, nous évaluons l’efficacité de notre approche { travers

une comparaison de ses résultats aux résultats obtenus par une approche

linguistique.

L’approche que nous proposons permet d’abord d’extraire les termes simples et

les termes composés à partir des documents multilingues. Ces termes sont par la

suite transformés en concepts. Dans cette étape de transformation nous utilisons

une ressource sémantique externe. Ensuite, cette ressource est utilisée pour

extraire les relations sémantiques entre les concepts. Ainsi, l’approche proposée

permet d’extraire automatiquement les concepts et les relations sémantiques entre

les concepts.


Le mémoire de thèse est organisé comme suit. Le chapitre 2 présente une

introduction sur le domaine de la recherche d'information. D’abord, nous

introduisons le processus de recherche d’information qui permet de retrouver

parmi un ensemble de documents, ceux qui sont pertinents vis-à-vis d’une requête

utilisateur. Ensuite, nous mettons l’accent sur les différentes méthodes

d’indexation { partir d’une synthèse sur les différents types d’indexation ainsi que

les ressources utilisées pour indexer les documents et les requête.

Le chapitre 3 est consacré à la présentation des travaux existants dans le

domaine d’extraction des descripteurs { partir des documents. Nous exposons les

approches existantes d’extraction des termes, des concepts et des relations

sémantiques entre concepts. En particulier, nous mettons l’accent sur les limites de

ces approches et les motivations de notre proposition.

Dans le chapitre 4, nous présentons l’approche que nous proposons pour

décrire les documents multilingues par des descripteurs sémantiques.


-19-

Le chapitre 5 présente les expérimentations que nous avons réalisées. Ces

expérimentations ont pour objectif d’évaluer notre approche d’extraction des

concepts et des relations entre concepts. Dans ces expérimentations nous

appliquons notre approche à des données réelles et nous comparons les résultats

obtenus { ceux obtenus par l’approche linguistique.

Enfin, dans le chapitre 6 nous concluons en présentant un bilan général de

l’ensemble de nos contributions et en évoquant de nouvelles perspectives de

recherche.

-21-

INDEXATION SEMANTIQUE ET

RECHERCHE D’INFORMATION

Résumé

Dans ce chapitre, nous présentons un état de l'art du domaine de la

recherche d'information. D’abord, nous introduisons le processus de

recherche d’information. Ce processus permet de retrouver parmi un

ensemble de documents, ceux qui sont pertinents vis-à-vis d’une requête

utilisateur. Ensuite nous mettons l’accent sur l’étape d’indexation

produisant la description des documents par des descripteurs

(l’indexation). Nous exposons une synthèse sur les différents types

d’indexation ainsi que les ressources utilisées pour indexer les

documents et la requête.

-23-

Chapitre 2

Indexation sémantique et Recherche

d’Information

2.1. Introduction à la Recherche d’Information

La Recherche d’Information (RI) est un ensemble de techniques et d’outils

traitant de l’accès { l’information ainsi que la présentation, le stockage et

l’organisation de l’information (RIJSBERGEN, 1979) (BAZIZ, 2005) (RICARDO et al,

1999). Ces techniques permettent la sélection d’un ensemble de documents

satisfaisant le besoin d’information d’un utilisateur, { partir d’une collection de

documents. La collection de documents est souvent appelée corpus ou fond

documentaire. Dans la suite nous retiendrons le terme corpus pour représenter la

collection du document.

Le but de la recherche d’information est de trouver les documents qui satisfont

un besoin utilisateur. Si l’utilisateur juge qu’un document répond { son besoin, le

document est dit pertinent. Dans un Système de Recherche d’Information (SRI),

L’utilisateur exprime son besoin d’information sous forme d’une requête. Le SRI

tente de trouver tous les documents pertinents et de rejeter les documents qui ne

sont pas pertinents. Dans la pratique, l’ensemble des documents renvoyés par un

SRI pour une requête est composé d’un sous-ensemble de documents pertinents et

un sous-ensemble de documents non pertinents. Ces sous-ensembles déterminent

la performance d’un SRI.

Avant de présenter l’architecture d’un SRI nous présentons les notions de bases

utilisés dans ce domaine :

2.1.1. Définitions

Dans cette section nous définissons les principales notions qui seront utilisés

dans notre travail de thèse. En effet, il n’existe pas un consensus sur ces définitions

(TURENNE, 2000). Ainsi, nous définissons les notions suivantes : mot, mot vide et

mot plein, terme, concept, index et descripteur.


-24-

Mot : dans le dictionnaire Larousse, un mot est un élément de la langue

composé d'un ou de plusieurs phonèmes, susceptible d'une transcription écrite

individualisée et participant au fonctionnement syntacticosémantique d'un

énoncé. Ainsi, nous considérons un mot comme une chaîne de caractères délimitée

par des espaces ou des caractères de ponctuation. Un mot est dit simple s’il est

composé d’un seul mot, si non il est dit composé ou complexe.

Mot plein et mot vide : selon (BERNHARD, 2006), un mot plein est un mot qui

décrit mieux le contenu d’un document ou d’un corpus. Les mots pleins sont

souvent des noms, des verbes ou des adjectifs, Par opposition aux mots vides

comme les prépositions, les déterminants ou les pronoms. En recherche

d’information les mots pleins sont dits mots clés.

Concept : dans le dictionnaire de l'académie française, un concept est défini

comme suit : « Le concept regroupe les objets qu'il définit en une même catégorie

appelée classe». Ainsi, un concept est considéré comme une représentation

mentale d’un ensemble de notions ou d’idées. Selon (ROCHE, 2005), « Il n’y a pas

de concepts dans un texte, mais uniquement des traces linguistiques de leurs

usages ».

Terme : un terme est formé d’un mot ou d’une séquence de mots qui dénote un

concept dans un domaine particulier (RADHOUANI, 2008). Un terme peut dénoter

plusieurs concepts dans domaine différents. Un terme est dit terme simple s’il est

composé d’un seul, si non il est appelé terme composé ou complexe (BERNHARD,

2006).

Descripteur et index : Dans (FLUHR, 1992), un index est défini comme suit : «les

documents sont lus par un documentaliste qui en déduit les thèmes principaux et

les traduit en une liste de mots, dit descripteurs des documents. Cet ensemble de

mots constitue l'index du document et représente la description du contenu

sémantique de celui-ci »

2.1.2. Architecture d’un SRI

En général, un système de recherche d’information est composé principalement

de deux processus (ROUSSEY, 2001). Un processus d’indexation et un processus de

recherche. Dans une première étape, les documents et la requête sont indexés afin

d’extraire des descripteurs. Ces descripteurs reflètent au mieux le contenu des


-25-

documents. Cette étape est appelée l’indexation. La deuxième étape est une étape

de recherche qui se traduit par une fonction de correspondance et qui consiste à

comparer les représentions des documents à celle de la requête afin de retrouver

des documents recherchés. Cette fonction est notée (Retrieval Status Value)

(BAZIZ, 2005) . Dans la plupart des processus d’indexation un poids est affecté {

chaque descripteur. Ce poids permet de déterminer le pouvoir discriminant du

descripteur dans le document où il est présent.

Dans un processus de RI, le besoin utilisateur est exprimé par une requête .

D’abord la requête est indexée ( ), ainsi que chaque document du corpus ( ).

Ensuite, la représentation de la requête est comparée à la représentation de

chaque document ( . Ce qui se traduit formellement par (ROUSSEY, 2001) :

(1.1)

(1.2)

(1.3)

Avec

: l’espace des requêtes,

: l’espace des documents,

: l’espace d’indexation.


-26-

Figure 2.1- Processus général de Recherche d’Information (BAZIZ, 2005)

2.1.3. Le processus d’Indexation

Dans un processus de recherche d’information, la requête et les documents du

corpus sont difficilement exploitables { l’état brut. Une représentation de ces

documents ainsi que la requête s’avère indispensable. Afin d’aboutir { ces

représentations des techniques et des modèles sont mis en œuvre. Ces techniques

permettent de décrire les documents et la requête par un ensemble de

descripteurs. Ce processus de représentation est appelé le processus d’indexation

ou tout simplement l’indexation. L’indexation consiste { analyser les documents et

la requête afin d’extraire un ensemble de descripteurs (SALTON, 1970)

(RIJSBERGEN, 1979). Ces descripteurs sont des unités textuelles significatives dans

le document. Dans une indexation classique, les descripteurs d’un document

peuvent être des termes simples ou des termes composés .

Dans une indexation manuelle, chaque document du corpus est examiné par un

documentaliste spécialisé dans le domaine afin d’identifier les descripteurs (BAZIZ,

2005) (ROUSSEY, 2001). A la fin de cette étape d’analyse des documents, une liste

de descripteurs est établie. Ce type d’indexation est fiable et donne des bons

résultats. Par conséquent les documents retournés par le SRI en réponse à une

requête utilisateur sont précis (REN et al, 1999). Mais, avec l’augmentation

incessante du nombre de documents, l’indexation manuelle s’avère difficile. En

Un Besoin d’information

Utilisateu

r : Possède

Une requête :

Représentation de :

Un document :

d :

Représentation de :

Indexation de

:

Comparaison :

Document sélectionné selon la valeur de

Sélection

Jugement

Expression du besoin

Indexation de

:

Ressources

externes


-27-

effet, l’indexation est une tâche lourde et coûteuse en temps. De plus, suite au

développement rapide des connaissances et des technologies dans les domaines

scientifiques tels que la médecine, de nouveaux mots sont ajoutés aux langues

d’une manière continue. Afin de gérer ces ajouts, les compétences des

documentalistes et des spécialistes doivent être mises à jour continuellement.

Ainsi, des méthodes et des outils d’indexation issus des Traitements Automatiques

de la Langue Naturelle (TALN) ont été proposés afin de rendre cette tâche

entièrement automatique. Cependant, comparés aux résultats de l’indexation

manuelle, les résultats obtenus par une indexation automatique sont souvent jugés

insatisfaisants (JACQUEMIN et al, 2002). Pour remédier à ce défaut, certains

travaux (JACQUEMIN et al, 2002) proposent d’exposer les résultats de l’indexation

automatique à un documentaliste. Ce dernier sélectionne les descripteurs jugés

valides parmi la liste des descripteurs exposés. Ce type d’indexation est appelé

indexation semi-automatique ou indexation supervisée.

Que ce soit le processus d’indexation manuelle, supervisée ou automatique , un

ensemble de descripteurs est associé à chaque document du corpus. L’ensemble

des descripteurs permettant de représenter les documents du corpus constituent

le langage d’indexation ou le jeu d’indexation (GAMMOUDI, 1993). Dans

l’indexation manuelle et l’indexation semi-automatique, le jeu d’indexation est

réduit { un ensemble de descripteurs jugés valides par l’expert. Chaque

descripteur extrait d’une manière automatique doit être validé par un spécialiste.

On parle alors d’un langage d’indexation contrôlé. Contrairement { l’indexation

manuelle et { l’indexation semi-automatique, en indexation automatique le jeu

d’indexation est constitué de tous les descripteurs issus de l’analyse automatique

des documents du corpus et de la requête.

Nous signalons à ce passage que dans la plupart des processus d’indexation

manuelle et d’indexation supervisée, une ressource externe lexicale ou une

ressource lexico-sémantique est utilisée pour le choix des descripteurs. Cette

ressource couvre le langage d’indexation. Dans ce cas, il s’agit d’une indexation

guidée par la ressource dite indexation sémantique. Ces ressources ainsi que

l’indexation sémantique feront l’objet d’une étude détaillée dans les sections qui

suivent.

2.1.4. Le processus d'interrogation ou la formulation de requête

A l’opposé de l’indexation qui est une tâche transparente vis à vis de

l’utilisateur, ce dernier est directement impliqué dans la formulation de la requête


-28-

qui exprime son besoin d’information. La requête est exprimée par l’utilisateur

dans un langage de requête et elle est représentée sous une forme interne

compréhensible par le système. Le langage de requête est spécifique au SRI et au

modèle de recherche d’information utilisé. La formulation de la requête est une

étape primordiale et critique. En effet, la qualité des documents retournés par le

SRI dépend de la qualité de la formulation de la requête. Ainsi, les langages de

requêtes doivent être simples, afin de permettre aux utilisateurs non initiés de

formuler correctement leurs requêtes.

Dans un SRI basé sur une indexation classique, les requêtes utilisateurs sont

souvent exprimées en langage libre. Ainsi, l’utilisateur peut exprimer son besoin

d’information en spécifiant une séquence de mots. L’utilisateur n’est pas sensé

respecter une syntaxe. La séquence de mots produite par l’utilisateur ne constitue

pas forcement une phrase correcte. Le langage libre est utilisé par la plupart des

moteurs de recherche tels que Google1 et Yahoo2 etc. Ces moteurs de recherche

offrent en plus un langage spécifique aux utilisateurs initiés. Dans ce langage, une

requête est une combinaison de mots et d’opérateurs booléens : . Ce

langage est disponible dans Google3 et Yahoo4 à partir des interfaces de recherche

avancée. Il est { noter que l’utilisation de ce langage nécessite une maîtrise parfaite

par les utilisateurs de la formulation de requêtes en utilisant des opérateurs

booléens. Ainsi, ce langage est limité aux utilisateurs expérimentés en recherche

d’information (Mothe, 2000). Dans une indexation sémantique le langage

d’indexation est contrôlé. Ce langage est souvent issu d’une ressource externe. Le

jeu d’indexation utilisé pour décrire les documents est connu par le SRI. L’idée est

de proposer { l’utilisateur de construire sa propre requête { partir de ce jeu. Dans

SyDOM5 (ROUSSEY, 2001), C. Roussey propose { l’utilisateur une interface

graphique pour construire la requête à partir des glisser/déplacer des

descripteurs. Dans SyDOM les descripteurs sont des concepts et des relations entre

les concepts. Ces descripteurs sont issus d’un thésaurus sémantique du domaine.

1 http ://www.google.fr/ 2 http://fr.yahoo.com/ 3 http://www.google.fr/advanced_search?hl=fr 4 http://fr.search.yahoo.com/web/advanced?ei=UTF-8

5 Système Documentaire Multilingue


-29-

2.1.5. Le processus d’appariement document-requête et la fonction de

correspondance

Dans un SRI, l’utilisateur exprime son besoin d’information sous forme de

requête. Cette requête est formulée par l’utilisateur dans le langage requête. Le SRI

représente la requête utilisateur dans une représentation interne. Cette

représentation est comparable à celle utilisée pour représenter les documents du

corpus. Ces représentations sont réalisées dans le même jeu d’indexation. Une

fonction de correspondance ou de ranking permet de comparer la représentation

de la requête à celle de chaque document du corpus. Elle consiste à calculer la

similarité entre la représentation de la requête est de chaque document. La

fonction de correspondance permet d’estimer la similarité d’un document par

rapport à une requête. Cette fonction, souvent appelée RSV (Retrieval Status

Value) prend en considération les descripteurs ainsi que leurs pondération dans la

représentation de la requête et la représentation du document.

2.1.6. Evaluation des SRI

Dans un processus de recherche d’information, l’utilisateur exprime sa requête

et le SRI retourne un ensemble de documents. Dans la majorité des SRIs, ces

documents sont classés dans l’ordre décroissant de pertinence. Un SRI idéal

ramène tous les documents pertinents et rejette les documents non pertinents.

Dans la pratique, l’ensemble des documents retournés par un SRI contient des

documents non pertinents. Ce qui génère un bruit documentaire. Aussi, un SRI

peut omettre des documents pertinents en ne les retournant pas { l’utilisateur. Ce

qui engendre un silence documentaire. Dans un SRI, l’objectif est de minimiser le

bruit et le silence. Afin d’évaluer la performance d’un SRI, deux mesures

statistiques ont été définies (RIJSBERGEN, 1979). La première mesure est la

précision et la deuxième mesure est le rappel. La précision détermine la capacité

d’un SRI { rejeter les documents non pertinents pour une requête utilisateur. Le

rappel détermine la capacité d’un SRI { retourner tous les documents pertinents

pour une requête. Ces deux mesures sont données par les formules

suivantes (RIJSBERGEN, 1979):

(1.4)

(1.5)


-30-

Avec :

: l’ensemble des documents pertinents { la requête et retournés par

le SRI,

: l’ensemble des documents retournés par le SRI,

: l’ensemble des documents dans le corpus qui sont pertinents { la

requête,

, , : les nombres des documents dans les trois ensembles

considérés.

La Figure 2.2 représente la répartition des documents suite à une interrogation

utilisateur. A partir de ces ensembles de documents les deux mesures précision et

rappel sont calculées.

Figure 2.2- Répartition des documents d’un corpus suite à une interrogation (HO, 2004)

Supposons que dans un cas idéal, un SRI est capable de ramener tous les

documents pertinents du corpus et de rejeter tous les documents non pertinents

pour une requête ( ). (1.2) et (1.3) donnent.

(1.6)

(1.7)

Pour ce système idéal, la valeur précision est égale à la valeur du rappel. Cette

valeur est égale à 1.


-31-

Afin d’expliquer l’évaluation d’un SRI nous utilisons un exemple similaire {

celui donné dans (STYLTSVIG, 2006). Considérons un utilisateur qui interroge un

ensemble de documents par l’intermédiaire d’une requête . La requête et le

corpus sont exposés { un expert ou un documentaliste afin d’identifier

l’ensemble des documents pertinents vis-à-vis de . Par exemple,

et . Le SRI

répond à la requête et renvoie un ensemble de documents . Par exemple,

1. 6. 11. 16.

2. 7. 12. 17.

3. 8. 13. 18.

4. 9. 14. 19.

5. 10. 15. 20.

Tableau 2.1 – Les documents retournés par le SRI pour la requête de l’exemple

Dans le Tableau 2.1, les documents jugés pertinents par l’expert et qui sont

retrouvés par le SRI sont marqués en gris. Ces documents constituent l’ensemble

. Soit le sous ensemble de qui contient les premiers documents

pertinents retrouvés par le système. , , etc. Les

valeurs de précision et de rappel pour chaque sous ensemble sont données dans le

Tableau 2.2.

Rappel Précision

Tableau 2.2 – Les valeurs de la précision et du rappel pour la requête de l’exemple

La courbe précision-rappel est donnée dans la Figure 2.3. Dans la pratique pour

évaluer un SRI plusieurs requêtes sont lancées. Pour l’ensemble des résultats

2.2. Les différents modèles de Recherche d’Information

-32-

obtenus on calcule la moyenne des valeurs de la précision et la moyenne des

valeurs du rappel. La courbe précision-rappel du système est tracée en utilisant

ces valeurs moyennes.

Figure 2.3- Courbe précision-rappel pour la requête de l’exemple ci_dessus


Un SRI est fondé sur un modèle théorique (booléen, vectoriel, etc.) (TAMINE-

LECHANI L et al, 2006). Ce modèle permet de décrire la manière utilisée pour

représenter les documents et la requête dans l’espace d’indexation engendré par le

jeu d’indexation. Il définit aussi, la fonction de correspondance employée pour

estimer la pertinence d’un document vis-à-vis d’une requête.

Dans la littérature, de nombreux modèles de recherche d’information ont été

proposés. Nous présentons dans les sections suivantes les principaux modèles.

Nous donnons pour chacun des modèles présentés, le principe général, le

formalisme proposé pour représenter les documents et les requêtes et la fonction

de correspondance utilisée pour estimer la pertinence d’un document vis-à-vis

d’une requête.

2.2.1. Le modèle booléen

Ce modèle est le modèle le plus ancien dans le domaine de recherche

d’information. La simplicité de ce modèle a fait son succès. La requête est

0,0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1,0

0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0

Pré

cisi

on

Rappel


-33-

représentée sous forme d’une expression logique. Dans cette expression, les

descipteurs sont combinés entre eux en utilisant les opérateurs booléens ,

et . Les documents satisfaisant l’expression logique représentant la requête

sont considérés comme pertinents. Ainsi la fonction de correspondance est la

vérification de l'implication logique (RIJSBERGEN, 1979).

Dans le modèle booléen, la pertinence des documents est une variable

booléenne ce qui ne permet pas de trier dans un ordre de pertinence les

documents retournés (BAZIZ, 2005). L’utilisateur est donc obligé de consulter tous

les documents de la réponse afin de trouver les documents recherchés. Afin de

remédier à cette limite, un modèle étendu a été proposé dans (SALTON et al,

1983). Le modèle booléen étendu affecte à chaque terme dans le document et dans

la requête une pondération.

L’inconvénient majeur du modèle booléen est qu’il ne permet pas de retrouver

des documents qui répondent partiellement à une requête. Par exemple

considérons dans ce modèle :

Un jeu d’indexation formé par les descripteurs : base, données, et

relationnel,

Une requête utilisateur .

Un document du corpus Ce

document e t représenté dans le SRI par .

Malgré que le document répond partielle , ce document

n’est pas retrouvé par le SRI. Le modèle vectoriel proposé par G. Salton (SALTON,

1968) permet de remédier à ce défaut.

2.2.2. Le modèle vectoriel

Dans le modèle vectoriel proposé par G. Salton (SALTON, 1968), les documents

ainsi que la requête sont représentés par des vecteurs dans l’espace d’indexation.

Les dimensions de l’espace d’indexation sont les descripteurs utilisés pour

l’indexation. Dans ce modèle, une pondération dans un document est attribuée à

chaque terme de l’espace d’indexation. Ainsi, dans un espace d’indexation

où les sont les descripteurs, un document est représenté par un

vecteur de poids des termes.

(1.8)


-34-

Où est le poids du terme dans le document .

La Figure 2.4Erreur ! Source du renvoi introuvable. illustre la représentation

des documents dans l’espace d’indexation. Dans cette figure les sont les

descripteurs, les sont les documents et les sont les pondérations des

descripteurs dans le document .

Figure 2.4- la représention des documents dans l’espace d’indexation (ROUSSEY, 2001)

De la même façon une requête est représentée dans l’espace d’indexation

par un vecteur des poids des termes qui composent la requête.

(1.9)

Où est le poids du terme dans la requête .

Dans le modèle booléen, pour un document et un terme , la pondération de

dans est 1 si le terme apparait dans le document 0 si non. Cette pondération

uniforme ne permet pas de distinguer deux documents qui sont indexés par les

mêmes termes. Ainsi, il est impossible de présenter { l’utilisateur une liste triée

selon l’ordre de pertinence. Dans le modèle vectoriel la pondération des termes a

été prise en compte. La pondération des termes a été étudiée dans de nombreux

travaux (SALTON et al, 1988) (SINGHAL et al, 1996) (LEE, 1995). Elle consiste à

affecter { chaque terme d’indexation dans un document un poids. Ce poids

détermine l’importance du terme dans la représentation du document . Dans la

littérature, plusieurs mesures de pondération ont été proposées. La majorité de ces

mesures prennent en compte la pondération locale et la pondération globale. La

pondération locale traite des informations locales. Ces informations sont


-35-

spécifiques au document dans lequel le terme d’indexation apparait. En général, la

pondération locale d’un terme dans un document , est exprimée en fonction du

nombre d’apparition ou fréquence de ce terme dans le document . Cette

pondération est notée . Plusieurs formules ont été présentées pour calculer la

mesure . Nous citons quelques unes de ces formules (ROBERTSON et al, 1997)

(SINGHAL et al, 1997):

(1.10)

(1.11)

(1.12)

Avec la fréquence du terme dans le document .

La formule permet d’atténuer les fréquences très élevées. Dans cette formule la

fréquence de chaque terme dans le document est normalisée par la valeur

maximale des fréquences des termes.

Dans la pondération globale, la distribution d’un terme dans tous les

documents est prise en compte. Elle se base sur l’hypothèse qu’un terme qui

apparait dans tous les documents ne permet pas de distinguer les documents les

uns des autres. Ce terme n’a pas de pouvoir discriminant. Ainsi, une pondération

faible est affectée à ce terme. Ainsi, les termes qui apparaissent dans peu de

documents sont utiles pour la discrimination. Une pondération importante est

alors attribuée { ces termes discriminants. La pondération globale d’un terme est

fonction du nombre total de documents dans le corpus et du nombre de documents

dans lesquels ce terme est présent. Elle est notée (Inverse Document

Frequency). Les formules les plus utilisées pour calculer la valeur de cette mesure

sont les suivantes (ROBERTSON et al, 1997) (SINGHAL et al, 1997):

(1.13)

(1.14)


-36-

Où est le nombre de documents où le terme apparait et est le nombre

total de documents dans le corpus.

La pondération d’un terme dans un document est souvent notée .

Cette pondération est donnée par le produit de la pondération locale de dans

par sa pondération globale dans l’ensemble des documents du corpus.

Pour déterminer le degré de pertinence d’un document par rapport à une

requête , une mesure de similarité est utilisée. Cette mesure consiste à retrouver

les vecteurs des documents , qui sont proches du vecteur de la requête . Les

mesures les plus utilisées sont :

Le produit scalaire (KRAAIJ, 2004):

(1.15)

La mesure cosinus (RICARDO et al, 1999):

(1.16)

La pondération des descripteurs utilisée dans le modèle vectoriel permet de

retrouver des documents qui répondent partiellement à une requête. La mesure de

similarité permet de déterminer le degré de pertinence d’un document vis-à-vis

d’une requête utilisateur. Les valeurs de la mesure de similarité sont utilisées par

les SRIs afin de proposer { l’utilisateur des listes ordonnées selon la pertinence des

documents.

2.2.3. Le modèle probabiliste

Selon (ROBERTSON et al, 1976), dans le modèle probabiliste, les documents et

la requête sont représentés par des vecteurs dans l’espace d’indexation comme

dans le modèle vectoriel. Dans ces vecteurs les pondérations des index sont

binaires. Pour une requête q l’ensemble des documents disponibles est divisé en

deux sous ensembles : l’ensemble R des documents pertinents et l’ensemble NR

des documents non pertinents. A chaque document d on associe deux probabilités :

P(R/d) : la probabilité que le document d soit pertinent pour la requête q

P(NR/d) : la probabilité que le document d soit non pertinent pour la requête q

2.3. Indexation et RI multilingue

-37-

La similarité entre le document d et la requête q est alors calculée en fonction de

ces deux probabilités de la manière suivante :

(1.17)


Une consultation des statistiques relatives aux langues utilisées dans le web

(INTERNET , 2009), montre que la langue anglaise était la langue maternelle de la

plupart des utilisateurs d’internet jusqu’à l’année 2000. Cette proportion est de

30.4% en Mars 2008. Actuellement, la proportion d’internautes qui utilisent une

langue européenne autre que l’anglais est d’environs de 27.1 %. La proportion des

internautes utilisant une langue autre que les langues européennes est de 44.5%.

Ces statistiques montrent une diversité de langues utilisées dans Internet. D’une

part ces langues sont utilisées pour rédiger les documents présents sur la Toile et

d’autre part pour formuler les requêtes des internautes. Ces statistiques sont

données dans le Tableau 2.3.

Les dix premières langues les plus utilisées dans Internet

% des utilisateurs Internet

Nombre d’utilisateurs Internet

Anglais 30.4 % 427,436,880 Chinois 16.6 % 233,216,713 Espagnol 8.7 % 122,349,144 Japonais 6.7 % 94,000,000 Français 4.8 % 67,315,894 Allemand 4.5 % 63,611,789 Arabe 4.2 % 59,810,400 Portugais 4.1 % 58,180,960 Coréen 2.5 % 34,820,000 Italien 2.4 % 33,712,383 Dix premières langues 84.8 % 1,194,454,163 Le reste des langues 15.2 % 213,270,757 TOTAL 100.0 % 1,407,724,920

Tableau 2.3 – Les dix premières langues les plus utilisées dans internet6

Cependant, l’aspect multilingue ne se limite pas { Internet. Dans des pays

multilingues tels que la Belgique, le Canada ou la Suisse les textes réglementaires

sont rédigés dans plus qu’une langue. Ces textes sont écrits en français et en

anglais pour le Canada, produisant ainsi un corpus bilingue. Aussi, les

organisations internationales comme l’UNESCO (Organisation des Nations Unies

6 Source, http://www.internetworldstats.com/stats7.htm

http://www.internetworldstats.com/languages.htm



http://en.wikipedia.org/wiki/Japanese_language

http://en.wikipedia.org/wiki/French_language

http://en.wikipedia.org/wiki/German_language

http://en.wikipedia.org/wiki/Arabic_language

http://en.wikipedia.org/wiki/Portugese_language

http://www.internetworldstats.com/stats.htm

http://fr.wikipedia.org/wiki/Organisation_des_Nations_unies_pour_l%27%C3%A9ducation%2C_la_science_et_la_culture


-38-

pour l’Education, la Science et la Culture), l’ONU (Organisation des Nations Unies)

l’OMC (Organisation Mondiale du Commerce) et le Parlement européen produisent

quotidiennement des documents écrits dans plusieurs langues. Les entreprises

transnationales visant une clientèle dans différents pays produisent des

documents rédigés dans plusieurs langues, comme les manuels d’utilisation des

produits, les bons de commande, les affiches publicitaires, etc. Ainsi, avec

l’augmentation incessante de ces documents multilingues et bilingues, il est

devenu difficile de les gérer et de les exploiter. Cette difficulté est étroitement liée

{ l’aspect multilingue de ces documents. Actuellement, il est indispensable de

proposer des méthodes et des approches qui permettent de gérer et d’exploiter

ces documents. Le développement des SRIML (SRI MultiLingue) est devenu une

nécessité.

2.3.1. Recherche d’Information Multilingue

Pour accéder et retrouver des documents multilingues, les SRIML doivent

prendre en considération les particularités de chaque langue des documents. Ces

SRIML sont devenus une nécessité avec la multiplication des documents

disponibles sous format électronique. Cette nécessité a donnée naissance à une

nouvelle branche de la recherche d’information. Cette branche porte le nom de

recherche d’information multilingue ou cross-lingue (en anglais CLIR : Cross

Language Information Retrieval). Dans la recherche d’information multilingue,

l’utilisateur formule sa requête dans une langue source et tente de trouver des

documents pertinents dans des langues cibles. Du fait que la langue cible est

différente de la langue source, les documents et la requête sont représentés dans

deux jeux d’indexation différents. Le défi consiste donc { représenter les

documents et la requête dans un même jeu d’indexation.

2.3.2. Les problèmes liés à la Recherche d’Information MultiLingue (RIML)

En général, la maîtrise de la lecture des documents écrits dans une langue est

moins difficile que la maîtrise de la rédaction des documents écrits dans cette

même langue. Par conséquent, souvent les utilisateurs sont capables de lire des

documents rédigés dans une langue sans qu’ils soient capables d’écrire un

document dans cette même langue. L’expression des besoins d’information pour

ces utilisateurs dans une langue étrangère est difficile. Un utilisateur, même s’il

maîtrise partiellement une langue étrangère, trouve des difficultés dans la

formulation de sa requête dans cette langue. Les descripteurs utilisés dans la

formulation de la requête sont souvent simples et non adéquats pour trouver les

http://fr.wikipedia.org/wiki/Organisation_des_Nations_unies


-39-

documents pertinents. La requête formulée est souvent de mauvaise qualité. Par

conséquent, le système de recherche d’information ne donne pas satisfaction {

l’utilisateur. Suite { une insatisfaction des résultats retournés par le système, cet

utilisateur se trouve incapable de reformuler correctement sa requête.

Afin de retrouver les documents pertinents, les SRIML consiste dans une

première étape, à ramener la représentation de la requête et des documents dans

le même espace d’indexation. Dans une deuxième étape, ces nouvelles

représentations sont mises en correspondance avec la nouvelle représentation de

la requête. Ainsi, le problème de RIML est reformulé en deux processus. Le

premier consiste à ramener la présentation de la requête et les représentations des

documents dans le même espace d’indexation. Le second est un processus de

recherche d’information monolingue classique. Dans ce sens, la recherche

d’information multilingue est donc une intersection entre la traduction

automatique et de la recherche d’information monolingue. On relève alors deux

types de problèmes : un problème lié au choix des éléments à traduire et un

problème lié au choix de la bonne traduction. Pour le premier problème il s’agit de

répondre à la question : faut-il traduire la requête dans toutes les langues des

documents ou traduire les documents dans la langue de la requête ou traduire les

documents et la requête dans un langage pivot ? Le deuxième problème consiste à

répondre à la question : parmi plusieurs traductions possibles d’un terme quelle

est la bonne traduction ?

Du fait de l’utilisation d’un processus de traduction automatique (pour la

requête ou pour les documents ou pour les deux) la RIML hérite les problèmes

posés par la traduction automatique. Les problèmes de la traduction automatique

sont dus { l’ambigüité sémantique des descripteurs. Ces ambiguïtés se présentent

par les phénomènes de polysémie, d’homographie et de sens large.

1. La polysémie : c’est le fait qu’un terme possède plusieurs sens (ROUSSEY,

2001). Par exemple, dans le dictionnaire encarta7 le mot en langue française

« article » possède dix sens différents.

Commerce : objet proposé à la vente Synonyme: produit (des articles de voyage)

Presse : texte écrit intégré dans une publication quotidienne ou périodique (un article de journal)

7 http://fr.encarta.msn.com


-40-

Grammaire : déterminant qui précède un substantif ou l'adjectif qui l'accompagne et dont il précise le nombre et souvent le genre (les articles définis et les indéfinis) (article partitif)

Droit : partie (d'un texte de loi, d'un traité ou d'un contrat) (l'article premier dit ceci:)

texte correspondant à une entrée de dictionnaire ou d'encyclopédie (un article consacré aux vertébrés)

point précis de morale individuelle ou sociale (elle est intraitable sur cet article)

zoologie segment du corps (de certains animaux invertébrés) (les articles d'un ver de terre)

comptabilité ligne correspondant à une dépense ou à une recette (un article de compte)

botanique fragment (d'une structure végétale) (les articles d'une tige)

informatique unité élémentaire d'information formée d'un groupe de données associées (les articles d'un fichier)

2. L’homographie : Deux mots sont homographes lorsqu'ils s'écrivent de la

même manière (ROUSSEY, 2001). Par exemple, le mot « bois » peut être la

conjugaison du verbe boire, soit il veut dire le matériau tiré de l’arbre, utilisé

comme combustible ou pour fabriquer du papier, des pièces de charpente,

des meubles ou des objets.

3. Le sens large : un terme qui a un sens très large (ROUSSEY, 2001), (exemple

: « base ») peut prendre un sens particulier dans certain domaine (« base de

donnée» et « base aérienne»)

Nous signalons que dans un processus de RIML, la seule contrainte est de garder

les thèmes d’origine que se soit pour la requête ou pour les documents. Ainsi, dans

une traduction pour la RIML nous n’avons pas besoin d’avoir des traductions

lisibles et syntaxiquement correctes.

Le processus de RIML est généralement converti en deux processus distincts. Un

processus de traduction et un processus de recherche d’information monolingue.

Selon J-Y. Nie (NIE, 2002) la séparation de ces deux tâches pose les deux problèmes

suivants :

1. Souvent, plusieurs traductions sont possibles. Une ou plusieurs traductions

sont retenues. La traduction est donc une tâche incertaine. La mesure

d’incertitude de la traduction n’est pas conservée. Par conséquent cette

mesure ne sera pas prise en compte dans le processus de recherche.


-41-

2. L’indexation des documents traduits est indépendante de la distribution des

termes dans les documents d’origines. La pondération des termes

d’indexation dans ces documents n’est pas conservée. Ainsi, un terme traduit

est choisi, mais sans qu’il possède la même valeur de discrimination pour les

documents traduits.

2.3.3. Les différents types de corpus multilingues

2.3.3.1. Les Corpus comparables

Dans (DEJEAN et al, 2002), les auteurs définissent le corpus comparable de la

manière suivante : « Deux corpus de deux langues et sont dits comparables s’il

existe une sous-partie non négligeable du vocabulaire du corpus de langue l1,

respectivement , dont la traduction se trouve dans le corpus de langue ,

respectivement ». Dans (BOWKER et al, 2002), les auteurs énoncent la définition

suivante: «des documents textuels dans des langues différentes qui ne sont pas des

traductions les uns des autres»8. Ainsi, un corpus comparable est un ensemble de

documents traitant d’un même domaine.

2.3.3.2. Les Corpus parallèles

Un corpus parallèle est constitué d’un ensemble de couples de documents tel

que, pour un couple, un des documents est la traduction de l’autre. Ces corpus sont

généralement alignés. L’alignement consiste { faire correspondre chaque mot du

texte en langue source avec chaque unité de texte en langue cible. Cette phase

d’alignement permet de construire des ressources linguistiques bilingues. Les

manuels d’utilisation des logiciels et les textes de loi dans les pays ou où il y a

plusieurs langues nationales comme le Canada ou la Confédération Helvétique,

sont des exemples de corpus parallèles (SHERIDAN et al, 1997).

2.3.3.3. Les Corpus multilingues

Un corpus multilingue peut être défini comme étant un ensemble de documents

écrits dans plusieurs langues. Les documents ne sont pas obligatoirement des

traductions les uns des autres comme dans le cas des corpus comparables.

Contrairement aux corpus parallèles et aux corpus comparables, le nombre de

langues présentes dans un corpus multilingue n’est pas limité.

8 « sets of texts in different languages, that are not translations of each other ».


-42-

2.3.4. Les différentes approches de l’indexation multilingue

Dans un contexte multilingue, la requête n’est pas écrite dans la langue des

documents. La représentation de la requête est alors dans un espace d’indexation

différent de l’espace d’indexation des documents. Dans ce contexte et afin de

rendre une recherche documentaire possible il est nécessaire d’utiliser les mêmes

descripteurs pour décrire la requête et les documents. Ceci est possible en

procédant soit par indexation en langage contrôlé soit par une indexation en texte

libre. Dans le deuxième cas il nécessaire de traduire les documents et la requête

dans la même langue avant de les indexer. On distingue donc deux types

d’approches d’indexations multilingues : les approches basées sur des descripteurs

prédéfinis et les approches basées sur la traduction. Dans les premières approches,

la liste de descripteurs est préétablie avant l’indexation et elle est utilisée pour

indexer les documents et la requête. L’élaboration de cette liste peut être

automatique ou manuelle. Afin de construire cette liste les documentalistes

peuvent utiliser les documents { indexer. C’est { dire que la liste des descripteurs

est construite sur la base du corpus { indexer. Du fait que l’ensemble des

descripteurs est réduit un ensemble prédéfini d’élément, ces approches sont

appelées approches basées sur un vocabulaire contrôlé. Comme illustré dans la

Figure 2.5, dans les approches basées sur la traduction trois alternatives sont

possibles.

1. Traduire la requête dans les langues des documents,

2. Traduire les documents dans la langue de la requête,

3. Traduire les documents et la requête dans une langue commune.

Figure 2.5- Les différentes approches d’indexation multilingue

Traduire les documents et la

requête

Traduire les documents

Traduire la requête

Construit automatiquement

Construit manuellement

Vocabulaire contrôlé

multilingue

Texte libre : traduction

Indexation multilingue


-43-

2.3.4.1. Approches basées sur un vocabulaire contrôlé

Dans les approches basées sur un vocabulaire contrôlé, le jeu d’indexation est

prédéfini. Ce jeu est utilisé pour indexer manuellement ou automatiquement les

documents. La source du jeu d’indexation est une ressource externe multilingue.

Ces ressources font l’objet d’une étude détaillée dans les sections qui suivent. Les

premiers travaux dans cette direction de recherche ont été faits par G. Salton

(SALTON, 1970). L’auteur utilise un thésaurus multilingue afin d’indexer

manuellement un corpus. L’auteur affirme que les résultats obtenus sont jugés

pertinents. Comparé { un contexte monolingue, l’auteur a obtenu une précision

moyenne de 95%.

2.3.4.2. Traduction de la requête

Dans la littérature, la traduction de la requête est l’alternative la plus adoptée.

Cela évite de multiplier l’espace de stockage. En effet, contrairement aux

documents les requêtes ne sont pas stockées et leur indexation se fait en temps

réel. Mais, une requête est souvent composée de quelques mots. En général, dans la

formulation d’une requête aucune syntaxe n’est exigée. Ce manque de contexte

implique une ambigüité, ce qui rend difficile la recherche des traductions exactes

des mots qui composent la requête. Par conséquent l’indexation de la requête sera

erronée. Une solution consiste alors à traduire les documents au lieu de traduire la

requête. Du fait que les documents sont plus longs que la requête, cette solution

permet de compenser le problème de contexte.

2.3.4.3. Traduction des documents

La deuxième alternative des approches basées sur la traduction, consiste à

traduire les documents du corpus dans la langue des documents avant de les

indexer. Deux problèmes sont posés par cette traduction. D’une part, l’espace de

stockage est multiplié puisque chaque document doit être traduit dans chaque

langue. Un document est représenté par autant d’exemplaires qu’il y a de langues

cibles. D’autre part, le choix de la méthode de traduction influe énormément sur la

qualité de l’indexation. Une traduction manuelle donne des bons résultats.

Cependant une telle traduction n’est pas envisageable avec des corpus de grande

taille. De plus même avec des corpus de petite taille le travail est énorme et

nécessite une compétence humaine souvent rare. Pour traduire des documents

d’un corpus multilingue où les documents sont écrits dans n langues, il faut n(n-

1)/2 traducteurs. Une traduction automatique { l’aide d’un logiciel de traduction

semble être une solution possible, malgré les résultats insatisfaisants. Comparés

2.4. Discussion : vers une indexation sémantique

-44-

aux résultats obtenus par la traduction de la requête, les résultats de la traduction

des documents sont meilleurs. Dans (OARD et al, 1997), les auteurs ont utilisé un

logiciel de traduction pour la traduction des documents puis de la requête. Les

auteurs ont obtenu des résultats plus précis pour la traduction des documents.

(0.217 pour la traduction des documents et 0.156 pour la traduction de la requête).

Cela s’explique par le manque du contexte pour la traduction de la requête.

2.3.4.4. Traduction de la requête et des documents

La dernière alternative consiste à traduire dans une langue commune les

documents et la requête. La langue commune peut être une langue du corpus. Par

exemple la langue anglaise pour un corpus bilingue en anglais et en français. La

langue commune peut être une langue artificielle, spécialement définie pour cette

tâche. La langue commune est appelée langue pivot. Cette solution permet de

résoudre partiellement le problème posé par la traduction. En effet, dans un

corpus où les documents sont écrits dans n langues il nous faut au pire des cas (n-

1) traducteurs. Cependant, le risque d’aboutir { une indexation erronée est doublé.

En effet, deux sources d’erreurs sont présentes : la traduction de la requête et la

traduction du document.


Dans les SRIs classiques basés sur les mots ou encore sur les termes simples, un

document est considéré comme un ensemble de mots, souvent appelé sac de mots

(RICARDO et al, 1999). Dans ces systèmes, les mots sont considérés comme des

graphies sans sémantique. Les seules informations utilisées concernant ces mots

sont leurs fréquences d’apparition dans les documents. Ces systèmes ne prennent

pas en considération le sens du mot (GENEST et al, 2005). Ils ne distinguent pas les

mots selon leurs contextes d’apparition. Cependant un mot n’a pas de sens, il a un

sens dans un contexte donné. Ces termes simples présentent une forte ambigüité.

Par conséquent, un SRI basé sur les mots peut renvoyer un document non

pertinent, bien que le document satisfasse la requête. Du fait qu’un mot peut

varier de sens selon le contexte où il apparait (phénomène de polysémie). Aussi,

les SRIs classiques ne prennent pas en compte la synonymie: deux mots

graphiquement différents peuvent avoir le même sens. Par conséquent, dans ces

systèmes, il est impossible de trouver des documents représentés par un mot

synonyme d’un mot , représentant une requête. D’ailleurs, dans les SRIs

classiques les documents et la requête sont représentés par des vecteurs dans

l’espace d’indexation. Cet espace est engendré par les termes d’indexation qui


-45-

constituent les dimensions de l’espace de l’indexation. Ces dimensions sont

considérées comme orthogonales entre elles. Ainsi, ces dimensions et par la suite

les termes d’indexation, sont supposés indépendants les uns des autres. Par

conséquent, des termes sémantiquement proches seront considérés comme

n’ayant aucun rapport entre eux. Ainsi, dans un SRI classique un document indexé

par le terme « bus » ne sera jamais retrouvé par une requête indexée par le terme

«taxi », pourtant il s’agit de deux termes qui traitent le même thème « moyen de

transport ».

De plus, l’ordre d’apparition des mots n’est pas pris en considération. Dans un

SRI basé sur les mots, une requête concernant les « bases de données » aura le

même résultat qu’une requête traitant des « données de bases ». En effet, dans les

deux cas la requête est indexée par les mots « base » et « donnée ». Il est donc

nécessaire de prendre en compte les groupes de mots dans l’ordre où ils

apparaissent. Ces groupes de mots forment des nouveaux termes d’indexation. Ces

termes seront appelés les termes composés ou les termes complexes. Comparés

aux termes simples, les termes composés sont moins ambigüs (BAZIZ, 2005). Par

exemple, un document, où les termes simples « base » et « données » apparaissent,

ne traite pas forcement du thème « base de données ». Ce document peut traiter de

« base militaire » et de « données géographiques ». Pourtant, ce document est

retrouvé par le SRI pour une requête où l’utilisateur est { la recherche des

documents traitant des « bases de données ». En général, un terme composé est

ajouté au lexique { chaque fois qu’un nouveau concept est découvert. Ainsi, le

terme « téléphone mobile » est ajouté au lexique de la langue française pour

désigner l’objet nouvellement découverte.

Afin de remédier à ces limites, plusieurs travaux (WOODS, 1997) (MOLDOVAN

et al, 2000) (ROUSSEY, 2001) (KANG, 2003) (BAZIZ, 2005) (SEYDOUX, 2006) se

sont intéressés { la prise en compte de l’aspect sémantique des termes

d’indexation. Ce type d’indexation est appelé indexation sémantique ou

conceptuelle. D’ailleurs, selon (SEYDOUX, 2006) des documents pertinents par

rapport à une requête sont des documents indexés par des descripteurs

sémantiquement proches des descripteurs de la requête. Par exemple, un

document représenté par le mot « hôpital » est pertinent par rapport à une requête

représentée par le mot « docteur ».

2.5. L’indexation sémantique : apports et difficultés

-46-


Comme nous l’avons déj{ cité dans la section 2.1.1, dans tout système de

recherche d’information, une étape d’indexation est nécessaire. Cette indexation

permet de décrire la requête et les documents par des descripteurs. La qualité de

l’indexation dépend de la richesse sémantique des descripteurs utilisés, { savoir :

les termes simples, les termes composés, les concepts et les relations entre les

concepts. Dans (BAZIZ et al, 2007) (STYLTSVIG, 2006) (ROUSSEY, 2001) des

ressources sémantiques externes sont utilisées dans la phase d’indexation et dans

la phase de recherche. Dans une indexation sémantique les documents sont

décrits par des concepts qui reflètent mieux le contenu des documents que s’ils

sont décrits par des mots qui sont souvent ambigus (AUSSENAC et al, 2004).

En effet l’apport essentiel de l’indexation sémantique est d’améliorer la

représentation des documents. Cette amélioration consiste à enrichir la

représentation d’un document ou d’une requête, par des descripteurs souvent

absents dans le document ou dans la requête. Ces termes d’enrichissements sont

des termes sémantiquement proches des termes d’indexation d’origine tels que, les

synonymes et les termes sémantiquement liés. Ainsi, un document contenant le

mot «hôpital » peut être indexé par le mot « docteur », sans que ce mot soit présent

dans le document. En effet, ces deux mots traitent de la même thématique « la

médecine ». Cependant, une indexation sémantique n’est possible que par

l’utilisation des connaissances externes aux documents traités (HERNANDEZ ,

2005) (SEYDOUX, 2006) (BULSKOV, 2006). Ces descripteurs sont issus des

ressources sémantique externes tels que : les réseaux sémantiques, les thésaurii et

les ontologies. L’utilisation de ces ressources sémantiques permet d’identifier les

descripteurs associés à un document. En général, une ressource sémantique est

formée par des termes, des concepts et des relations entre ces concepts.

Nous illustrons par un exemple inspiré de (SEYDOUX, 2006) l’intérêt apporté

par l’utilisation d’une indexation sémantique dans un SRI.

Supposons que dans le modèle vectoriel, quatre documents sont indexés par les

termes d’un jeu d’indexation. Ces documents sont représentés de la manière

suivante:


-47-

Figuier 1 0 0 0

Lion 1 1 0 2

Loup 0 1 1 1

Clématices 2 0 0 0

Coreopsis 0 0 1 0

Sapin 0 0 1 0

Lapin 0 0 1 0

Vache 0 1 0 1

Bus 1 0 0 0

voiture 0 0 1 1

Tableau 2.4 – Les représentetions de quatre documents dans le modèle vectoriel

Supposons que nous disposons d’une ressource sémantique, par exemple le

thésaurus représenté par la Figure 2.6. Dans cette ressource, deux concepts sont

reliés par une flèche traduisant la relation « est-un ».

Figure 2.6 – Le thésaurus utilisé pour l’indexation de l’exemple

Remplaçons les mots dans la représentation des documents par les concepts du

thésaurus. Chaque mot est remplacé par le concept qui lui est relié par la relation

Entité

Mammifère

Herbivore

Vache

Lapin

Carnivore

Lion

Loup

Transport

Bus

Taxi

Plante

Arbre

Sapin

Figuier

Fleur

Clématites

Coreopsis

Animale


-48-

« est-un » (concept dénoté par ce mot). Par exemple le mot « bus » sera remplacé

par le concept « Transport », le mot « loup » par le concept « Carnivore », etc.

L’indexation sémantique de ces quatre documents est la suivante :

Carnivore 1 2 1 3

Herbivore 0 1 1 1

Arbre 1 0 1 0

Fleur 2 0 1 0

Transport 1 0 1 1

Tableau 2.5 – Les représentations par les concepts des quatre documents dans le modèle vectoriel

Le calcul des similarités entre chaque couple des quatre documents est donné

dans le Tableau 2.6. Dans ce calcul, on a utilisé la mesure cosinus donnée par :

Indexation par mot :

(1.18)

(1.19)

Indexation par concept :

(1.20)

(1.21)

Indexation par mot 0.218 0.000 0.285 0.258 0.872 0.338

Indexation par concept 0.338 0.845 0.569 0.600 0.943 0.674

Tableau 2.6 – Similarité entre documents selon la stratégie d’indexation


-49-

D’après les données du Tableau 2.6, on remarque que l’indexation sémantique

rapproche le document du document . En effet, la valeur de la similarité entre

ces deux documents passe de 0 à 0.845 en utilisant les concepts au lieu des mots pour

indexer les documents. Aussi, cette indexation rend les documents et presque à

la même distance du document . Il est à noter que la détection de ces

rapprochements n’est pas possible en utilisant une indexation basée sur des mots.

Une telle détection a amélioré l’efficacité d’un SRI (SEYDOUX, 2006) . Cette

amélioration est due { l’utilisation des connaissances sémantiques externes. Ces

connaissances permettent de décrire les documents par des descripteurs souvent

absents dans le document, mais qui sont sémantiquement proches des

descripteurs qui sont présents dans le document. Par exemple les synonymes d’un

mot peuvent être ajoutés comme descripteurs d’un document même si ces

synonymes sont non présents dans le document.

2.5.1. Les différentes ressources sémantiques et leurs utilisations en

indexation

Dans un processus d’indexation, il est souhaitable de prendre en compte le

maximum d’informations concernant les descripteurs. Afin d’indexer les

documents et la requête des informations additionnelles sont utilisées (MOREAU

et al, 2006) (WITSCHEL et al, 2006). Ces informations sont issues des ressources

lexicales munies d’informations sémantiques. Le jeu d’indexation utilisé est formé

par les descripteurs d’origines présents dans les documents et des descripteurs

additionnels issus de la ressource externe. Différentes ressources externes sont

utilisées telles que les thésaurus, les bases lexicales et les ontologies. Ce qui

différencie principalement le contenu de ces ressources et l’usage pour lequel ils

ont été créés.

2.5.1.1. Le thésaurus

Un thésaurus est un vocabulaire contrôlé. Il rassemble un ensemble de termes

structurés choisis pour leur capacité à décrire un domaine. Ces termes sont

nommés descripteurs. Ces descripteurs sont utilisés pour décrire d’une manière

précise le contenu des documents. Ils sont sélectionnés et normalisés pour

l’indexation et le classement des documents. Dans un thésaurus, les termes

dénotent les concepts d'un domaine particulier. Ces concepts sont reliés entre eux

par des relations sémantiques : liens hiérarchiques (généralisation et

spécialisation), synonymie, voir aussi, définition, etc (GAMMOUDI, 1993). Chaque

concept possède un terme descripteur qui permet de le nommer facilement. Les


-50-

termes d'un thésaurus peuvent servir à indexer des documents comme c'est le cas

dans MDweb9 qui utilise le thésaurus GMET10 pour indexer des documents dans le

domaine de l’environnement et le projet NOESIS (PATRIARCHE et al, 2005) qui a

pour but de fournir une plateforme d’aide au diagnostic médical dans le domaine

des maladies cardiovasculaires. Les documents sont indexés en utilisant le

thésaurus UMLS11.

2.5.1.2. La base lexicale ou réseau sémantique WordNet

WordNet12 est une base lexicale électronique développée depuis 1985 à

l'université de Princeton par une équipe de psycholinguistes et de linguistes sous

la direction de G. Miller (FELLBAUM, 1998). A l’origine WordNet est conçu comme

une base lexicale. Ensuite, WordNet a été perçu comme un réseau sémantique.

Dans ce réseau sémantique, chaque nœud représente un concept. Un nœud est

constitué par un ensemble de termes synonymes (ou synsets). Ces termes

désignent le concept représenté par le nœud. Dans WordNet, les concepts sont

reliés par des relations sémantiques. La relation de synonymie est la relation de

base dans WordNet. Elle relie les termes d’un même de nœud. Les nœuds (les

concepts) sont reliés entre eux par des relations sémantiques telles que, la relation

de composition (partie-tout) et la relation hyponymie-hyperonyme (est-un)

(FELLBAUM, 1998).

Dans sa version 3.0 WordNet contient 155287 termes organisés en 117659

synsets. Le Tableau 2.7 présente des statistiques sur le nombre des mots et de

concepts dans WordNet 3.0.

Catégorie Mots Concepts Paires Mot-Sens

Nom 117798 82115 146312

Verbe 11529 13767 25047

Adjectif 21479 18156 30002

Adverbe 4481 3621 5580

Total 155287 117659 206941

Tableau 2.7 – Les statistiques sur le nombre des mots et de concepts dans WordNet 3.0.

9 http://www.mdweb-project.org/ 10 http://www.eionet.europa.eu/gemet

11 http://www.nlm.nih.gov/research/umls/umlsmain.html 12 htt ://www.cogsci.princeton.edu/~wn/


-51-

WordNet est à la base de nombreux travaux et projets récents en indexation

sémantique qui visent l'accès aux textes par le sens, tels qu’EuroWordNet et

MultiWordNet. EuroWordNet13 est un réseau sémantique multilingue couvrant

les langues européennes. Elle est composée de plusieurs bases lexicales (une pour

chaque langue). Les bases lexicales sont connectées { WordNet, afin d’assurer les

correspondances des termes dans différentes langues. MultiWordNet14 est une

base lexicale multilingue. Dans cette base les termes en langue italienne sont des

traductions des termes de WordNet 1.6. Les relations sémantiques reliant les

concepts sont directement importées de WordNet. La version actuelle de

MultiWordNet contient 44,400 termes dans la langue italienne organisés en 35,400

concepts.

2.5.1.3. Ontologies

La définition la plus citée présente une ontologie comme étant « une

spécification explicite et formelle d’une conceptualisation partagée » (Gruber,

1993). En d’autre terme, une ontologie est une représentation formelle d’un

domaine. C’est une conceptualisation dans le sens ou elle fournit un vocabulaire

formalisé de concepts et de leurs relations.

On distingue deux types d’ontologie : les ontologies légères et les ontologies

lourdes. Ces ontologies distinguent par la présence ou non d’axiomes (MOTHE et

al, 2007). Les ontologies légères sont constituées uniquement de concepts et de

relations entre les concepts. Ces ontologies sont dites moins formelles.

Contrairement aux ontologies légères, les ontologies lourdes sont dites formelles

(DING et al, 2001). Ces ontologies intègrent en plus des concepts et des relations,

les règles d’inférence et les axiomes.

Les ontologies utilisées dans le domaine de recherche d’information sont des

ontologies légères. Elles se limitent à la définition des concepts et des relations

entre les concepts. Les ontologies les plus utilisées sont Gene Ontology (GO), UMLS

est un meta thesaurus, WordNet et MeSH. Les systèmes OntoQuery15, Chemenet16

et CIDOC/CRM17 (CROFTS et al, 2008) sont des bons exemples d’utilisation des

ontologies en RI.

13 http://www.let.uva.nl/~ewn

14 http://multiwordnet.itc.it/) 15 http://www.ontoquery.dk/index.php

16 http://www.achemenet.com/

17 http://cidoc.ics.forth.gr/

http://www.cogsci.princeton.edu/~wn/


-52-

2.5.1.4. Les modèles de représentation des connaissances utilisés en

indexation

Dans cette section, nous présentons les modèles de présentations des

connaissances utilisés en recherche d’information. Ces modèles sont issus des

travaux en psychologie sur la mémoire humaine et la représentation des

connaissances datent des années 60. On trouve les travaux de R. Quillian

(QUILLIAN, 1968) sur les réseaux sémantiques et les travaux de J. Sowa (SOWA,

1984) sur les graphes conceptuels. L'idée de ces travaux était de fournir un modèle

formel du stockage en mémoire de connaissances.

Les réseaux sémantiques

La représentation de connaissances par des réseaux sémantiques remonte aux

travaux du linguiste R. Quillian sur la mémoire sémantique humaine (QUILLIAN,

1968). Les réseaux sémantiques sont très utilisés dans les travaux sur la

compréhension et le traitement des langages. Dans (QUILLIAN, 1968) ,R. Quillian

définit un réseau sémantique comme étant « un format de représentation

permettant de mémoriser le sens des mots, pour rendre possible leur utilisation à

la manière de l’être humain ». L’idée de base est que la signification d’un mot

dépende des autres mots qui co-occurrent avec ce mot. Ainsi, la signification d’un

concept est liée au réseau sémantique auquel il fait partie et de ses relations avec

les autres concepts du réseau. Dans un réseau sémantique, un concept est

représenté par un nœud. Chaque relation entre deux concepts est représentée par

un arc étiqueté qui relie les nœuds associés { ces concepts. Ainsi, un réseau

sémantique est assimilé à un multigraphe18 orienté G=[S, R] dont les sommets S

sont les concepts et les relations R sont les relations sémantiques entre les

concepts de S. Un exemple de réseau sémantique représentant le sens de la phrase

« Jean possède une belle voiture » est par exemple celui représenté dans la figure

Figure 2.7- Exemple de réseau sémantique

18 Un multigraphe est un graphe tel qu’il peut exister plusieurs arêtes entre deux sommets, ici entre un sommet relation et un sommet concept.

Jean

Propriété

Possède Agent Objet

Voiture

Belle


-53-

En recherche d’information ce modèle est utilisé pour représenter la requête et

les documents. La fonction de correspondance est en général une opération de

matching du réseau sémantique représentant la requête sur le réseau sémantique

représentant le document.

Graphes conceptuels

Un graphe conceptuel (GC) est un modèle de représentation de connaissances

du type réseaux sémantiques. Ce modèle a été introduit par John F. Sowa en 1984

(SOWA, 1984). Ensuite, il a donné lieu à un certain nombre de travaux. Le modèle

des graphes conceptuels permet de représenter les connaissances sous forme

graphique. Un GC est un multigraphe biparti19 étiqueté. Dans un GC, on distingue

deux types de nœuds : les nœuds concepts NC et les nœuds relations NR. Dans un

GC, un NC est relié par un arc à un NR traduisant que le concept associé à NC est un

argument de la relation représentée par NR. Chaque nœud d’un GC possède une

étiquette. Un nœud est étiqueté par un type dénotant un concept, et un marqueur

correspondant à une instance du concept (GENEST et al, 2005). De la même

manière les NR sont étiquetés par un type qui correspond au nom de la relation.

Dans le modèle des graphes conceptuels, les différents types de connaissances

(type de relations, type de concepts) sont représentés par des objets distincts.

Cette séparation des types de connaissances implique une grande clarté au

moment de l’utilisation de ce modèle afin de représenter des connaissances. Dans

ce modèle, les connaissances sont présentées en utilisant un vocabulaire. Ce

vocabulaire est structuré dans un objet du modèle appelé « support ». Selon

(MUGNIER et al, 1996), un support S est un quintuple .

, ensemble de types de concepts hiérarchiquement structurés. Cet

ensemble et muni d’une relation d’ordre partielle notée . Cette relation

est une relation de spécialisation « sorte de ». possède un plus grand

élément appelé le type universel noté et un plus petit élément, type

absurde noté . Par exemple le type « docteur » généralise le type

« cardiologue » et sera noté (« cardiologue » « docteur »,

, ensemble de types de relations hiérarchiquement structurés.

, où est l’ensemble des relations d’arité , .

Chaque est muni d’une relation d’ordre partielle notée ,

19 Un graphe où il y a deux types de nœuds . Les deux types de nœuds sont : concept (qu’il

soit générique ou non) et relation.

http://www.jfsowa.com/


-54-

est une application qui associe à chaque élément de une

signature. La signature de la relation spécifie l’arité de et le plus

grand type possible. . le argument de est

noté ,

est l’ensemble des marqueurs individuels (instances de type de

concept). Chaque de identifie un individu de la base de connaissance.

En plus de , un marqueur générique noté permet de représenter un

individu non spécifié,

est une application de dans qui associe à chaque marqueur son

type. .

Figure 2.8- Le GC : un véhicule construit par le constructeur Renault participe au Rallye :Paris Dakar .

L’exemple de la Figure 2.8 peut être interprété par : un véhicule construit par le

constructeur Renault participe au rallye Paris-Dakar. Ce graphe peut être

représenté par la séquence:

[Véhicule :*]->(construit par)->[ Constructeur : Renault] ;[Véhicule :*]->(participe)->[ Course : Rallye]

Le raisonnement sur les graphes conceptuels repose sur l’opérateur de

projection défini par J. Sowa. L’operateur de projection permet de comparer deux

graphes H et G. comme montre l’exemple de la Figure 2.9, il existe une projection de

H dans G si pour chaque concept c de H il existe un concept c’ plus spécifique de c

dans G ( ). On dit que G est une spécialisation de H,

Par exemple, prenons le graphe de la Figure 2.8 comme base de recherche et

posons la question suivante : « quelles sont les véhicules qui participent aux

courses de Rallye ? ». Cette question est représentée par le graphe conceptuel H :

[Véhicule :?x]->(participe)->[ Course : Rallye]

Véhicule :*

Constructeur : Renault

Construit par

1

2

Rallye : Paris-Dakar Participe 1 2


-55-

Répondre à cette question revient à répondre à la question : est ce que G est une

spécialisation de H. c'est-à-dire est ce que il existe une projection de H dans G.

Figure 2.9- La projection du graphe H dans le graphe G .

En recherche d’information un document est considéré pertinent vis-à-vis

d’une requête si le graphe conceptuel représentant est une spécialisation

du graphe représentant , .

Les logiques de description

Les Logiques de Description (LDs) appelées également Logiques

Terminologiques sont une famille de formalismes de représentation des

connaissances (BRACHMAN, 1977). KL-ONE est le premier système représentant

les LDs (BRACHMAN et al, 1985). Avec KL-ONE, les auteurs visent à présenter un

langage dont la sémantique est formelle et fondée sur la logique. Formelle dans le

sens où la sémantique est indépendante de la représentation et des algorithmes

qui agissent sur cette sémantique. Les connaissances d’un domaine sont

représentées avec les LDs à travers des concepts atomiques et des rôles atomiques.

Les concepts atomiques correspondent à des prédicats unaires spécifiant les objets

du domaine. Les rôles atomiques correspondent à des prédicats binaires qui

décrivent les relations entre les concepts du domaine. Dans les LDs un langage

formel permet de construire les concepts { l’aide des constructeurs fournis par ce

Véhicule :*

Constructeur : Renault

Construit par

1

2

Rallye : Paris-Dakar

Participe 1 2

Véhicule :* Rallye : Paris-Dakar

Participe 1 2

Relation de spécialisation

Le graphe G

Le graphe H


-56-

langage. Si L est un langage de description dénote une LD quelconque, un concept

construit en utilisant les constructeurs de L s’appelle un L concept. Avec les LDs,

les connaissances d'un domaine sont modélisées en deux niveaux : la TBox et la

ABox.

La TBox (Terminogical Box) correspond au niveau terminologique. Il décrit les connaissances générales d'un domaine. Ce niveau est un niveau descriptif il permet de décrire les concepts du domaine en fonction d’autres concepts à partir des relations. La TBox comprend la définition des concepts et des rôles.

La ABox (Assertional Box) correspond au niveau des assertions. Il décrit les individus (instances des concepts). Dans la ABox les individus sont nommés et des assertions portant sur ces individus nommés sont données en fonction des concepts et des rôles.

Nous reprenons le même exemple de la figure 1.7. Le tableau 1.8 décrit un

domaine qui contient trois concepts, le concept constructeur, le concept véhicule et

le concept course. En plus de ces concepts, ce domaine contient deux relations : la

relation « construitpar » et la relation « participe ». Les concepts et les relations

sont décrits dans la TBox. Dans la ABox, trois instances du concept vehicule (v1, v2,

v3), une instance du concept constructeur (Renault) et une instance du concept

Rallye (Paris-Dakar). La ABox contient aussi cinq assertions. L’assertion

construitpar (v1, Renault) traduit l’idée que v1 est construit par le constructeur

Renault.

TBox ABox

Tableau 2.8 – Exemple d’ una base de connaissances composée d'un TBox et d'une ABox

Pour répondre à la question : quels sont les véhicules construits par le

constructeur Renault qui participent au Rallye Paris-Dakar. Autrement dit, quelles


-57-

sont les instances du concept Vehicule qui sont reliées à la fois par la relation

construitpar à une instance du concept constructeur nommée Renault et par la

relation participe à une instance du concept Rallye nommée Paris-Dakar. Une

formulation en utilisatiant les LDs est la suivante:

.

Ainsi, les LDs sont utilisés pour modéliser les connaissances du domaine. Ils

permettent de représenter les concepts d’un domaine particulier et les relations

entre ces concepts. Les LDs permettent aussi la représentation des individus

(instances de concept). Dans le Tableau 2.9, nous présentons un exemple de

représentations des relations de WordNet. Ces relations peuvent être représentées

avec les LDs de la manière suivante :

Relations LD Wordnet

Tableau 2.9 – Exemple de représentation des relations de WordNet par les LDs (TBox+ABox)

2.5.1.5. Les systèmes de recherche d’information utilisant une ressource

sémantique

L’intérêt de l’utilisation de ressources sémantiques en recherche d’information

a été montré depuis les années 70 avec les travaux de G. Salton (SALTON, 1970).

L’utilisation de ces ressources vise l’amélioration des performances des SRIs. Dans

(SALTON, 1970), l’auteur utilise un thésaurus multilingue afin d’indexer

manuellement un corpus. Les travaux de G. Salton ont donné lieu à de nombreux

travaux similaires utilisant des ressources sémantiques. Ces travaux se basent sur

des formalismes différents de représentation des connaissances. Le système

OntoSeek (GUARINO et al, 1999) a été développé pour les services de pages jaunes

ou des catalogues de produits. Les documents (le contenu des pages jaunes) et la

requête sont représentés par des graphes conceptuels. A ce formalisme de

représentation est couplé un mécanisme de recherche par le contenu sémantique

(l’ontologie SENSUS basée sur WORDNET). Dans le domaine de la recherche

d’information médicale, de nombreux thésaurus ont été développés, tels que MeSH

(Medical Subject Heading) et UMLS20 (Unified Medical Language System). Le

20 http://www.nlm.nih.gov/research/umls/umlsmain.html


-58-

projet NOESIS (PATRIARCHE et al, 2005) a pour but de fournir une plateforme

d’aide au diagnostic médical dans le domaine des maladies cardiovasculaires. Ce

système comprend un outil de recherche d’information guidé par une ressource

sémantique. Les auteurs utilisent le thésaurus MeSH pour annoter les documents.

Les termes extraits (environ 700 concepts) sont ensuite enrichis par des termes

dans cinq langues issues d’UMLS. Les termes sont représentés en OWL (Web

Ontology Language). En plus, les auteurs utilisent des balises SKOS afin de

représenter les termes préférés pour un concept dans chaque langue. Le thésaurus

MeSH a été utilisé aussi dans les systèmes NLM21 (The National Library of

Medicine), Hon22(Health On the Net) et CisMEF23(Catalogue et Index des Sites

Médicaux Francophones), pour le même objectif d’indexation des documents

médicaux (SOUALMIA et al, 2004).

Dans le prototype ELEN proposé par J.P. Chevallet (CHEVALLET, 1992), l’auteur

utilise une ressource sémantique de domaine spécialisé (le génie logiciel). La

ressource utilisée est un thésaurus. Elle sert à reconnaitre le sens de chaque mot,

ainsi que les relations sémantiques entre ces mots. ELEN exploite les graphes

conceptuels comme formalisme structuré de représentation des connaissances.

Plus tard, l’auteur signale que la méthodologie adaptée dans ELEN est difficile à

appliquer à des corpus couvrant des domaines variés (NIE et al, 1997). Dans

(ROUSSEY, 2001), C. Roussey présente un système de recherche d’information

multilingue fondé sur un thésaurus sémantique du domaine, intitulé SyDOM

(Système Documentaire Multilingue). Ce système permet de retrouver un

document répondant à une requête écrite dans une langue différente. Dans

SYDOM, le thésaurus est utilisé pour indexer manuellement les documents, pour

formuler les requêtes des utilisateurs et enfin pour comparer la représentation

d’une requête avec celle des documents. Que se soit durant l’indexation des

documents ou durant la formulation des requêtes, l’utilisateur est guidé par un

thésaurus. Dans SYDOM les documents et la requête sont représentés par des GCs.

L’auteur considère que les opérations (projection) du modèle des GCs sont

orientées «recherche de réponses exactes». Afin de trouver des documents

partiellement pertinents à une requête. C. Roussey propose un nouvel opérateur, la

pseudo-projection. Cet opérateur permet de juger la pertinence des documents vis-

à-vis d’une requête et fournis un classement des documents pertinents.

21 http://www.nlm.nih.gov/ 22 http://www.hon.ch/ 23 http://www.chu-rouen.fr/cismef/


-59-

Egalement, D. Genest (GENEST, 2000) utilise le modèle des GCs comme

formalisme pour représenter les documents et la requête. A ce modèle, Il propose

des extensions afin de retrouver les documents partiellement pertinents. Pour

indexer les documents l’auteur utilise le thésaurus Rameau. Les travaux de D.

Genest ont aboutis à un SRI dont les résultats ont été jugés satisfaisants. Le

prototype WebKB24 de P. Martin est fondé sur ces prédécesseurs WebKB-1 et

WebKB-2 et sur les travaux de thèse P. Martin, sous la direction de R. Dieng-Kuntz

sur l’utilisation des ontologies dans les SRI. Dans (MARTIN, 1996), l’auteur

propose l’outil CGKAT (Conceptual Graph Knowledge Acquisition Tool). Dans cet

outil, l’idée a été d’associer aux documents des GCs. Ces graphes permettent de

décrire le contenu sémantique de ces documents. Les graphes conceptuels

reposent sur un modèle de description des concepts manipulés et des relations

entre ces concepts, l’ontologie du domaine. L’ontologie utilisée est une extension

de WordNet. CGKAT a été testé en collaboration avec l’INRETS dans le domaine de

l’accidentologie. Dans le domaine de la géologie le projet e-WOK_HUB25 (E-

WOK_HUB, 2008) propose une architecture orientée services pour l'accès aux

ressources par le biais de portails conçus sémantiquement appelés « HUBS ». Dans,

e-WOK_HUB un outil d’annotation des documents est proposé. Afin d’annoter les

documents les auteurs utilisent une ontologie légère du domaine. Cette ontologie

est développée dans le cadre du projet.

A l’opposé de ces travaux visant l’indexation des documents et de la requête par

l’utilisation des ressources sémantiques externes, d’autres travaux utilisent la

ressource pour reformuler la requête dans un SRI. Dans (BAZIZ, 2005) (BAZIZ et

al, 2007) (BUSCALDI et al, 2005) (BULSKOV, 2006), les auteurs proposent une

reformulation des requêtes guidée par une ressource externe. Cette reformulation

ou expansion de la requête consiste à réécrire la requête utilisateur en prenant en

compte les relations de synonymie et les relations de méronymie présentes dans la

ressource externe. Ainsi, la requête est enrichie par les termes sémantiquement

proches des termes d’origines de la requête. Ces termes proches sémantiquement

sont issus de la ressource WordNet. Dans (HEARST et al, 1997) (GUO et al, 2004)

les auteurs procèdent de la même manière que les travaux précédents et utilisent

le thésaurus UMLS afin de rechercher des documents dans un corpus médical.

24 http://www.cit.gu.edu.au/~phmartin/WebKB/

25 http://www-sop.inria.fr/edelweiss/projects/ewok/

2.6. Conclusion

-60-

2.6. Conclusion

La performance d’un SRI est dépendent du processus d’indexation. En effet,

suite à une requête représentée par des descripteurs riches sémantiquement et un

ensemble de documents représentés de la même manière, la fonction de

comparaison peut fournir des documents qui répondent d’une manière pertinente

aux besoins utilisateurs. Raison pour la quelle plusieurs travaux se sont intéressés

{ l’indexation sémantique.

Le calcul de la pondération utilise des mesures statistiques. Ces mesures

exploitent des informations sur les descripteurs et leurs répartitions dans le

document et dans le corpus.. Ces mesures s’appuient sur des informations

quantitatives. Par la suite elles ne sont pas rattachées aux langues des documents.

Ces mesures ne font pas l’objet d’une étude particulière de notre part.

Afin de remédier aux limites de l’indexation classique basée sur les mots,

l’indexation sémantique a été proposée comme une alternative. Cette indexation

prend en considération le sens des mots. L’indexation sémantique consiste {

associer à chaque document les concepts dénotés par les termes du document.

Plusieurs problèmes ont été posés par l’utilisation des concepts. Ces problèmes

sont causés par l’ambigüité des mots, la polysémie par exemple. Pour résoudre ces

problèmes des mécanismes de désambigüisation ont été proposés.

Dans un contexte multilingue et c’est la majorité des cas, une phase de

traduction est nécessaire afin d’indexer les documents et la requête. Cette

traduction vise à représenter les documents et la requête dans le même espace

d’indexation, pour rendre leurs comparaisons possibles. Dans ce cadre, la

performance d’un SRI multilingue dépend étroitement de la qualité des

traductions. Il est donc indispensable d’utiliser une traduction exacte et fiable.

Malgré ces résultats de bonne qualité, une traduction manuelle n’est pas

envisageable dans le cas des corpus multilingue volumineux et même dans le cas

d’un corpus multilingue de petite taille où le nombre des langues des documents

est assez élevé. Une traduction automatique s’avère une solution réalisable malgré

les mauvaises qualités des traductions produites. Dans le cadre de notre travail

nous nous ne procédons pas par traduction. Nous pensons que l’utilisation d’une

ressource sémantique multilingue peut résoudre le problème lié au

multilinguisme.

Dans la partie qui suit nous présentons un état de l’art sur l’extraction des

concepts et des relations entre les concepts à partir des documents.

2.6. Conclusion

-61-

-63-

ETAT DE L’ART SUR L’EXTRACTION

DES DESCRIPTEURS SEMANTIQUES

POUR L’INDEXATION

Résumé

Dans ce chapitre nous présentons un état de l'art général sur les

travaux existants dans le domaine d’extraction des descripteurs à partir

des documents. Nous exposons les approches existantes d’extraction des

termes, des concepts et des relations sémantiques entre concepts. En

particulier, nous mettons l’accent sur les limites de ces approches et les

motivations qui ont poussé à choisir une technique statistique.

-65-

Chapitre 3

Etat de l’art sur l’extraction des descripteurs

pour l’indexation

3.1. Introduction

Le développement d’internet et des nouvelles technologies de stockage, de

transfert et de traitement de l’information ont causé une forte augmentation du

volume de documents numériques. Cette augmentation est accompagnée par une

croissance des besoins des utilisateurs en information. En effet l’utilisateur ne se

contente plus de subir l’information en spectateur, il navigue sur le Web, il cherche,

il trouve, il compare et il échange les informations qu’il rencontre. De spectateur, il

devient acteur dans la nouvelle société de l’information en diffusant sa propre

information (GARÇON, 2005).

Afin de satisfaire ces besoins utilisateurs qui tentent à rechercher une

information pertinente, les outils de gestion de l’information ont besoin d’extraire

des descripteurs déjà existantes dans ces documents (ZWEIGENBAUM et al, 2003).

Cependant, l’acquisition ou l’extraction de ces descripteurs est toujours un

problème crucial et d’actualité.

L’extraction des descripteurs d’une manière manuelle est une tâche lourde et

coûteuse à cause de la masse et de la diversité des volumes de documents à traiter

(RASTIER et al, 1994). Cette diversification porte sur plusieurs aspects : langues,

domaines couverts par ces documents. Ainsi, l’extraction manuelle des

descripteurs nécessite une mise { jour des compétences humaines pour s’adapter

à une nouvelle langue ou à un nouveau domaine.

Il est donc nécessaire, de disposer des systèmes automatiques ou semi-

automatiques d’extraction des descripteurs à partir des documents, tels que les

extracteurs de terminologie, les classifieurs, les concordanciers, etc (JACQUEMIN,

1999) (BOURIGAULT et al, 2000). Ces outils permettent une représentation du

domaine en repérant les entités du domaine (les concepts) et les relations entre

ces entités.

3.2. L’extraction des descripteurs

-66-

3.2. L’extraction des descripteurs

L’extraction des descripteurs permet de déterminer pour un domaine donnée

l’ensemble des descripteurs pertinents pour ce domaine (HERNANDEZ , 2005)

(BAZIZ, 2005). La tâche d’extraction peut être réalisée d’une manière automatique,

semi-automatique ou manuelle. Cette dernière est effectuée par un expert de

domaine est s’avère très couteuse. Cette tâche peut être représentée formellement

par la fonction telle que (CLAVEAU, 2003):

(2.1)

Où

est le domaine pour lequel on veut déterminer les descripteurs

sémantiques,

est le jeu d’indexation de .

Afin d’extraire les descripteurs d’un domaine d’une manière automatique ou

semi-automatique, un corpus de spécialité de est utilisé. Sur ce corpus on

applique des techniques de traitement automatique de la langue. La fonction

s’écrira alors :

(2.2)

Où

est un corpus de spécialité de D,

est le jeu d’indexation de D qui existent dans .

Pour extraire tous les descripteurs du domaine d’une manière automatique

c'est-à-dire , il est indispensable d’utiliser un corpus qui couvre la quasi-

totalité du domaine .

3.3. Extraction des termes

Dans la littérature, les différents travaux d’extraction des termes { partir des

corpus textuels utilisent deux approches : l’analyse statistique ou numérique et

l’analyse linguistique ou structurelle (CLAVEAU, 2003). L’analyse statistique se

base sur l’étude des contextes d’utilisation et les distributions des termes dans les

documents. L’analyse linguistique exploite des connaissances linguistiques, telles

que les structures morphologiques ou syntaxiques des termes. D’autres travaux


-67-

couplent ces deux approches et constituent une approche dite «approche hybride

ou mixte».

3.3.1. Méthodes statistiques ou numériques d’extraction des termes

Les méthodes statistiques ou numériques sont basées sur des techniques

quantitatives. Ces méthodes sont souvent utilisées pour les traitements des corpus

volumineux. Avec l’évolution incessante des nouvelles technologies, les documents

numériques sont devenus facilement disponibles facilitant ainsi la constitution de

ces corpus volumineux. De ce fait ces méthodes continuent à connaitre un grand

succès. Elles présentent l’avantage de ne pas nécessiter de connaissances

linguistiques a priori et s’appliquent sur des corpus pour lesquels aucune

ressource externe (dictionnaire, stop liste, ontologie…) n’a été élaborée. Ces

méthodes ont recours à des mesures connues dans le domaine de la statistique.

Nous présentons deux mesures que nous utiliserons par la suite :

Les fréquences,

Les critères d’associations.

3.3.1.1. Les fréquences

La fréquence d’une séquence s est le nombre d’apparition de s. Cette séquence

peut être un lexème26, un lemme27, un mot, un terme, etc. Cette mesure est utilisée

dans tous les modèles statistiques, ce qui explique le soin apporté pendant les

calculs de cette mesure. Ces modèles utilisent souvent quatre fréquences (DAILLE,

1994) :

La fréquence d’un couple de séquences dans un document et/ou

dans un corpus,

La fréquence des couples de séquences , où la séquence apparait

comme premier élément d’un couple,

La fréquence des couples de séquences , où la séquence donné

apparait comme deuxième élément d’un couple,

26

Un lexème est une entrée lexicale, issue de l’analyse lexicale qui décompose le texte en unités lexicales selon des

grammaires. Ces unités sont généralement des chaînes alphabétiques. 27

Un lemme permet de définir une forme canonique pour les entrées lexicales (les lexèmes). Cette forme est

représentée par l’infinitif pour les verbes et par le masculin singulier pour les substantifs. Grâce à cette étape de lemmatisation, il est possible d’établir la correspondance entre les formes conjuguées des verbes (par exemple, creüssent et croyent) et entre des dérivés morphologiquement distincts (par exemple, commençaille et commencement).


-68-

La fréquence totale des couples (pour chaque couple ) dans un

document et/ou dans un corpus.

3.3.1.2. Critères d’associations

«D’un point de vue statistique, les deux lemmes qui forment un couple sont

considérés comme deux variables qualitatives dont il s’agit de tester la liaison»

(DAILLE, 1994). B. Daille (DAILLE, 1994) considère que les lemmes qui forment un

couple sont considérés comme des variables qualitatives pour lesquelles elle teste

le degré d’association ou de liaison. Ainsi, les données définies à partir des

fréquences citées précédemment, sont représentées sous forme d’un tableau

croisé, dit tableau de contingence. Dans ce tableau on associe à chaque couple de

lemmes , les valeurs a, b, c et d qui décrivent les fréquences du couple.

Tableau 3.1 – Tableau de contingence du couple de lemmes

est la fréquence du couple li est le premier élément et le

second

est la fréquence des couples où est le premier élément d’un couple et

n’est pas le deuxième

est la fréquence des couples où est le deuxième élément du couple et

n’est pas le premier,

est la fréquence de couples où ni ni n’apparaissent,

La somme , notée N est le nombre total d’occurrences de

tous les couples trouvés.

La majorité des mesures statistiques exploitent les données du tableau de

contingence afin de déterminer le degré de liaison de deux lemmes donnés. En

résumé, il s’agit de tester d’indépendance des lexèmes pris deux à deux.

Les mesures statistiques qui seront présentées par la suite, sont les plus

utilisées dans le domaine de l’extraction de terminologie. Cependant, dans la

littérature on trouve de nombreuses autres mesures qui ont déjà été évaluées dans

des travaux ultérieurs (DAILLE, 1994). Dans ces meures, les fréquences a, b, c et d

sont données dans le Tableau 3.1.


-69-

Coefficient de Proximité simple (SMC : Simple Matching

Coefficient)

Ce score varie de 0 à 1

Coefficient de 2 (PHI)

Cette mesure est utilisée dans les travaux de W.Gale (GALE et al, 1991) pour

l’alignement de mots dans les phrases.

Score d’association ou l’information mutuelle (IM)

Il s’agit d’un score d’association d’un couple de lexèmes (li, lj), noté IM. Cette

mesure a été décrite par P. Brown (BROWN et al, 1988) (BROWN et al, 1990) et

par K. Church (CHURCH et al, 1990) dans le cadre d’extraction des termes { partir

des corpus bilingues et monolingues. L’information mutuelle permet de comparer

la probabilité d’observer ces deux lexèmes et ensemble avec la probabilité de

les observer séparément. IM se définit comme suit :

Si IM est fortement positive, cela signifie que et apparaissent très souvent

ensemble. Si IM est proche de 0, alors et n’ont aucun rapport et enfin, si IM est

fortement négative, alors et ont des distributions complémentaires.

Coefficient de vraisemblance : Loglike

Cette mesure introduite par T. Dunning (DUNNING, 1993), représente le

rapport de vraisemblance appliqué { une loi binomiale. Ce score s’exprime de la

manière suivante :

NNdcdc

dbdbcaca

babaddccbbaaLogLike

log)log()(

)log()()log()(

)log()(loglogloglog

3.3.1.3. Les travaux de L. Lebart et A. Salem

La méthode présentée dans les travaux menés par L. Lebart et A. Salem

(LEBART et al, 1988) (LEBART et al, 1988) (LEBART et al, 1994) (LEBART et al,


-70-

1994) consiste à repérer des séquences de mots qui se répètent plus d’une fois

côte à côte dans un texte. Les auteurs étudient les segments répétés dans un

corpus afin d’extraire un ensemble de termes dits « termes complexes ou termes

composés ». Le texte est alors considéré comme étant un enchainement de mots et

de segments répétés. Un segment répété est une séquence de deux ou plusieurs

mots voisins et qui apparaissent plus d’une fois dans le texte. En pratique il s’agit

de compter le nombre d’occurrences d’un couple (l1, l2), afin de vérifier si ce

nombre est supérieur à une valeur de seuil fixée expérimentalement. Si c’est le cas,

la séquence formée par (l1, l2) est considérée comme étant un terme composé et il

sera repris dans le processus. Ce processus s’arrête si aucune nouvelle séquence

n’a été repérée. Le nombre d’occurrences d’un couple (l1, l2) correspondant { la

valeur dans le tableau de contingence. Afin de regrouper des séquences qui

diffèrent d’un point de vue graphique (par exemple : phénomène fréquent,

phénomènes fréquents), les auteurs utilisent des corpus textuels lemmatisés. En

reprenant la définition formelle de l’extraction des descripteurs { partir des

documents textuels, énoncée ci-dessus, ces techniques peuvent être formalisées de

la manière suivante :

Où


est l’ensemble des descripteurs sémantiques de D qui existent dans

.

est un lemme du corpus ,

est la taille maximale en nombre de lemme du segment répété,

valeur à fixer par l’expérience,

désignent le nombre d’apparition de la séquence

.

3.3.1.4. Les travaux de Church

Dans (CHURCH et al, 1990), les auteurs proposent une méthode d’extraction des

termes composés. Cette méthode se base sur une mesure statistique : l’information

mutuelle. Les auteurs considèrent que les mots qui apparaissent souvent ensemble

d’une manière statistiquement significative ont une grande chance de former des


-71-

termes complexes. Ainsi, ils évaluent la probabilité d’apparition des mots ensemble

en la comparant { la probabilité d’apparition de ces mots séparément.

Où


est l’ensemble des descripteurs sémantiques de D qui existent dans

.

valeur à fixer par l’expérience.

un mot simple

un mot simple ou un mot composé

3.3.1.5. Les travaux de R. Oueslati

Dans ces travaux de thèse, R. Oueslati (OUESLATI, 1999) reprend le principe des

segments répétés présentés précédemment. L’objectif de l’auteur est la réalisation

d’un système d’aide { la construction de la terminologie d’un domaine spécialisé,

tel que la médecine. La méthode proposée fait appel aux travaux sur les segments

répétés durant l’étape d’extraction des termes. Les termes extraits sont validés par

un linguiste ou terminologue. Ensuite, il cherche à construire des classes de termes

sémantiquement proches on utilisant la distribution contextuelle.

3.3.1.6. Conclusion : Bilan

Les méthodes statistiques présentent l’avantage d’être rapides et simples {

mettre en œuvre. En effet, ces méthodes s’appuient sur des formules statistiques et

sur de simples calculs des fréquences. Ces méthodes ne nécessitent ni de

connaissances spécifiques des langues des corpus, ni des domaines couverts par

ces corpus. Les approches statistiques peuvent être qualifiées d’autonomes du fait

qu’elles n’utilisent pas des ressources linguistiques externes au corpus

(dictionnaire, stop liste…). Ces ressources sont généralement constituées

manuellement et nécessitent beaucoup de temps et d’effort.

Cependant il est à noter que malgré leurs autonomies, les résultats obtenus par

les approches statistiques sont fortement reliés aux corpus étudiés et ne peuvent

pas être généralisés en dehors de ce contexte. Ces approches sont performantes


-72-

sur des corpus de taille suffisamment grande. Elles ne sont pas applicables sur des

corpus de petites tailles.

3.3.2. Méthodes linguistiques

Ces méthodes sont qualifiées de linguistique puisqu’elles font appel { des

techniques d’analyse se basant sur les connaissances de la langue et de sa

structure. La majorité de ces méthodes exploitent des connaissances syntaxiques,

lexicales ou morphologiques.

3.3.2.1. Les travaux de David et Plante : TERMINO

L’outil TERMINO compte parmi les premiers outils opérationnels d’acquisition

automatique de termes. Ce système a été élaboré dans le cadre d’une collaboration

entre une équipe du Centre d’ATO de l’Université du Québec { Montréal et l’Office

de la langue française du Québec (DAVID et al, 1990). La version actuelle TERMINO

se nomme NOMINO (PERRON, 1996).

TERMINO est construit sur la base d’un formalisme pour l’expression de

grammaires du langage naturel, l’atelier FX. Dans TERMINO, les seules structures

supposées productrices des termes sont les syntagmes nominaux. Ainsi, ces

syntagmes nominaux seront repérés afin de produire les candidats termes appelés

“ synapsies ”. La chaîne de traitement de TERMINO se compose de trois

étapes (BENVENISTE, 1966):

1. Prétraitement du texte : Dans cette étape, le texte est découpé en lexèmes

puis filtré et les caractères de mise en forme sont éliminés. Cette étape est

nécessaire dans tout processus d’extraction de terminologie à partir du

corpus textuels. En effet, les corpus comportent souvent des passages non

textuels.

2. Lemmatisation des lexèmes: Dans cette étape, chaque lexème identifié est

soumis à une analyse morphosyntaxique afin de lui attribuer une catégorie

grammaticale.

3. Désambiguïsation : cette étape consiste à effectuer une analyse syntaxique

en contexte, afin de désambiguïser les lexèmes qui ont plus d’une catégorie

grammaticale { la fin de l’étape de lemmatisation. A l’issue de cette étape,

tous les lexèmes du texte ne possèdent qu’une seule catégorie grammaticale.


-73-

3.3.2.2. Les travaux de D. Bourigault : LEXTER

LEXTER a été élaboré par D. Bourigault (BOURIGAULT, 1992) (BOURIGAULT,

1994) dans le cadre de ces travaux de thèse. L’outil est dédié initialement {

l’enrichissement des thésaurii d’un système d’indexation automatique des corpus

textuels. Par la suite LEXTER a été utilisé pour l’extraction et la modélisation des

connaissances à partir de corpus textuels en langue française.

Contrairement à TERMINO, les corpus traités par LEXTER sont étiquetés et

désambiguïsés (BOURIGAULT, 1996). Pour extraire les termes candidats, LEXTER

effectue une analyse syntaxique de surface afin de repérer les syntagmes

nominaux susceptibles d’être des termes. Par la suite, les termes extraits sont liés

les uns aux autres pour former un réseau.

LEXTER se focalise sur des formes syntaxiques prédéfinies susceptibles d’être

des candidats termes, des formes simples, noms, adjectifs et verbes et des formes

composés. Les termes composés candidats sont des syntagmes nominaux (SN) ou

des syntagmes adjectivaux (SAj). Chaque terme candidat composé est décomposé

en deux parties : la partie tête (T) et la partie expansion (E). Ainsi, le SN «moteur

de recherche» est décomposé en deux termes simples «moteur» et « recherche ».

Les candidats termes extraits du corpus sont structurés en réseau terminologique,

en se basant sur la décomposition de ces termes en tête et expansion. Dans ce

réseau, chaque terme est relié à sa tête et à son expansion, et chaque tête et chaque

expansion sont reliées aux termes composés dont ils font partie. Par exemple, sur

la séquence «stenose de le tronc commun gauche», on obtient le réseau suivant :

T

E

Det

E

Adj

Prep

T

T

T

T

T Adj

E

Adj

N

N

E

stenose severe de le tronc commun gauche

Figure 3.1- Réseau fourni par LEXTER pour «stenose severe de le tronc commun gauche» (HABERT et al, 1995)

SYNTEX, la version actuelle de LEXTER (BOURIGAULT et al, 2000), permet

l’extraction { partir d’un corpus textuel, d’un ensemble de syntagmes nominaux,


-74-

verbaux et adjectivaux. Il a été utilisé dans de nombreux travaux sur l’extraction

des connaissances à partir des textes. Dans (LE MOIGNO et al, 2002), il est utilisé

dans une méthode de construction d’une ontologie { partir d’un corpus du

domaine de la réanimation chirurgicale.

3.3.2.3. Les travaux de C. Jaquemin : FASTER

FASTER est un outil qui repose sur des analyses syntaxiques dont le but est de

reconnaître les termes qui apparaissent dans un corpus et qui figurent dans une

liste de termes fournie au système (JACQUEMIN, 1997) (JACQUEMIN, 1998)

(JACQUEMIN, 1999). L’auteur part du principe que les termes apparaissent sous

différentes formes linguistiques. Pour les identifier FASTER utilise un ensemble de

règles préétablies. Par exemple:

1. Coordination: «patron et schéma syntaxique » est une variante syntaxique

du terme « patron syntaxique ».

2. Modification: il s’agit d’insérer un modificateur dans un terme. L’auteur

considère que si le modificateur inséré est un terme connu alors on peut

substituer le nouveau avec modificateur terme par le terme sans

modificateur. Par exemple: «caractéristique du concept» et «caractéristique

linguistique du concept»28, linguistique est le modificateur ajouté au terme.

On considérera que la caractéristique linguistique du concept est une

occurrence de caractéristique du concept

3. Dérivation:

(Nom – Nom) : «analyseur de texte» est une dérivation (Nom analyseur –

Nom analyse) de «analyse de texte».

(Nom – Verbe) : « traitement de texte » est une dérivation (Nom

traitement – Verbe traiter) de « traiter le texte »

(Nom – Adjectif) : « pression de l’atmosphère » est une dérivation (Nom

atmosphère – Adjectif atmosphérique) de « pression atmosphérique ».


Les résultats obtenus par les méthodes linguistiques sont jugés pertinents.

Cependant l’utilisation de ces approches nécessite une maîtrise complète des

28 Si « caractéristique du concept » est un terme, « caractéristique linguistique du concept » est une

substitution de « caractéristique du concept »


-75-

langues des corpus étudiés. L’extraction des termes simples et des termes

composés nécessite une connaissance parfaite des règles syntaxiques de dérivation

dans la langue du corpus. Les méthodes linguistiques sont basées sur des

propriétés linguistiques de la langue naturelle. Ces propriétés sont intrinsèques à

la langue du corpus d’étude en particulier le français. Elles ne sont pas, de ce fait,

généralisables { d’autres langues.

Il est à souligner que les propriétés et les règles utilisées dans ces méthodes

sont issues d’un traitement manuel du corpus d’étude. Ces éléments sont difficiles

à dégager à partir des corpus volumineux. En effet, pour dégager une règle il est

indispensable de feuilleter la quasi-totalité du corpus d’étude. Cette tâche n’est pas

aisée dans le cas ou le corpus est de grande taille.

En conclusion les approches linguistiques trouvent leurs performances dans des

corpus bien spécifiques sur lesquels une étude linguistique détaillée a été réalisé.

Ces approches ne peuvent pas être généralisées sur des corpus de langue

différente, de taille différente et de spécialité différente.

3.3.3. Méthodes hybrides ou mixtes

Dans les modèles hybrides ou mixtes, les approches statistiques et les

approches linguistiques sont associées ou couplées. L’ordre dans lequel cette

association est effectuée varie d’un système { un autre. En effet, dans certains

systèmes les résultats obtenus par une analyse linguistique sont validés et filtrés

par une analyse statistique, tandis que dans d’autres systèmes les résultats de

l’analyse statistique sont validés par une analyse linguistique.

3.3.3.1. Les travaux de B. Daille

L’outil ACABIT a été élaboré par B. Daille (DAILLE, 1994) au sein de la société

IBM, il est dédié uniquement { l’extraction des termes composés { partir du corpus.

Cet outil extrait les termes composés candidats { partir d’un corpus en langue

française préalablement étiqueté.

Dans une première étape, B. Daille reprend les techniques linguistiques

empruntées par TERMINO et LEXTER (DAILLE, 1994) (DAILLE, 1999). Ainsi,

ACABIT repère des syntagmes nominaux susceptibles de décrire un terme

composé en utilisant des automates. Dans une deuxième étape, les techniques

statistiques sont employées afin de déterminer le degré de liaison entre les mots

associés dans les termes composés extraits dans la première étape. Pour effectuer

ces calculs statistiques, Daille se base sur un corpus de référence et une liste de


-76-

termes valides. Selon T. Dunning (DUNNING, 1993) la mesure statistique logLike

semble être la mieux adaptée pour représenter les liens termes candidats.

3.3.3.2. Les travaux de F. Smadja

L’outil XTRACT a été élaboré par F.Smadja (SMADJA, 1993), durant ses travaux

portant sur l’indexation automatique des textes. Il consiste { repérer des

collections de structures prédéfinies telles que : nom+nom, nom de nom,

nom+adjectif, sujet+verbe, verbe+sujet, etc. Dans un premier temps, XTRACT

exploite les techniques statistiques essentiellement basées sur l’information

mutuelle entre mots et dans un deuxième temps, il utilise des techniques

linguistiques. Partant d’un corpus étiqueté, l’outil repère les couples de mots

fortement associés en utilisant l’information mutuelle dans une fenêtre de 5 mots.

Les couples ainsi extraits sont repris afin de former des couples de plus de deux

mots, les n-grammes. Afin de filtrer les n-grammes obtenus précédemment,

l’ensemble est soumis { une analyse syntaxique qui permet d’attribuer une

catégorie grammaticale ou syntaxique aux différents mots de la collection. Par

exemple, dans la forme nom+nom telle que « ammonium nitrate » l’auteur calcule

les fréquences d’apparition du mot «nitrate» à une distance -1 du mot

« ammonium ». Dans XTRACT, la validation des termes doit être effectuée par un

spécialiste du domaine, comme dans l’exemple suivant :

Mots co-occurrents avec « trade » fréquence totale Fréquence position (p-1)

Free 8031 7918

Our 1147 449

On remarque que le mot «trade» est plus lié au mot « free » qu’au mot «our». Le

choix du terme valide est laissé { l’utilisateur : un linguiste ou un spécialiste du

domaine.

Nous soulignons { ce passage qu’il n’existe pas de grande différence entre le

système XTRACT et le système ACABIT de B. Daille. Dans XTRACT de F. Smadja, les

résultats obtenus par des méthodes statistiques sont soumis à un filtrage par des

techniques linguistiques. Dans ACABIT, on trouve le chemin inverse en procédant à

un filtrage par des techniques statistiques des résultats obtenus par des techniques

linguistiques. La seule différence réside dans la mesure statistique utilisée : le

LogLike par B. Daille et l’information mutuelle par F. Smadja.

3.3.3.3. Les travaux de K.T. Frantzi

Dans (FRANTZI et al, 1997) (FRANTZI et al, 1999), K.T. Frantzi présente une

technique d’extraction des termes basée sur des grammaires ou encore sur des

règles. La méthode identifie les termes composés (CT) dans un corpus en anglais


-77-

étiqueté. Le corpus utilisé est étiqueté par l’étiqueteur d’E. Brill (BRILL, 1992). Les

séquences retenues par la méthode présentée correspondent à la grammaire

suivante :

(Nom | Adjectif)+ Nom

Ainsi, les séquences formées par des noms ou des adjectifs sont suivies d’un

nom sont repérées. Dans cette méthode, un terme composé est soit un nom, soit

une séquence de noms ou d’adjectif suivie d’un nom. Les termes extraits sont

validés par un indice statistique : la C-value. Cette dernière métrique prend en

considération la fréquence du terme composé et sa longueur. Le C-value se calcule

de la manière suivante (FRANTZI et al, 1997):

Où

: le terme à valider,

: est un terme composé qui inclue comme par exemple pour «fibre» et

«fibre optique»,

et : les fréquences de et ,

: longueur de ,

: l’ensemble des termes qui incluent le

: le nombre de terme dans .

Le c-value d’un terme qui ne fait pas partie d’aucun autre terme est calculé par

la première forme. Dans le cas contraire il est calculé par la deuxième forme.


Les approches hybrides fournissent des résultats de qualité. Elles présentent un

compromis entre les méthodes statistiques et les méthodes linguistiques. L’idée

d’associer ces deux dernières méthodes est pertinente. En effet, cette association

profite de la finesse des analyses linguistiques et de la robustesse des analyses


-78-

numériques. La puissance des méthodes hybrides provient de l’adoption de

modèles traitant de l’information comme étant un ensemble de variables

qualitatives (DAILLE, 1994), offrant ainsi la possibilité de traitement des corpus de

taille volumineux. En plus, les méthodes linguistiques permettent un filtrage des

résultats obtenus afin de diminuer le bruit.

L’approche hybride profite de la rapidité et de l’indépendance par rapport au

domaine des méthodes statistiques. Cette indépendance se manifeste par l’absence

d’utilisation des ressources linguistiques spécialisées, les dictionnaires. Cependant

cette indépendance reste partielle et limitée, en effet les méthodes linguistiques

nécessitent une connaissance parfaite de la langue du corpus à traiter.

3.3.4. Evaluation des systèmes d’extraction des termes

L’évaluation des systèmes d’extraction des termes se focalise sur la qualité de la

terminologie obtenue par ce système. Elle ne prend pas en compte de nombreux

autres facteurs tels que la vitesse de traitement, la portabilité et la robustesse

(PAROUBEK et al, 2000) (DAILLE, 2002). Ces méthodes d’évaluation se basent

toutes sur un corpus, une liste de référence et des mesures statistiques.

3.3.4.1. Le corpus de référence

Le corpus de référence pour l’évaluation doit couvrir un domaine unique (PERY-

WOODLEY, 1995). Les documents du corpus doivent être monolingues et

suffisamment variés afin d’être représentatifs du domaine de spécialité du corpus.

3.3.4.2. La liste de référence

Il s’agit, d’une liste contenant des termes dits, de référence avec lesquels les

résultats obtenus par les systèmes d’extraction des termes sont comparés

(DAILLE, 2002). Cette liste peut être construite { partir d’un dictionnaire spécialisé

de même domaine que le corpus. Elle peut être aussi obtenue par l’extraction

manuelle des termes du corpus d’étude, celle-ci est effectuée par des experts du

domaine.

Cependant, un jugement humain d’un expert peut remplacer la liste de

référence, dans le cas où il s’agit d’évaluer un seul outil. En effet, si plusieurs

systèmes sont mis en compétition il est impossible de juger si l’expert n’a pas été

influencé par les résultats des évaluations précédentes.

3.4. Extraction des termes à partir des corpus bilingues et corpus multilingues

-79-

3.3.4.3. Les mesures statistiques

Traditionnellement, les mesures utilisées pour juger la justesse de l’extraction

des termes sont la précision et le rappel.

La précision permet d’évaluer le nombre correct de termes extraits et le rappel

permet d’évaluer la proportion des termes corrects qui n’ont pas été extraits

(DAILLE, 2002).

3.4. Extraction des termes à partir des corpus bilingues et

corpus multilingues

L’extraction des termes { partir des corpus bilingues consiste { extraire les

termes et leurs traductions. Il s’agit donc, d’identifier le terme dans une langue

source et une langue cible puis de faire la correspondance. La plupart des travaux

menés dans ce contexte visent la construction des ressources linguistiques

multilingues comme le dictionnaire Oxford-Hachette (ROBERTS el al, 1996) et le

dictionnaire bilingue canadien (GRUNDY, 1996). Dans (VERONIS, 2000), les

traitements effectués comportent deux étapes : une étape d’extraction de

terminologie monolingue et une étape d’alignement des termes extraits durant la

première étape.

L’extraction des termes à partir des corpus bilingues traitent deux types de

corpus, les corpus comparables et les corpus parallèles.

3.4.1. Extraction des termes à partir des corpus comparables

Les travaux qui se sont intéressés { l’extraction de termes { partir des corpus

comparables se basent sur la distribution contextuelle présentée dans la section

1.5.1.1, c’est-à-dire le regroupement des termes qui apparaissent dans des

contextes similaires. Selon M. Rajman (RAJMAN et al, 1992) le sens d’un terme

peut être décrit par sa distribution dans un ensemble de contexte. Ainsi, un terme

dans une langue l1 et un terme dans une langue l2 qui ont une distribution

contextuelle proche ont une forte probabilité d’être la traduction l’un de l’autre.

Par exemple si «médecin» et «infirmière» ont les mêmes distributions


-80-

contextuelles et si «doctor» et «nurse» ont des distributions similaires, si

« infirmière» est la traduction de «nurse». Alors «médecin» a une grande

probabilité d’être la traduction de «doctor».

Les méthodes présentées dans (CHIAO et al, 2002) (FUNG et al, 1998) (RAPP,

1999), sont fondées sur la distribution contextuelle. Elles consistent à déterminer

la distribution des termes dans différentes langues. Ces méthodes associent à

chaque terme un vecteur de contexte qui contient le contexte droit et le contexte

gauche. Le contexte droit (respectivement gauche) est l’ensemble des termes qui

occurrent avec le terme étudié et qui sont à droite (respectivement à gauche) de ce

terme. Le contexte est pris dans une fenêtre de longueur n mots. Ces vecteurs sont

ensuite traduits d’une langue { une autre en utilisant des ressources linguistiques

bilingues (CHIAO et al, 2002) (FUNG et al, 1998) (RAPP, 1999) (MORIN et al,

2004). Des calculs de similarité entre les vecteurs traduits et les vecteurs dans la

langue source sont effectués afin de déterminer les meilleurs vecteurs candidats à

la traduction. Ces calculs se basent sur des mesures statistiques.

Dans (DEJEAN et al, 2002), les auteurs reprennent la même démarche suivie

dans (CHIAO et al, 2002) (FUNG et al, 1998) (RAPP, 1999). Ils utilisent le thésaurus

MeSH, pour comparer le vecteur de contexte du terme à traduire avec le vecteur

des entrées dans le thésaurus. Cette comparaison se base sur le cosinus de l’angle

entre les vecteurs. L’étape précédente permet de déterminer les classes

conceptuelles associées au terme à traduire. Ensuite un modèle probabiliste est

utilisé pour estimer la probabilité que deux termes soient la traduction l’un de

l’autre.

3.4.2. Extraction des termes à partir des corpus parallèles

Divers travaux (VAN DER EIJK, 1993) (SMADJA et al, 1996) (DAGAN et al, 1997)

(RESNIK et al, 1997) (FUNG et al, 1997) (HIEMSTRA et al, 1997) (HIEMSTRA D.,

1998) (GAUSSIER, 1998) (EVEOL et al, 2005) se sont intéressés { l’extraction des

termes à partir des corpus parallèles. Ces corpus sont rares et ils sont limités à des

domaines de spécialités comme la médecine (CHIAO, 2004). Ils sont constitués des

textes et de leurs traductions. De ce fait, la qualité de la traduction des textes a une

influence directe sur la performance de l’extraction des termes { partir de ces

corpus.

Dans la majorité des travaux le processus d’extraction des termes { partir des

corpus parallèles est ramené à trois sous-processus (CHIAO, 2004). Deux

processus d’extraction des termes monolingues chacun dans une langue du corpus


-81-

parallèle et un processus de traduction ou d’alignement des termes. Dans ces

travaux les auteurs utilisent des outils d’extraction des termes { partir des corpus

monolingues fonctionnant sur les deux langues du corpus comme l’outil ACABIT

(DAILLE, 1994) disponible pour le français et l’anglais. Ensuite les termes sont

alignés sur la base des calculs statistiques qui tiennent compte des cooccurrences

et des positions attendues de ces termes.

3.4.3. Extraction des termes à partir des corpus multilingues

Contrairement aux corpus comparables et aux corpus parallèles, peu de travaux

sont menés sur l’extraction des termes { partir des corpus multilingues. Dans

(VERGNE, 2003), J. Vergne propose une méthode d’extraction des termes simples {

partir des corpus multilingues. Selon l’auteur, cette approche est caractérisée de

méthode endogène du fait qu’elle n’utilise aucune autre ressource linguistique que

le corpus lui-même. La méthode proposée se base sur l’observation de Zipf (ZIPF,

1949) et les séquences d’apparition des mots vides et des mots pleins.

L’observation de Zipf précise que« les mots vides sont fréquents et courts et les

mots pleins sont rares et longs ». De plus, les mots vides et les mots pleins se

distribuent dans le texte suivant des séquences prédéterminées par la langue. J.

Vergne considère que dans un texte, on ne peut trouver que deux types de

séquences : la séquence PVP (P pour mot plein et V pour mot vide) et la séquence

PVVP. La séquence PVP est repérée par son profil long-court-long sur la longueur

de termes et rare-fréquent-rare sur la fréquence. La séquence PVVP est repérée

par son profil caractéristique long-court-court-long et rare-fréquent-fréquent-rare.

Le corpus est analysé afin d’extraire les données lexicales. Pour chaque mot, on

calcule sa fréquence, sa longueur et les positions occupées dans le texte. Ensuite les

deux types de séquences sont recherchés en se basant sur leurs profils. Prenons

comme exemple le segment de texte : « Manifestazioni per la pace in tutto il

mondo »,

Manifestazioni Per la pace in tutto Il mondo

Longueurs 14 3 2 4 2 5 2 5

Profils long court court long long court Long

Effectifs 1 10 207 2 62 3 19 3

Profils rare fréquent fréquent rare rare fréquent Rare

déductions Mot vide

Mot vide

Mot vide

Tableau 3.2 – Exemple de données lexicales utilisées par J. Vergne (VERGNE, 2003)

L’outil donne en sortie le résultat suivant :

3.5. Structuration des termes en classes : les concepts

-82-

Figure 3.2 Exemple de sortie de la méthode de J. vergne

Où chaque mot est symbolisé par un ovale blanc pour les mots vides, et un ovale

noir pour les mots non vides.

Ainsi la méthode proposée dans (VERGNE, 2003), permet d’affecter { chaque

mot une catégorie. Un mot est catégorisé soit vide soit plein. Le processus de

catégorisation examine les mots dans leurs contextes d’apparition : la phrase. Par

conséquent, le même mot peut être catégorisé plein dans un contexte et vide dans

un autre.


Dans les travaux de l’extraction des connaissances { partir de textes il n’existe

pas une définition exacte de la notion de concept. Un terme spécifique qui décrit

une partie d’un domaine est souvent appelé concept. Un terme est généralement

porteur de sens ou significatif dans un corpus spécialisé. Ces termes sont utilisés

dans des applications liées au traitement automatique des langues telles que

l’indexation, la génération automatique des résumés et les systèmes de questions

réponses.

Dans le dictionnaire Larousse, le terme concept est défini comme l’ « Idée

générale et abstraite que se fait l’esprit humain d’un objet de pensée concret ou

abstrait, et qui lui permet de rattacher à ce même objet les diverses perceptions

qu’il en a, et d’en organiser les connaissances ».

Ainsi, le terme concept est souvent utilisé comme se référant à toute notion, de

l’idée au lexème, en passant par l’entité et la catégorie. Selon L. Medin (MEDIN,

1989), un concept est une idée qui inclut tout ce qui est caractéristiquement

associé à elle.

La majorité des travaux effectués dans ce domaine se basent sur l’analyse

distributionnelle ou la distribution contextuelle. Ils se basent sur l’idée que si deux

termes ont des distributions similaires alors ils font partie d’un même concept.

3.5.1. La distribution contextuelle

La distribution contextuelle d’un terme dans un corpus peut être définie par les

différents contextes d’utilisation de ce terme dans le corpus (OUESLATI, 1999).


-83-

Considérons les représentations formelles suivantes des premières phrases d’un

corpus (les termes sont représentées par les symboles Ti) :

1) T1 T2 4) T3 T2 T5 7) T5 T4 T3 2) T3 T4 T1 5) T3 T4 T5 8) T3 T2 T1 3) T5 T2 T3 6) T1 T4

D’après ces phrases la distribution de T2 par exemple sera : (T1), (T5-T3), (T3-

T5), (T3-T1) et celle de T4 sera :(T3-T1), (T3-T5), (T1), (T5-T3).

On remarque que les termes T2 et T4 ont les mêmes distributions. On peut

supposer que ces deux termes font partie d’une même classe et par conséquent, ils

appartiennent au même concept.

3.5.2. Les travaux de P. Resnik

Les travaux de P. Resnik (RESNIK, 1993) (RESNIK, 1995) exploitent l’analyse

distributionnelle en remplaçant les termes de contexte par leurs classes

sémantiques afin de mettre en évidence les relations sémantiques associées. Le

corpus utilisé par P. Resnik est étiqueté et lemmatisé. Ensuite, et un algorithme de

désambigüisation des groupes nominaux est utilisé. Ainsi, on peut déterminer dans

une structure (verbe+nom), la classe sémantique la plus pertinente pour le terme.

Ces classes sont obtenues en exploitant les liens génériques de WordNet (MILLER

et al, 1990).

Exemple : les termes « infirmier » et « docteur » sont remplacés par la classe

« profession de santé » de WordNet.

3.5.3. Les travaux de E. Riloff

Dans le cadre de ces travaux d’extraction d’information, E.Riloff (RILOFF, 1993)

utilise le même principe présenté dans les travaux de P. Resnik. Ainsi, la méthode

proposée, consiste { générer des patrons syntaxiques des instances d’une classe

dans un corpus spécialisé. E. Riloff cherche à extraire des schémas d’extraction de

membre de classes conceptuelles en utilisant un dictionnaire contenant un

ensemble de termes associés à un concept. Pour une classe conceptuelle donnée et

un terme instance de cette classe, il effectue une analyse syntaxique sur toutes les

phrases qui contiennent ce terme pour proposer un schéma candidat et de repérer

un autre terme comme instance de la classe conceptuelle.

3.6. Extraction des relations sémantiques

-84-

Exemple :

Classe: cibles des terroristes

Terme de la classe : ambassade

Patron défini: (Instance de la classe) a été bombardée

Instance du Patron: l’ambassade a été bombardée

Dans la phrase : Maison Blanche a été bombardée

Résultat : « Maison Blanche » appartient à la classe des « cibles des terroristes ».

La distribution contextuelle est utilisée dans les processus de construction des

ressources linguistiques de corpus en examinant les contextes d’apparition des

mots dans ce corpus afin de former les classes conceptuelles associées: les

concepts.


La majorité des travaux liés { l’extraction des relations sémantiques à partir des

corpus textuels, ont été effectuées dans des cadres de construction et

d’enrichissement des ontologies ou des thésaurii. Ils s’intéressent { l’extraction de

deux types de relation : les relations hiérarchiques et les relations non-

hiérarchiques (PUNURU, 2008).

3.6.1. Extraction des relations hiérarchiques

Les techniques existantes d’extraction et de repérage des relations

hiérarchiques se basent sur des patrons syntaxiques ou lexico-syntaxiques. Dans

un premier temps, un ensemble de patrons lexico-syntaxiques est défini (un pour

chaque relation). Dans un deuxième temps, ces patrons seront projetés sur le

corpus de texte afin de repérer les instances des relations. La construction des

patrons lexico-syntaxiques est alors une étape préliminaire afin de découvrir les

relations dans un corpus. Précisément, il s’agit d’une acquisition des marqueurs de

relations à partir du corpus étudié.

3.6.1.1. Les travaux de M. Hearst

M. Hearst (HEARST, 1992) dans ses travaux sur l’extraction des liens

d’hyperonymie { partir de textes, propose la méthode itérative suivante :

1. Sélectionner le type de relation R,

2. Etablir une liste de termes pour lesquels on a identifié cette relation,

3. Trouver dans le corpus des phrases où les termes reliés sont co-occurrents,


-85-

4. Trouver les régularités dans ces phrases et faire l’hypothèse que ces

phrases sont la base de formules ou patrons qui indiquent la relation

étudiée,

5. Si un nouveau patron a été repéré et validé, utiliser ce patron pour trouver

d’autres couples en relation et revenir en (2).

Exemple :

PS.N° Patron Syntaxique Relation d’ hyperonymie

1

2

3

4

Tableau 3.3 – Les patrons utilisés par Hearst pour l’extraction de l’hyperonymie

Le Tableau 3.3 présente les patrons utilisés dans pour l’extraction de la relation

d’hyperonomie. Dans ces patrons NP désigne un groupe nominale est noté.

Par exemple, la phrase: «The bow lute, such as the Bambara ndang, is plucked

and has an individual curved neck for each string», satisfait le patron 1 du Tableau

3.3. Dans cette phrase, NP0 correspond a «bow lute» et NPn correspond a

«Bambara ndang». La relation ainsi extraite est :

Hyperonymie (« Bambara ndang », « bow lute »)

La méthode, présentée par M. Hearst fournit des résultats jugés pertinents pour

la relation d’ hyperonymie. Cependant, l’auteur signale les difficultés pour la

généralisation de ce type de méthode { d’autres relations comme la relation de

méronymie et souligne qu’elle obtient de bons résultats pour l’identification de

relations spécifiques.

La méthode présentée par M. Hearst a été reprise dans de nombreux travaux

d’extraction des relations { partir du corpus (ROUSSELOT et al, 1996) (MORIN,

1999) (SEGUELA et al, 1999) (CONDAMINES et al, 2000). Ces travaux partent du

même principe : la découverte de schémas lexico-syntaxique dans un corpus. Ils

effectuent une recherche itérative dans le corpus textuel des marqueurs d’une

relation donnée et des couples de termes qui entrent dans cette relation.


-86-

3.6.1.2. Les travaux de E. Morin et C. Jaquemin

Dans le même but d’extraire des relations d’hyperonymie, le système présenté

par E. Morin et C. Jaquemin (MORIN et al, 2004) est une association de :

1. Promothee : outil de structuration de termes simples en réseaux

sémantiques (MORIN, 1999a)

2. ACABIT : outil d’extraction de termes composés (DAILLE, 1996)

3. FASTR : outil de détection des variations morphosyntaxiques des termes

dans le corpus (JACQUEMIN, 1996)

Figure 3.3- vue d’ensemble du système proposé par E. Morin et C. Jaquemin (MORIN et al, 2004)

Pour trouver les relations entre les termes dans différentes phrases, le système

tente d’identifier les variations des termes pour lesquels les relations sont déj{

déterminées. Par exemple, si la relation hiérarchique entre «fruits» et « pomme»

est connue, alors la relation entre les termes composés «jus de fruits» et «jus de

pomme» est également marquée comme une relation hiérarchique. Les relations

sémantiques entre les termes composés t1t2 et t1’t2’, se référant { des relations

sémantiques entre les termes simples qui les constituent, sont marquées si l’une

des trois contraintes suivantes est satisfaite :

1. une relation sémantique est connue entre t1 et t2 et/ou t1’et t2’,

2. il existe un schéma de relation dans lequel t1 et t2 sont des têtes et t1’et

t2’sont des arguments,

3. il existe une relation sémantique connue entre t1t2 et t1’t2’.

3.6.1.3. Les travaux de R. Snow

Dans (SNOW et al, 2004), R. Snow propose une méthode d’apprentissage

supervisée qui utilise les dépendances des chemins afin de chercher des patrons


-87-

syntaxiques pour l’extraction des relations d’ hyperonymie. Ces dépendances des

chemins sont générées par des parseurs d’arbres de dépendance. Un parseur de

dépendance produit un arbre des dépendances qui représente les relations

syntaxiques entre les termes d’une liste de la forme (LIN et al, 2001): (terme1 :

catégorie1 : Relation : catégorie2 : terme2). Dans cette liste :

les termes sont les formes singulières (les lemmes) des termes trouvés dans les phrases, par exemple « auteurs » devient « auteur », et ils correspondent { un nœud dans l’arbre de dépendance.

les catégories sont les catégories grammaticales des termes considérés, par exemple nom et préposition.

les relations sont les relations syntaxiques réalisées entre les termes, par exemple, la relation «objet » et la relation «modifier », et correspondent à des liens spécifiques dans l’arbre.

Dans l’arbre de dépendance, l’ensemble des plus courts chemins de longueur

inférieure { cinq définit l’ensemble des patrons syntaxiques des relations

sémantiques. La Figure 3.4 montre l’arbre de dépendance pour le fragment de la

phrase « ...such authors as Herrick and Shakespeare» générés par le parseur

MINIPAR29 (LIN, 1998).

Figure 3.4- Exemple d’arbre de dépendance généré par MINIPAR (SNOW et al, 2005)

D’autres techniques d’extraction des relations hiérarchiques à partir des corpus

sont présentées dans (FOTZO et al, 2004) (RYU P et al, 2004) (KASHYAP et al,

2004). Les techniques présentées dans (RYU P et al, 2004) (KASHYAP et al, 2004)

sont spécifiques aux corpus spécialisés couvrant le domaine de la médecine. Dans

(FOTZO et al, 2004), les auteurs utilisent des règles de subsumption dans une

collection de documents afin de trouver les relations hiérarchiques. Pour repérer

la relation d’hyponymie entre deux termes t1 et t2, les auteurs utilisent la

fréquence relative. Cette fréquence relative consiste à comparer le nombre des

documents contenant t1 et t2 au nombre des documents contenant t2 seul.

29 http://www.cs.ualberta.ca/~lindek/minipar.htm


-88-

3.6.2. Extraction des relations non- hiérarchiques

En général, l’identification des relations non-hiérarchiques consistent à trouver

dans un premier temps les paires ou les couples de termes qui forment les

arguments d’une relation. Et dans un deuxième temps l’identification de l’étiquette

pour la relation sémantique qui relie les termes arguments de la relation. Par

exemple, dans le couple (« société », « produit »), l’étiquette de la relation peut être

de « vendre », « fabrication », ou « consommer ».

Les travaux menés sur l’extraction des relations non-hiérarchiques à partir de

corpus textuels, se sont limités à un certain nombre de relations. Dans la suite

nous présentons deux relations : la relation de causalité et la relation partie-de.

3.6.2.1. La relation de causalité

Le système COATIS élaboré par D. Garcia (GARCIA, 1998) a pour but le repérage

des relations de causalité dans le corpus textuel. Ce système utilise des schémas de

relations comprenant vingt-cinq relations de causalité, par exemple «créer»,

«empêcher», «faciliter» ou «pousser-{» dont l’élaboration se base sur le modèle

proposé pour l’anglais par L. Talmy (TALMY, 1988). La technique utilisée consiste

{ déclarer puis repérer un ensemble d’indicateurs linguistiques de la causalité,

appelés « marqueurs de la relation ». Ces marqueurs sont en général des verbes,

tels que « provoquer » ou « causer ». Et aussi des verbes tels que « gêner »,

« modifier » ou « contribuer », dont la valeur sémantique causale est confirmée par

la coprésence dans le texte d’indices linguistiques complémentaires aux

indicateurs. Les termes arguments, cause et effet, sont identifiés de la même façon,

mais en utilisant d’autres indicateurs linguistiques.

Cette même démarche a été reprise par E. Cartier (CARTIER, 1997) pour

l’identification des définitions et par B. Goujon (GOUJON, 1999) pour la veille

technologique en anglais.

Dans (GIRJU et al, 2002), R. Girju présente une technique semi-automatique

d’extraction des patrons syntaxiques de la relation cause-effet. Cette technique

relie un corpus volumineux à WordNet. La méthode proposée consiste à

sélectionner à partir de WordNet un ensemble de couples de noms pour lesquels la

relation cause-effet est identifiée. Par la suite, l’ensemble des couples est projeté

dans le corpus afin de repérer les phrases dans lesquelles un couple est présent.

Les phrases repérées sont de la forme < NP1 verbe | verbe expression NP2 >, où

NP1 et NP2 sont des groupes nomineaux. Un filtrage des couples de noms est

effectué. Il ne conserve que les couples dont le second argument appartient { l’une


-89-

des classes de WordNet «action de l’homme», «phénomène», «état», «fonction

psychologique», et «événement». Les noms qui correspondent à NP1 doivent être

une sous-classe de la classe «agent causal».

3.6.2.2. La relation partie-de

De nombreux travaux (BERLAND et al, 1999) (GIRJU et al, 2003) (TURNEY,

2006) ont été intéressés par l’extraction de ce type de relation. Ils se basent tous

sur les patrons syntaxiques. Ces travaux différent par la manière avec laquelle

s’effectue l’extraction des patrons.

Dans (BERLAND et al, 1999), M. Berland présente une technique d’extraction de

la relation partie-de { partir d’un large corpus textuel anglais. L’auteur utilise deux

indicateurs linguistiques : «basement» et «building», pour extraire les phrases

dans lesquelles ces indicateurs sont présents. A partir de ces phrases, l’auteur

extrait les patrons des relations. Après une validation manuelle, deux patrons ont

été retenus. Les patrons sont ensuite projetés dans le corpus pour extraire d’autres

paires reliées par la même relation. Les paires extraites sont triées en utilisant une

métrique statistique se basant sur la probabilité conditionnelle.

Les travaux par R. Girju (GIRJU et al, 2003) peuvent être présentés, comme une

extension des travaux de M. Berland (BERLAND et al, 1999). R. Girju fait une

analyse syntaxique du corpus, le corpus : TREC-9. Cette analyse permet l’extraction

de trois patrons de la relation partie-de. Ces patrons sont représentés dans le

Tableau 3.4.

PS.N° Patrons syntaxiques

1 NP1 of NP2

2 NP1’s NP2

3 NP1 Verb NP2

Tableau 3.4 – Les patrons extraits par R.Girju

Pour identifier les paires valides susceptibles d’être des arguments de la

relation « partie-de » ,l’auteur extrait les phrases du corpus satisfaisant l’un des

patrons retenus. Ensuite, il utilise une technique d’apprentissage supervisée basée

sur l’algorithme de l’arbre de décision C4.5 (QUINLAN, 1993) pour l’apprentissage

des contraintes sémantiques. En cas d’ambigüité, l’auteur remplace les termes

ambigus par des classes plus spécifiques de WordNet.

3.7. Conclusion

-90-


Malgré le grand nombre de travaux qui se sont intéressés { l’extraction des

relations sémantiques entre les termes et entre les concepts, cette tâche reste

toujours une tâche difficile à réaliser. Les différentes techniques proposées dans

ces travaux, sont basées sur les patrons syntaxiques des relations. Ces patrons

doivent être définis manuellement, et ensuite projetés dans le corpus spécialisé

afin d’extraire d’autres patrons { partir des phrases satisfaisant les patrons de

départ. La contrainte majeure de ces approches est qu’elles nécessitent un effort

manuel non négligeable pour chaque domaine. Elles ne sont pas donc adaptables à

d’autre domaine (JACQUEMIN, 1996).

3.6.2.4. Discussion

Dans le cadre bilingue, l’extraction des termes consiste à extraire les termes et

leurs traductions. On distingue deux types de corpus : les corpus parallèles et les

corpus comparables. Les corpus parallèles contiennent des couples de textes dont

l’un et la traduction de l’autre. Les textes comparables sont des textes de langues

différentes regroupés selon les domaines. Contrairement aux corpus comparables

les corpus parallèles sont rares et limités à des domaines spécifiques. Ils sont

généralement de petite taille comparés aux corpus monolingues. La qualité des

connaissances extraites à partir de ces corpus dépend essentiellement de la qualité

de traductions effectuées pour les obtenir. Les corpus comparables sont plus

disponibles que les corpus parallèles et ils sont de bonne qualité. En effet, aucune

transformation linguistique de ces corpus n’a été réalisée. Le processus

d’extraction de termes { partir des corpus bilingues est ramené { un problème

d’extraction des termes monolingues ou { un problème d’identification de la

traduction d’un terme.

Les corpus multilingues, sont des mélanges de documents textuels écrits dans

différents langues. Les langues de ces documents sont inconnues au moment du

traitement, ce qui rend l’adaptation des modèles linguistiques très difficile. Ce qui

explique le nombre limité des travaux qui sont intéressés { l’extraction des

connaissances à partir des corpus multilingues.

3.7. Conclusion

En raison des caractéristiques non formelles des langages naturels, la tâche

d’extraction des connaissances { partir des documents textuels est une tâche

difficile. Cette tâche consiste à extraire les concepts et les relations entre ces

3.7. Conclusion

-91-

concepts. Elle vise deux domaines d’application la construction des ressources

linguistiques et l’indexation sémantique des documents textuels.

L’extraction des concepts consiste à extraire les termes et regrouper les termes

sémantiquement proches en classes. L’extraction des relations consiste { repérer

des couples de termes sémantiquement reliés par une relation spécifique au

domaine du corpus d’étude.

Les approches existantes se basent sur des calculs statistiques: les fréquences,

les cooccurrences, les indices d’association, (etc.) et sur des patrons linguistiques

ou schémas de relation. Ces patrons sont construits manuellement pour chaque

relation du domaine. Le patron d’une relation doit être reconstruit si on change de

langue. En effet, Il est spécifique à une relation dans une langue donnée

(JACQUEMIN, 1996). Les résultats obtenus par ces approches sont jugés

satisfaisants. Ces approches traitent des corpus monolingues et bilingues. Dans la

majorité des travaux, les corpus sont étiquetés et lemmatisés.

Dans un contexte multilingue, les approches traitant des corpus bilingues et

monolingues ne sont pas directement applicables. En effet, ces approches ne sont

pas portables d’une langue { une autre et ne peuvent pas être généralisées dans un

contexte où les langues des documents sont mélangées.

Dans la littérature, on remarque que peu de travaux se sont intéressés à

l’extraction des connaissances à partir des corpus multilingues.

Ce chapitre était consacré { l’état de l’art des techniques d’extractions des

descripteurs à partir des documents textuels. Nous avons ainsi présenté les

méthodes statistiques, les méthodes linguistiques et les méthodes hybrides. Nous

avons aussi donné un aperçu des travaux liés aux corpus multilingues.

Le chapitre suivant présente la démarche que nous avons élaborée pour

l’extraction des concepts et des relations entre les concepts { partir des corpus

multilingues. Cette méthode permet de décrire chaque document par les concepts

et des relations constituant : un graphe conceptuel.

-93-

UNE METHODE STATISTIQUE ET

ONTOLOGIQUE D’EXTRACTION DES

CONCEPTS ET DES RELATIONS A

PARTIR DE CORPUS MULTILINGUES

Résumé

Nous présentons dans ce chapitre une nouvelle approche d’extraction

automatique des descripteurs sémantiques à partir des documents

multilingues. Étant donné la diversité des langues ainsi que leurs

complexités nous restreignons l’application de notre approche sur la

langue anglaise et les langues latines. Les descripteurs extraits sont les

concepts et les relations sémantiques entre concepts. L’approche consiste

à extraire tout d’abord les termes simples et les termes composés.

Ensuite, ces termes sont transformés en concepts. Enfin les relations

entre ces concepts sont extraites.

-95-

Chapitre 4

Une méthode statistique et ontologique

d’extraction des concepts et des relations à

partir des corpus multilingues

4.1. Introduction

Dans ce chapitre, nous présentons notre méthode d’extraction des descripteurs

sémantiques à partir des corpus multilingues. Nous proposons une méthode qui

permet l’extraction des concepts et des relations sémantiques entre ces concepts.

Ces descripteurs reflètent au mieux le contenu de chaque document du corpus

multilingue.

Nous fixons pour cela trois objectifs dans le premier consiste à extraire les

termes à partir des documents du corpus. Ces termes sont les manifestations

linguistiques des concepts dans le texte. Le deuxième consiste à identifier les

concepts dénoté par les termes précédemment extraits. Le troisième est

l’extraction des relations entre les concepts.

Afin d’atteindre le premier objectif nous se basons sur une technique statistique.

Le choix d’une technique statistique se justifie par le fait que les techniques

linguistiques sont dépendantes des langues. Ces techniques utilisent des

propriétés de la langue naturelle, telles que utilisées dans XTRACT pour le

repérage des termes composés. Ces propriétés sont spécifiques à la langue du

corpus. Elles sont extraites d’une manière locale. De ce fait, elles nécessitent une

redéfinition ou une traduction { chaque fois qu’on veut les appliquer sur un autre

corpus. Pour atteindre le deuxième et le troisième objectif nous faisons appel à une

ressource sémantique externe.

Avant de détailler notre méthode, nous présentons les fondements théoriques

sur les quelles elle se base, à savoir : la spécificité lexicale du corpus et les

distances intertextuelles, la loi de Zipf (ZIPF, 1949) et la conjecture de Luhn

(LUHN , 1958).

4.2. Fondements théoriques

-96-


4.2.1. La spécificité lexicale du corpus et les distances intertextuelles

La spécificité lexicale d’un corpus s’intéresse au dépistage des contenus qui

caractérise ce corpus. Elle permet d’identifier les formes lexicales qui marquent la

spécificité du vocabulaire utilisé le corpus (DUCHASTEL et al, 1992). De

nombreux travaux se sont intéressés aux spécificités lexicales des corpus. Ils

procèdent à une comparaison des vocabulaires utilisés dans deux corpus afin de

déterminer le degré de ressemblance ou de divergence du vocabulaire de l’un par

rapport au vocabulaire de l’autre. Le vocabulaire d’un corpus est l’ensemble des

mots différents utilisés dans ce corpus. Dasns (LAFON, 1980) (LEBART et al, 1988)

(LEBART et al, 1988) (LEBART et al, 1994) (LEBART et al, 1994) les auteurs

utilisent un corpus de référence afin d’extraire les termes d’un corpus d’analyse. Le

corpus de référence est un corpus général, non spécialisé composé d’articles de

journaux. Le corpus d’analyse est un corpus technique. Pour chaque terme du

corpus d’analyse, les auteurs calculent la différence entre la fréquence théorique,

obtenue à partir du corpus de référence et la fréquence observée dans le corpus

d’analyse. Dans (SAGER, 1980), les auteurs procèdent à une extraction du

vocabulaire spécifique du domaine d’un corpus. Ils se basent sur le fait que dans un

corpus spécialisé le vocabulaire spécifique au domaine est plus fréquent comparé à

son utilisation dans un corpus non spécialisé.

Dans le même principe de comparaison du vocabulaire des corpus, des travaux

ont été effectués qui traitent le problème du degré de ressemblance ou de

dissemblance entre deux textes: la distance intertextuelle. Dans (BAAYEN et al,

1996) (BAAYEN et al, 1996) (HOLMES, 1995) (LABBE et al, 2001) (LABBE et al,

2001) (RUDMAN , 1998), les auteurs utilisent la distance intertextuelle afin de

déterminer l’auteur d’un texte. Ils cherchent à répondre à la question : étant donné

un texte dont l’auteur est inconnu, peut-on déterminer, avec un degré de certitude,

l’auteur de ce texte (LABBE et al, 2006). La distance intertextuelle est utilisée aussi

pour construire, de manière automatique, des collections homogènes selon

différents points de vue : vocabulaires, genres et thèmes. Ces collections sont

constituées à partir de vastes ensembles de textes électroniques disponibles.

Les calculs de distance intertextuelle sont inspirés d’indices de Jaccard

(HUBALEK, 1982). Dans ces calculs, on compte la présence ou l’absence des mots

dans les textes comparés. Dans (LABBE et al, 2003) (LABBE et al, 2006), deux

formules de calcul des distances textuelles ont été proposées. Elles se basent sur le


-97-

raisonnement suivant : pour deux textes A et B, la distance intertextuelle entre A et

B est la réunion de A et B moins l’intersection de A et B.

Figure 4.1- la distance intertextuelle

(4.1)

(4.2)

Où

: le vocabulaire du texte A,

: le vocabulaire du texte B,

: la fréquence du mot i dans le texte A,

: la fréquence du mot i dans le texte B,

: nombre de mots du texte A,

: nombre de mots du texte B.

On remarque que: les formules (4.1) et (4.2) sont équivalentes si les textes sont

de même taille : Na = Nb. Si les deux textes comparés ne partagent aucun mot, les

formules (4.1) et (4.2) donnent un indice de 1. Ces calculs sont indépendants des

langues des textes.

Nous nous inspirons des travaux sur la spécificité lexicale et les distances

textuelles afin de proposer une méthode d’extraction automatique des termes

simples. L’utilisation d’une distance lexicale nous évite de déterminer des seuils

comme utilisés dans la loi Zif et la conjoncture de Luhn. Aussi, le calcul de cette

distance est indépendant de la langue. En effet, ce calcul se base sur une mesure

quantitative (les fréquences).

A cette étape, nous ne sommes intéressés que par les fréquences des mots. On

ne fait pas d’analyse syntaxique ou sémantique des documents du corpus. Les mots

sont pris comme des variables qualitatives sur lesquelles on effectue des


-98-

traitements purement statistiques. Dans la littérature, les travaux sur les

spécificités lexicales et les distances intertextuelles ont été réalisés sur des corpus

monolingues. Le repérage du vocabulaire spécialisé a été effectué uniquement sur

des corpus écrits dans la même langue. Dans notre travail, nous cherchons à

déterminer le vocabulaire d’un corpus multilingue. Dans (FERRET et al, 2001), les

auteurs utilisent les mêmes techniques afin d’identifier les variations thématiques

dans des corpus monolingues. Ils visent l’identification du domaine traité par les

documents du corpus. Dans notre cadre d’étude, le domaine du corpus est connu et

nous connaissons la spécialité traitée par les documents du corpus.

Nous proposons une nouvelle technique basée sur « la distance intertextuelle

interdomaine ». Cette dernière mesure reprend à la fois la notion de spécificité et

la notion du vocabulaire : le vocabulaire spécifique à un domaine. Dans notre

approche nous utilisons un corpus d’appui afin d’extraire les termes pertinents {

partir d’un corpus multilingue. Le corpus d’appui est multilingue et au moins

toutes les langues du corpus d’étude doivent être présentes dans le corpus d’appui.

Les domaines du corpus d’appui et du corpus { analyser doivent être disjoints.

4.2.2. La loi du moindre effort : Loi de Zipf

En 1935, le linguiste de H.G Zipf (ZIPF, 1949) a constaté que les mots dans un

document se distribuent en suivant une loi. Il vérifie manuellement que dans un

corpus textuel, la fréquence (f) d’un mot est inversement proportionnelle { son

rang (r). Le rang d’un mot est sa position dans la liste des fréquences triées dans

l’ordre décroissant des mots du corpus. Dans cette liste le mot le plus fréquent est

de rang 1. La loi portant son nom est formellement exprimée de la manière

suivante :

(4.3)

Où

: un mot,

: l’ensemble des mots du corpus C,

: la fréquence du mot dans le corpus,

: le rang du mot dans la liste ordonnée décroissante des

fréquences des mots du corpus.

La loi de Zipf se vérifie dans de nombreux autres domaines tels que, la

répartition de la population des villes d’un état (HILL, 1970) (BRACKENRIDGE,


-99-

1978) et la répartition des pixels dans une image (CARON et al, 2005). Concernant

le texte, la loi de Zipf implique que, les fréquences des mots pris dans l’ordre

décroissant décroît d’une manière exponentielle et ce indépendamment de la

langue du corpus.

4.2.3. Conjecture de Luhn

La conjecture de Luhn (LUHN , 1958) considère que l’importance d’un mot dans

un document est liée à sa fréquence. L’importance d’un mot est connue sous le

nom « l’informativité » ou « le pouvoir expressif ». Pour un document, les mots de

rang extrême, faible ou élevé, ont un pouvoir expressif limité. Contrairement aux

mots d’utilisation moyenne, ils sont pertinents et peuvent par la suite indexer un

document. Les mots de rang faible sont les mots les plus fréquents dans le

document. Ces mots reviennent souvent et ne permettent pas de distinguer les

documents les uns des autres. Les mots de rang élevé sont les mots rares. Ils sont

peu utilisés et n’ont pas de pouvoir expressif. Cette conjecture est schématisée par

les deux courbes de fréquence et de pouvoir expressif dans la Figure 4.2. Dans cette

figure seuls les mots de fréquence moyenne sont jugés pertinents. Les fréquences

de ces mots sont entre deux seuils de fréquence : fréquence des mots rares et

fréquences des mots fréquents.

Figure 4.2- la conjecture de Luhn : informativité des mots

4.3. Extraction des termes simples

-100-


Dans cette section, nous présentons la méthode proposée afin d’extraire

automatiquement les termes simples à partir des corpus multilingues. Comme

présentée dans la Figure 4.3 les étapes de cette méthode sont :

1. Le prétraitement des corpus

2. Le calcul de l’intersection des vocabulaires,

3. L’extraction des mots vides candidats,

4. La validation des mots vides candidats,

5. L’extraction des termes simples,

6. La pondération des termes simples.

Le détail de chaque étape sera présenté dans les sections qui suivent. Cette

approche se base sur la distance intertextuelle interdomaine et sur la loi de Zipf.

Nous commençons par définir la distance intertextuelle entre deux corpus…

Figure 4.3- Vue d’ensemble de l’approche proposée pour l’extraction automatique des les termes simples à partir des corpus multilingues


-101-

4.3.1.1. Le prétraitement du corpus

Le prétraitement du corpus est l’étape préliminaire pour identifier les données

lexicales à partir des textes des documents. Afin d’assurer l’adaptabilité de notre

modèle à de nouveaux corpus nous avons travaillé sur des textes bruts. Le

prétraitement consiste à segmenter le texte en phrases puis en mots en se basant

sur des délimiteurs.

Segmentation en phrases

Les textes sont segmentés en phrases en utilisant les marqueurs de

ponctuation: «.», «?» et «!». Nous n’avons pas traité les cas particuliers avec la

présence du point tels que : les adresses mail ([email protected]) et les

abréviations. La segmentation en phrases permet d’attribuer { chaque phrase du

document un identifiant, son rang d’apparition dans le document. Ces identifiants

des phrases sont utilisés dans les étapes ultérieures pour déterminer si deux

termes occurrents dans la même phrase.

Segmentation des mots

Il s’agit de segmenter les phrases en une suite de mots { l’aide des caractères

non-alphabétiques, «blanc», «tabulation», «.», «]», etc. Les dates et nombres ne sont

pas pris en compte dans la segmentation en mots.

4.3.1.2. Calcul de l’intersection des vocabulaires

Dans cette étape nous calculons l’intersection des vocabulaires de deux corpus

spécialisés. Cette intersection contient les mots qui sont partagés par les deux

corpus. Nous partons de la définition suivante d’un corpus spécialisé : «un corpus

spécialisé est un corpus limité à une situation de communication, ou à un domaine.

Il s’intéresse aux langages de spécialité et aux sous-langages. Selon Harris, ces sous

langages se caractérisent par un lexique limité et un nombre fini de schémas

syntaxiques» (Observatoire, 2006).

Selon cette définition les mots vides apparaissent dans l’intersection des

vocabulaires des deux corpus multilingues spécialisés, et de domaine

disjoints et . En effet, ces mots sont utilisés dans les deux corpus du fait qu’ils

sont d’usage général. Formellement, si et sont les vocabulaires des corpus A

et B alors (HARRATHI et al, 2009):

: est le vocabulaire de spécialité du corpus ,

: est le vocabulaire de spécialité du corpus ,


-102-

: est le vocabulaire qui n’est pas de spécialité (les domaines de

et sont disjoints) et donc c’est un vocabulaire d’usage général et

grammatical c’est-à-dire des mots vides.

Ainsi, nous définissions la distance intertextuelle interdomaine comme la

comparaison des vocabulaires de deux corpus spécialisés qui couvre deux

domaines disjoints.

Nous utilisons cette distance pour la catégorisation des mots en mots vides et

mots pleins.

4.3.1.3. Extraction des mots vides candidats

Un mot vide candidat est un mot susceptible d’être un mot vide. Dans cette

étape nous affectons à chaque mot une catégorie : vide ou plein. Les mots vides (ou

stop words en anglais) sont des mots qui sont communs à tous les textes dans une

même langue. Ils ont une utilité fonctionnelle. En français, les mots vides évidents

pourraient être « le », « la », « de », « du », « ce », « ça », etc. Dans un contexte

monolingue où tous les documents du corpus sont rédigés dans une même langue,

les mots vides sont principalement des mots caractéristiques de cette langue tels

que les pronoms, les prépositions, les articles, etc. dans ce contexte les mots vides

ont dits encore mots grammaticaux. Alors il est inutile de les indexer ou de les

utiliser dans un processus de recherche d’information. Dans un texte, un mot vide

est un mot non significatif contrairement à un mot plein.

Comme mentionné dans la section 4.3.1.2, les mots vides se trouve dans

l’intersection des vocabulaires de deux corpus. Dans le cas où les domaines

couverts par les deux corpus sont disjoints, l’intersection est formée par des mots

dont la majorité sont des mots vides. Ainsi, l’ensemble des mots vides candidats est

identifié par le calcul de l’intersection des deux vocabulaires de deux corpus

spécialisés qui couvrent de domaines disjointes.

A l’issu de cette étape nous obtenons la liste des mots vides candidats.

4.3.1.4. Validation des mots vides candidats

Dans l’étape précédente nous avons déterminé la liste mots vides candidats.

Cette liste est composé par les mots qui sont situés dans l’intersection des

vocabulaires des deux corpus. Cependant, cette liste ne contient pas seulement les

mots vides, mais on peut trouver aussi des mots de spécialité (des mots pleins). En

effet, deux domaines disjoints peuvent partager des mots ayant une sémantique

différente dans chaque domaine. Ainsi, un mot peut être utilisé dans différents

contextes ou différent domaine. A titre d’exemple, le mot « Laser » est utilisé dans

http://fr.wikipedia.org/wiki/Mot

http://fr.wikipedia.org/w/index.php?title=Commun&action=edit&redlink=1

http://fr.wikipedia.org/wiki/Article_d%C3%A9fini

http://fr.wikipedia.org/wiki/Article_d%C3%A9fini

http://fr.wikipedia.org/wiki/D%C3%A9terminant_%28grammaire%29



http://fr.wikipedia.org/wiki/%C3%87a

http://fr.wikipedia.org/wiki/Langue

http://fr.wikipedia.org/wiki/Pronom

http://fr.wikipedia.org/wiki/Pr%C3%A9position


http://fr.wikipedia.org/wiki/Mot_plein


-103-

le domaine de la médecine et dans le domaine de l’informatique. C’est pourquoi

nous passons par l’étape de validation des mots vides simples. L’objectif de la

validation est d’éliminer les parasites, résultat des partages des mots de spécialité

entre des domaines disjoints. Ainsi nous vérifions si un mot vide candidat est un

mot vide ou un mot de spécialité commun (mot plein). Dans cette étape nous

utilisons la loi de Zipf (ZIPF, 1949) et la conjecture de H. Luhn (LUHN , 1958).

Dans (GIGUET, 1998), l’auteur montre que l’application de la loi de Zipf (ZIPF,

1949) et la conjecture de Luhn (LUHN , 1958) permet d’obtenir deux listes de

mots : la liste des mots vides et la liste des mots pleins. La première liste contient

les mots à usage général. Cette liste regroupe les mots dont leurs fréquences sont

extrêmes. La deuxième est une liste regroupant les mots spécifiques au domaine :

les mots pleins. Ces mots ont une fréquence moyenne. Le repérage de ces deux

listes indépendant du type de corpus d’étude : homogénéité des documents et

leurs langues. Ces deux listes seront mieux distinguées dans un corpus de

documents traitant d’un même domaine que dans un corpus de documents

général. Dans (VERGNE, 2005), J. Vergne confirme qu’il est possible de construire

la liste des mots vides en se basant sur la loi de Zipf. Cette loi énoncée par G. K. Zipf

(ZIPF, 1949) considère que plus un mot est fréquent plus il est court30. Ainsi, la

liste des mots vides est construite sur la base des longueurs et des fréquences de

ces mots dans le corpus.

Dans cette étape de validation nous rejoignons les idées de J. Vergne (VERGNE,

2005). Ainsi, nous considérons comme mots vides les mots qui sont à la fois courts

est fréquents dans le corpus . Ce test est effectué sur les mots situés dans

l’intersection des vocabulaires du corpus d’appui et du corpus d’étude. A l’issue de

l’étape de validation un ensemble de mots vides est obtenu. Cet ensemble est

formé par : l’ensemble des mots présents dans le corpus d’analyse et absent dans

le corpus d’appui, et l’ensemble des mots qui apparaissent dans les deux corpus et

qui ne vérifient pas la loi de Zipf (ZIPF, 1949) .

A l’issu de cette étape on obtient une liste des mots vides.

4.3.1.5. Extraction des termes simples par élimination des mots vides

Afin d’extraire les termes simples, nous procédons par élimination des mots

vides. L’ensemble des mots du corpus est constitué de deux sous-ensemble : un

ensemble de mots vides et un ensemble de mots pleins. Nous considérons un mot

plein comme terme simple. Ainsi, les termes simples sont identifiés par

30 « the length of a morpheme tends to bear an inverse ratio to its relative frequency of occurrence »


-104-

l’élimination des mots vides de l’ensemble des mots qui composent le vocabulaire

du corpus.

4.3.1.6. Pondération des termes simples

Dans cette étape nous affectons à chaque terme un poids qui représente son

pouvoir discriminant et son pouvoir représentatif dans le document où il apparait.

En effet, un terme ne représente d’une manière adéquate le document que si son

degré d’importance dans ce document est significatif. Afin de pondérer ces termes

nous utilisons la mesure TF*IDF.

La mesure TF*IDF

En recherche d’information, la mesure TF*IDF permet d’affecter { chaque terme

un poids traduisant son importance dans un document par rapport à un corpus

(SINGHAL et al, 1997) (ROBERTSON et al, 1997) (SPARCK JONES , 1991) (SPARCK

JONES et al, 1976). Dans la littérature on distingue deux types de pondération : la

pondération locale et la pondération globale.

La pondération locale consiste à mesurer le pouvoir représentatif d’un terme

dans un document du corpus (BAZIZ, 2005). Elle utilise des informations locales du

terme dans un document donné. Cette pondération est calculée de la manière

suivante :

(4.4)

Où est le nombre d’apparition du terme i dans le document j et n est le

nombre d’apparition du terme k dans le document j. Le dénominateur est le

nombre d’occurrence de termes dans le document considéré. Et est l’ensemble

des termes dans le corpus.

D’autres formules ont été présentées. Elles ont pour objectifs d’atténuer les

effets de différences de fréquences entre les termes dont leurs fréquences sont

extrêmes. Dans ces formules la fréquence d’un terme dans un document est

normalisée. Elles procèdent par une division de la fréquence du terme considéré

par la plus grande fréquence observée dans le document. L’une de ces formules est

la suivante :

(4.5)


-105-

La pondération globale permet d’affecter { un terme une mesure reflétant son

importance dans le corpus des documents. Elle utilise des informations globales du

terme dans le corpus. Un terme qui apparait dans la majorité des documents est

moins utile pour distinguer les documents les uns des autres. Ainsi, un degré de

pertinence moins important doit être affecté à ce terme. De ce fait, cette

pondération est inversement proportionnelle à la fréquence dans le corpus. La

pondération globale souvent désignée par IDF (Inverse of Document Frequency).

Elle est calculée de la manière suivante :

(4.6)

Où est le nombre de documents contenant terme i et est le nombre total

des documents dans le corpus.

La pondération d’un terme i dans un document j est le produit de la pondération

globale du terme i dans le corpus par la pondération locale de ce terme dans le

document considéré. Elle détermine la pertinence d’un terme dans un document

d’un corpus donné. Cette pondération est désignée par TF*IDF. La formule de

calcul de cette mesure est la suivante :

) (4.7)

La pondération TF*IDF est une bonne évaluation de la pertinence d’un terme

dans un document du corpus. Cependant dans cette mesure les termes

appartenant aux documents longs sont plus favorisés que les termes qui figurent

dans les documents de petites tailles. En effet, dans un document long les mêmes

termes sont utilisés plusieurs fois d’une manière répétitive (SINGHAL et al, 1996) .

Afin de remédier à cette limite, dans (SINGHAL et al, 1997) (BUCKLEY et al, 1995)

(ROBERTSON et al, 1997) les auteurs proposent des formules de normalisation qui

prennent en compte la taille des documents et leurs variations dans le corpus.

Dans (CALLAN et al, 1992) les auteurs proposent de normaliser la pondération de

la manière suivante :

(4.8)

Où

: est la pondération locale du terme i dans le document j,


-106-

: est la longueur du document j,

: est la moyenne des longueurs des documents du corpus.

Cette dernière formule de calcul de la pondération d’un terme dans un

document est utilisée dans le système INQUERY de J. P. Callan (CALLAN et al,

1992).

Dans notre approche, la mesure TF*IDF n’a pas l’objectif d’éliminer des termes

simples qui ont été déj{ validés dans l’étape précédente. Mais, elle permet de trier

ces termes par ordre d’importance.

4.3.1.7. Algorithme d’extraction des termes simples

L’algorithme de notre approche d’extraction des termes simples { partir des

documents multilingue est le suivant :

Algorithme Extraction des Termes Simples

Entréé : Ca : corpus d’appui Ce : corpus d’etude Seuil_frequence : valeur du seuil de la fréquence Seuil_longueur : valeur du seuil de la longueur

Sortie : Lts : liste des termes simples du corpus Ce Lmve : liste des mots vides du corpus Ce Ltsp : liste des termes simples pondérés

Variables : Lmca : liste des mots de Ca Lmce : liste des mots de Ce Lm : liste des mots de l’intersection de Lmca et Lmce m : un mot doc : un document

Début // prétraitement

Lmca prétraitement(Ca) Lmce prétraitement(Ce)

//calcul de l’intersection Pour chaque mot m de Lmca faire

Si m est dans Lmce alors Ajouter m à Lm

Finsi Finpour

//Extraction des mots vides candidats Pour chaque m dans Lm faire

Ajouter m à Lmve Finpour

//validation des mots vides candidats Pour chaque mot m dans Lmve faire

4.4. Extraction des termes composés

-107-

Si fréquence (m) < Seuil_frequence ou longueur(m)> Seuil_longueur alors Supprimer m de Lmve

Finsi Finpour

//Extraction des termes simple Pour chaque mot m dans Lmca faire

Si m n’appartient pas à Lmve alors Ajouter m à Lts

Finsi Finpour

//pondération des termes simples

Pour chaque mot m dans Lts faire Pour chaque document doc du corpus Ce faire

Ajouter (Calculer la pondération de m dans doc) à Ltsp Finpour

Finpour Fin

Algorithme 1 : Extraction des termes simples et leurs pondérations


4.4.1. Extraction des termes composés basée sur l’information mutuelle

Pour désigner un nouveau concept dans un domaine, le principe est d’éviter de

créer un terme nouveau et ce qui engendrerait une explosion rapide du lexique

(HARRATHI et al, 2005). Ce nouveau terme, terme composé ou terme complexe,

est crée à partir de données lexicales préexistantes. Ces termes composés sont des

combinaisons de deux ou de plusieurs mots (SMADJA, 1993). Avec un nouveau

concept il n’y a pas de nouveaux termes mais il y’a des nouvelles combinaisons des

mots pour le désigner. Ces combinaisons sont des séquences de mots qui seront

considérés comme des nouveaux termes. C’est sur ce principe que se base notre

approche d’extraction de termes nouveaux, les termes composés ou construits {

partir de la liste de termes simples extraits dans l’étape d’extraction des termes

simples.

Dans la littérature on trouve de nombreuses définitions de la notion de termes

complexes intitulées « collection de mots » (HAUSMANN, 1979) (COWIE, 1981)

(BENSON, 1989) (SMADJA, 1993). Dans (BENSON, 1989), l’auteur propose la

définition : « une collection est une combinaison arbitraire et récurrente de mots ».

Dans cette définition l’auteur ne considère pas la fréquence d’utilisation de cette

collection. La fréquence d’apparition est prise en compte par F. SMADJA (SMADJA,


-108-

1993) qui énonce la définition suivante : « une combinaison récurrente de mots qui

se trouvent ensemble plus souvent que par le simple fait du hasard et qui

correspondent à une utilisation arbitraire ». Nous nous inspirons de cette dernière

définition de la notion de collection. Ainsi, nous considérons un terme composé

comme étant une combinaison itérative des mots qui apparaissent souvent

ensemble.

Comme mentionné dans l’état de l’art, trois approches ont été adoptées pour

l’extraction des termes composés { partir des documents textuels :

1. l’approche linguistique basée sur les patrons,

2. l’approche mixte,

3. l’approche statistique.

La première approche est basée sur les patrons syntaxiques. Elle est utilisée

dans le système LEXTER de D. Bourigault (BOURIGAULT, 1996). L’approche mixte

est un couplage de l’approche linguistique et l’approche statistique. Cette approche

est utilisée par B. Daille dans son prototype ACABIT (DAILLE, 1996). Afin

d’identifier les termes, ACABIT utilise dans un premier temps des patrons

syntaxiques : Nom+Adjectif, Nom+Nom, Nom+à(Det)+Nom, Nom+de(Det)+Nom

det enfin Nom+Prep+Nom. Dans un deuxième temps, les candidats termes sont

classés par ordre décroissant d’importance en se basant sur une mesure

statistique : le coefficient de vraisemblance (DUNNING, 1993). Les résultats

obtenus ont été jugés pertinents. Cependant, ACABIT ne permet pas l’identification

de termes composés qui ne commencent pas par un Nom. Aussi, il n’est pas

possible d’extraire des termes composés contenant plus de deux mots pleins tels

que « train à grande vitesse » et « ministère des affaires étrangères». Dans

(SMADJA, 1993), F. Smadja utilise l’approche statistique et propose le système

XTRACT. XTRACT procède en deux étapes pour extraire les termes composés. Dans

une première étape, XTRACT extrait l’ensemble des séquences de longueur deux

dont la mesure statistique dépasse une valeur de seuil prédéfinie par l’utilisateur.

Cette valeur de seuil est déterminée par l’expérience. Dans une deuxième étape,

XTRACT étudie le contexte de chaque séquence de mots de longueur deux retenue

et il repère les séquences de mots de longueur trois dont la probabilité de

cooccurrence de ses composants est supérieure à un certain seuil. Le processus est

itératif et termine lorsqu’aucun nouveau terme composé n’est repéré. XTRACT

présente une faiblesse majeure due { l’utilisation d’une valeur de seuil globale. En

effet, l’identification d’un terme composé de longueur n+1 dépend largement de

l’identification des termes complexes de longueur n. Par exemple l’identification

du terme « laboratoire de recherche » dépend de l’identification du terme


-109-

« laboratoire de ». Ce dernier terme possède une mesure très faible du fait de la

forte fréquence du mot « de » dans l’ensemble des documents et il ne sera

probablement pas retenu.

Dans notre approche nous adoptons la démarche F. Smadja (SMADJA, 1993) et

nous proposons une technique statistique qui permet d’identifier les termes

composés { partir d’un corpus de documents textuels multilingues. Cette approche

se base sur une variante de l’information mutuelle. Afin de résoudre le problème

de la construction des termes composés de longueur n+1 à partir des termes

composés de longueur n, nous proposons de ne pas prendre en compte la

fréquence d’un mot vide durant la construction. Par exemple pour le terme

« laboratoire de» la fréquence du mot vide « de » ne sera pas prise en compte et

elle sera substituée par la valeur de la fréquence du terme simple « laboratoire ».

Durant le processus d’extraction des termes composés, le terme « laboratoire de»

est marqué comme étant un « terme de construction ». Ce terme est supprimé à

l’itération suivante. Ainsi, nous définissons une nouvelle mesure : l’information

mutuelle adaptée. Pour un couple de mots ( l’information mutuelle adaptée

est calculée de la manière suivante :

(4.9)


-110-

Figure 4.4- Processus d’extraction des termes composés.

Le processus d’extraction des termes composés que nous utilisons est un

processus itératif et incrémental. Ce processus est composé de quatre étapes :

1. Initialisation de la liste des termes composés : dans cette étape la liste

des termes composés est initialisée à la liste des termes simple.

2. Découverte des nouveaux termes : elle consiste { calculer l’information

mutuelle adaptée entre un élément de la liste des termes composés et un

mot du corpus.

3. Ajout des nouveaux termes : dans cette étape les séquences formées par

les couples de mots dont la valeur de l’information mutuelle adaptée est

supérieure à un seuil sont ajoutés à la liste des termes composés. Les

séquences dont le deuxième mot est un mot vide sont marquées comme

termes de construction.

4. Suppression des termes de construction : elle consiste à supprimer les

termes constructions ajoutés pendant l’itération précédente.

Ce processus s’arrête si aucun terme composé n’est ajouté dans l’étape

3.L’algorithme de la méthode d’extraction des termes composés proposée est donc

le suivant :

Algorithme Extraction des Termes Composés

Entrée : Lts : liste des termes simples du corpus Ce


-111-

Lm : liste des mots du corpus Ce seuil_IMA: valeur du seuil de l’informations mutuelle adaptée

Sortie : Ltc : liste des termes composés du corpus Ce

Variables : m : un mot t : un terme Nouvelle_ découverte : booléenne

Début // initialisation de la liste des termes composés

Ltc Lts Répéter Nouvelle_ découverteFaux //Découverte des nouveaux termes

Pour chaque terme t de Ltc faire Pour chaque mot m de Lm faire

Calculer la valeur de l’IMA (t,m) Finpour

Finpour //Ajout de nouveaux termes

Pour tout terme t de Ltc faire Pour chaque mot m de Lm faire

Si la valeur de l’IMA (t,m) > seuil_IMA alors Ajouter concaténation (t, « », m) à Ltc Si m appartient à Lmv alors

Marquer (t, « », m) comme terme de construction Finsi Nouvelle_ découverteVrai

Finsi

Finpour Finpour

//Suppression des termes de construction Pour chaque terme t dans Ltc faire

Si t est un terme de construction ajouté à l’itération précédente alors Supprimer t de Ltc

Finsi Finpour

Jusqu'à (Nouvelle_ découverte=Faux) Fin

Algorithme 2 : Extraction des termes composés

4.4.2. Pondération des termes composés

A cette étape nous cherchons à affecter à chaque terme composé extrait dans

l’étape précédente une pondération qui reflète son importance dans le document.

Dans (BAZIZ, 2005) (BAZIZ et al, 2007), l’auteur affirme que les termes composés


-112-

ont en général un seul sens même si les termes qui les composent ont plus qu’un

seul sens. Par la suite, ces termes ne requièrent pas de désambiguïsation

sémantique. Ils sont sémantiquement plus riches que les termes simples qui les

composent. Ainsi, nous proposons une nouvelle mesure de pondération qui

favorise les termes composés, que nous appelons (CTF pour Compound

Term Frequencey). Nous pensons que plus le terme composé est long, plus il est

expressif et non ambigü. La pondération d’un terme composé dans un document

dépend de quatre facteurs : la fréquence du terme composé dans ce document, la

fréquence du terme composé dans le corpus, les pondérations des termes simples

qui le composent et la longueur du terme composé. Dans la mesure proposée nous

prenons en compte ces quatre facteurs. Les trois premiers facteurs sont

représentés par la mesure classique . La pondération d’un terme

composé est proportionnelle à sa longueur. Nous augmentons la valeur de cette

pondération par . La mesure est donc exprimée en

fonctions de ces facteurs de la manière suivante :

(4.10)

Où

: un terme composé,

: un document,

: un terme simple,

: la pondération du terme i dans le document j,

: le nombre de terme simples qui participe dans la

construction du terme composé i,

: la pondération du terme i dans le document j,

Dans le cas où i est un terme simple nous retrouvons la valeur de la mesure

. En effet, et i ne contient pas de terme simple.

4.5. Extraction des concepts

-113-

Par exemple la pondération pour le terme composé « ministère des affaires

étrangères » est calculée comme suit :

CTF*IDF (« ministère des affaires étrangères ») = +TF*IDF (« ministère

des affaires étrangères ») + [TF*IDF (« ministère») + TF*IDF (« affaires») +

TF*IDF (« étrangères »)].

Dans (BAZIZ, 2005) (BAZIZ et al, 2007), Baziz propose une pondération des

termes composés qui prend en compte ces quatre facteurs. Elle consiste à

augmenter la fréquence du terme composé par une somme. Cette dernière est une

fonction de la longueur du terme composé, la longueur des termes simples qui

composent ce terme et leurs fréquences. Cette pondération est définie comme

suit :

(4.11)

N est le nombre de documents du corpus et df est le nombre de document

contenant le terme T.


Le but de cette étape est d’extraire les concepts { partir des documents

multilingues. Ces concepts sont dénotés dans les documents textuels par des

termes simples ou composés. Ces termes ont été extraits pendant les étapes

précédentes. A ce stade, nous effectuons la correspondance entre les termes et les

concepts qui sont associés à ces termes. Pour ce faire nous nous basons sur une

ressource sémantique multilingue externe telle qu’une ontologie multilingue

légère ou un thésaurus. Dans ce qui suit nous exposons notre démarche pour

l’extraction des concepts. Cette démarche est présentée dans la Figure 4.5.


-114-

Figure 4.5- Vue d’ensemble de l’approche proposée pour l’extraction des concepts

Dans le cadre de notre travail, nous considérons qu’une ressource sémantique

externe est composée d’un ensemble de concepts et un ensemble de types de

relations entre les concepts.

Ainsi, la structure d’une ressource sémantique est un tuple

où : C, R sont des ensembles disjoints contenant les concepts et les types de

relations,

: est un ordre partiel sur , il définit la hiérarchie de concepts,

) signifie que subsume (relation orientée)

Dans la ressource sémantique un identifiant unique est attribué à chaque

concept. Chaque concept possède un ou plusieurs labels qui sont des termes

associé à ce concept. Certains labels sont marqués « préféré » et d’autres sont

marqués « alternatifs » Les labels alternatifs sont considérés comme des les

synonymes des labels préférés. Par exemple le concept « C0001175» du thésaurus

UMLS représenté dans la Figure 4.6 possède trois labels en anglais. Un label


-115-

préféré, le terme « Acquired Immunodeficiency Syndromes» et deux labels

alternatifs le terme « AIDS» et le terme « AIDS - HIV-1 stage ».

Figure 4.6- Exemple d’un concept d’une ressource sémantique décrite par SKOS

Les ressources sémantiques sont décrites en utilisant des langages formels de

description de vocabulaires contrôlés et structurés, tels que SKOS, DAML+OIL,

OWL. Ces langages sont construits sur la base du langage RDF. Ils permettent la

publication de vocabulaires structurés tels que les thésaurus et les ontologies.

Dans SKOS le concept de la Figure 4.6 est décrit de la manière suivante :

<rdf:RDF

<skos:Concept rdf:about="C0001175">

<skos:prefLabel> Acquired Immunodeficiency Syndrome

</skos:prefLabel>

<skos:altLabel> AIDS </skos:altLabel>

<skos:altLabel> AIDS - HIV-1 stage 6</skos:altLabel>

</skos:Concept>

</rdf:RDF>

Dans la ressource sémantique un ensemble de termes est utilisé afin de labéliser

les concepts et les relations entre les concepts. Cet ensemble forme le vocabulaire

de la ressource et sera noté .

C0001175

Acquired Immunodeficiency

Syndrome

AIDS - HIV-1 stage 6

AIDS

skos:altLabel skos:prefLabel

skos:altLabel


-116-

Où

: l’ensemble termes utilisés pour dénoter les concepts de la ressource

sémantique,

: l’ensemble termes utilisés pour dénoter les relations de la ressource

sémantique.

Sur l’ensemble on défini l’opérateur , que nous appelons « opérateur de

référence de terme » et qui permet de déterminer le concept (ou les concept)

dénoté par un terme et l’opérateur inverse , que nous appelons « opérateur de

référence de concept» la manière suivante :

Ainsi pour le concept de l’exemple de la Figure 4.6 on aura :

Dans un contexte multilingue, on associe { chaque concept de l’ontologie

multilingue un ensemble de labels préférés, un label pour chaque langue de

l’ontologie. De la même façon, { ces concepts un ou plusieurs labels alternatifs sont

associés. La Figure 4.7 représente un exemple de concept dans une ontologie

multilingue.


-117-

Figure 4.7- Exemple d’un concept d’une ressource sémantique décrite par SKOS

Dans SKOS un tag « xml :lang » avec une valeur est ajouté à la balise du label.

Cette valeur permet d’identifier la langue du label. Ainsi l’exemple de la Figure 4.7

est décrit par le schéma suivant:

<rdf:RDF

xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"

xmlns:skos="http://www.w3.org/2004/02/skos/core#">

<skos:Concept rdf:about="C0001175">

<skos:prefLabel xml:lang="ENG"> Acquired Immunodeficiency Syndrome

</skos:prefLabel>

<skos:altLabel xml:lang="ENG"> AIDS </skos:altLabel>

<skos:prefLabel xml:lang="ENG"> AIDS - HIV-1 stage

6</skos:prefLabel>

<skos:prefLabel xml:lang="FRE"> Syndrome d'immunodéficience acquise

</skos:prefLabel>

<skos:altLabel xml:lang="FRE"> SIDA </skos:altLabel>

<skos:prefLabel xml:lang="GER"> Immundefektsyndrom erworbenes

</skos:prefLabel>

<skos:prefLabel xml:lang="ITA"> Sindrome da deficienza

autoimmunitaria </skos:prefLabel>

<skos:prefLabel xml:lang="RUS"> СПИД </skos:prefLabel>

</skos:Concept>

C0001175

Acquired

Immunodeficiency

Syndrome@ENG skos:altLabel

skos:prefLabel

skos:altLabe

l

skos:prefLabel

skos:altLabel

skos:prefLabel

AIDS@ENG

AIDS - HIV-1

stage 6@ENG

SIDA@FRE

Syndrome

d'immunodéficien

ce acquise @FRE

Immundefektsyndr

om

erworbenes@GER

Sindrome da

deficienza

autoimmunitaria

@ITA

skos:prefLabel

СПИД@RUS

skos:prefLabel


-118-

</rdf:RDF>

De la même manière que pour les ressources sémantiques monolingues, sur

l’ensemble on défini l’opérateur , que nous appelons « opérateur de

référence de terme multilingue» et qui permet de déterminer le concept (ou les

concept) dénoté par un terme dans une langue donnée et l’opérateur inverse ,

que nous appelons « opérateur de référence de concept multilingue » la manière

suivante :

Ainsi pour le concept de l’exemple de la Figure 4.7on aura :

La méthode que nous proposons pour l’extraction des concepts { partir des

documents multilingue consiste { affecter chaque terme d’un document les

concepts associés. Afin d’identifier les concepts associés à chaque terme, nous

utilisons les relations et définies précédemment. Cependant le problème

d’ambigüité des termes se pose lors de l’association des termes aux concepts. Nous

distinguons deux situations d’ambigüité: une ambigüité langagière et une

ambigüité sémantique.


-119-

1. Ambigüité langagière : deux termes appartenant à des langues différentes

peuvent avoir la même forme dans un texte, cette relation peut être vue

comme une relation d’homonymie multilingue. Par exemple le mot « table »

existe en français et en anglais. Dans ce cas, nous cherchons dans le

document le terme le plus proche non ambigu du point de vue langue. La

langue de ce terme situé à proximité du terme ambigu définira la langue du

terme ambigu. Si un tel terme n’existe pas, on prend toutes les langues du

terme ambigu.

2. Ambigüité sémantique ou polysémie : cas où plusieurs concepts sont

dénotés par le même terme c’est-à-dire qu’un même terme peut être le label

de plusieurs concepts dans l’ontologie. Ainsi ce terme renvoi { des concepts

différents. Par exemple en consultant WordNet31 nous constatons que le

terme « circuit » possède sept sens comme nom et un sens comme verbe

dans cette ressource. Ces sens sont donnés dans la Figure 4.8. Le terme

« circuit » peut donc renvoyer à huit concepts différents. Dans le cas de la

polysémie, nous procédons de la manière suivante. Pour un terme ambigu

nous cherchons dans le document un label d’un concept en relation, dans

l’ontologie, avec un concept dénoté par le terme ambigu . Si existe on

prend comme étant le concept dénoté par ce terme. Si non, on prend tous

les concepts dénotés par le terme considéré.

Noun S: (n) circuit#1, electrical circuit#1, electric circuit#1 (an electrical device

that provides a path for electrical current to flow) S: (n) tour#1, circuit#2 (a journey or route all the way around a particular

place or area) "they took an extended tour of Europe"; "we took a quick circuit of the park"; "a ten-day coach circuit of the island"

S: (n) circuit#3 (an established itinerary of venues or events that a particular group of people travel to) "she's a familiar name on the club circuit"; "on the lecture circuit"; "the judge makes a circuit of the courts in his district"; "the international tennis circuit"

S: (n) circumference#2, circuit#4 (the boundary line encompassing an area or object) "he had walked the full circumference of his land"; "a danger to all races over the whole circumference of the globe"

S: (n) circuit#5 ((law) a judicial division of a state or the United States (so-called because originally judges traveled and held court in different locations); one of the twelve groups of states in the United States that is covered by a particular circuit court of appeals)

31

www.wordnet.princeton.edu/

http://wordnet.princeton.edu/perl/webwn?o2=&o0=1&o7=1&o5=&o1=1&o6=&o4=&o3=&s=circuit&i=0&h=00000000#c

http://wordnet.princeton.edu/perl/webwn?o2=&o0=1&o7=1&o5=&o1=1&o6=&o4=&o3=&s=electrical+circuit

http://wordnet.princeton.edu/perl/webwn?o2=&o0=1&o7=1&o5=&o1=1&o6=&o4=&o3=&s=electric+circuit


http://wordnet.princeton.edu/perl/webwn?o2=&o0=1&o7=1&o5=&o1=1&o6=&o4=&o3=&s=tour



http://wordnet.princeton.edu/perl/webwn?o2=&o0=1&o7=1&o5=&o1=1&o6=&o4=&o3=&s=circumference



-120-

S: (n) racing circuit#1, circuit#6 (a racetrack for automobile races) S: (n) lap#5, circle#4, circuit#7 (movement once around a course) "he drove

an extra lap just for insurance" Verb S: (v) circuit#1 (make a circuit) "They were circuiting about the state"

Figure 4.8- les sens du terme « circuit » dans WordNet

Dans le cas de la polysémie, nous procédons de la manière suivante. Pour un

terme ambigü nous cherchons dans le document un concept en relation, dans

l’ontologie, avec un concept dénoté par le terme ambigü . Si existe on prend

comme étant le concept dénoté par ce terme. Si non, on prend tous les concepts

dénotés par le terme considéré.

Dans le processus d’extraction des concepts nous effectuons deux passes. Dans

le premier nous ne traitons que les termes non ambigus. Cela nous permet de les

utiliser pour désambigüiser les termes ambigus dans la deuxième passe.

L’algorithme de la méthode d’extraction des concepts est le suivant :

Algorithme Extraction des concepts

Entréé : Lts : liste des termes simples Ltc : liste des termes composés

Sortie : Lcp : liste des concepts pondérés

Variables : Lt : liste des termes // formée par les termes simples et les termes composés t,t1 : des termes c,c1 :des concepts C : ensemble de concepts doc : un document

Début // initialisation de la liste des termes

Lt Lts Ltc //identification des concepts associés aux termes non ambigus

Pour chaque document doc faire Pour chaque terme t dans doc faire

Identifier les concepts associés à t // on utilise Sc Si t n’est pas ambigu alors

Ajouter (doc, c, poids(t,doc)) // c est le concept identifié

Finsi Finpour

Finpour

//identification des concepts associés aux termes ambigus de point de vue langue Pour chaque document doc faire


http://wordnet.princeton.edu/perl/webwn?o2=&o0=1&o7=1&o5=&o1=1&o6=&o4=&o3=&s=racing+circuit


http://wordnet.princeton.edu/perl/webwn?o2=&o0=1&o7=1&o5=&o1=1&o6=&o4=&o3=&s=lap

http://wordnet.princeton.edu/perl/webwn?o2=&o0=1&o7=1&o5=&o1=1&o6=&o4=&o3=&s=circle


4.6. Extraction des relations sémantiques entre les concepts

-121-

Pour chaque terme t ambigu de point de vue langue dans doc faire Chercher dans doc un terme t1 non ambigu Si t1 existe alors

Identifier les concepts associés à t en utilisant la langue du terme t1 // on utilise Smc avec la langue de t1 Ajouter (doc, c, poids(t,doc))// c est le concept identifié

Si non Ajouter (doc, C,(somme des poids des termes/le nombre des termes))// C est l’ensemble des concepts associés à t

Finsi Finpour

Finpour // identification des concepts associés aux termes ambigus de point de vue sémantique

Pour chaque document doc faire Pour chaque terme t ambigu de point de vue sémantique dans doc faire

Identifier les concepts associés à t Chercher dans doc un c1 dénoté par un terme t1 qui apparait dans une même phrase que t Si c1 existe alors

Cl’ensemble des concepts dénoté par t qui sont en relation dans la ressource avec le concept c1 Ajouter (doc, C,(somme des poids des termes/le nombre des termes

Si non Ajouter (doc, C,(somme des poids des termes/le nombre des termes)) // C est l’ensemble des concepts associés à t

Finsi Finpour

Finpour

Algorithme 3 : Extraction des concepts

4.6. Extraction des relations sémantiques entre les concepts

Afin d’extraire les relations sémantiques entre les concepts nous nous basons

sur la ressource sémantique utilisée durant la phase d’extraction des concepts. Ces

relations sont définies dans la ressource par les types de relations. Nous utilisons

l’hypothèse «qu’une relation existe entre deux concepts d’un document si ces deux

concepts apparaissent dans la même phrase et si la ressource sémantique définit

cette relation sémantique » (MAISONNASSE, 2008) .

Par exemple : Dans le document de la collection CLEF 2007 présenté dans la

Figure 4.9 et en utilisant la ressource sémantique UMLS on détecte les deux

concepts C0334046 et C1302773 dénotés dans le texte respectivement par les

termes «mild dysplasia » et « low grade squamous intraepithelial lesion ». Dans la

4.7. Conclusion

-122-

ressource sémantique ces deux concepts sont reliés par la relation

« is_finding_of_disease » (la relation R54390434 dans UMLS).

<?xml version="1.0" encoding="iso-8859-1" standalone="yes"?>

<DOC>

<ID>006278</ID>

<Diagnosis>mild dysplasia of squamous epithelium CIN I, LSIL ---

(6278)

low grade squamous intraepithelial lesion, coilocyte. </Diagnosis>

<Description>Atypical cells corresponding to a mild dysplasia. Small

air bubbles.</Description>

</DOC>

Figure 4.9- Exemple d’un document de la collection CLEF 2007

L’algorithme de la méthode d’extraction des relations sémantiques entre

concepts est le suivant :

Algorithme Extraction des relations concepts

Entréé : Concepts: liste des concepts

Sortie : Lr : liste des relations

Variables : ph : une phrase doc : un document

Début Pour chaque document doc faire

Pour chaque phrase ph dans doc Pour chaque couple de concepts C1 et C2 dans ph faire

Ajouter à Lr toutes les relations de la ressource sémantique qui relient C1 à C2

Finpour Finpour

Finpour

Fin

Algorithme 4 : Extraction des relations sémantiques entre concepts

4.7. Conclusion

Dans ce chapitre nous avons présenté une méthode d’extraction des concepts {

partir des corpus multilingues. Elle est fondée sur, la distance intertextuelle

interdomaine, sur des mesures statistiques et sur une ressource sémantique

externe tels qu’une ontologie ou un thésaurus. Ainsi, nous avons proposé une

méthode de catégorisation des mots en mots vides et mots pleins : les termes

simples. Cette méthode est basée sur la distance intertextuelle interdomaine. Une

4.7. Conclusion

-123-

nouvelle mesure de degré d’association entre les termes est introduite,

l’information mutuelle adaptée (IMA). Cette mesure est utilisée pour l’extraction

des termes composés. Comparée à l’information mutuelle (IM), l’information

mutuelle adaptée permet l’extraction des termes composés de longueur supérieure

{ deux. Une pondération est affectée { chaque terme d’un document donnée. Cette

pondération est basée sur la mesure CTF*IDF (CTF pour Compound Term

Frequency). A l’opposé, de la mesure statistique classique, TF*IDF qui est issu du

domaine de la recherche d’information, la mesure introduite, CTF*IDF est capable

de déterminer la pondération d’un terme composé (de longueur plus que un) dans

un document donné. Aussi nous avons présenté une approche pour décrire les

documents par des concepts. Nous avons défini l’opérateur de référence de terme

et l’opérateur de référence de terme multilingue , ainsi que leur relations

inverses et . Ces opérateurs sont utilisés pour identifier les concepts

associés aux termes. Durant cette dernière étape nous avons utilisé une ressource

sémantique multilingue. Au sujet de l’ambigüité des termes, nous avons proposé

une démarche de désambigüisation. Cette démarche consiste à examiner les

termes ambigus dans le contexte où ils apparaissent, le document. Deux types

d’ambigüité ont été traités : l’ambigüité langagière et l’ambigüité sémantique. Nous

avons aussi, proposé une méthode d’extraction des relations entre concepts {

partir des documents multilingue. Cette méthode est basée sur une ressource

sémantique.

Nous signalons que toute au long du processus d’extraction des concepts les

langues de documents ne sont pas diagnostiqués. Ce processus n’utilise aucune

connaissance spécifique à une langue du corpus. La démarche est entièrement

automatique et ne nécessite pas d’intervention de l’utilisateur.

Dans le chapitre suivant nous présentons les expérimentations réalisées pour

valider notre proposition.

-125-

EXPERIMENTATIONS ET

EVALUATIONS

Résumé

Dans ce chapitre, nous présentons une validation expérimentale de

l’approche que nous avons proposée. Cette validation se traduit par une

évaluation expérimentale de notre système et en le comparant avec les

travaux les plus récentes à notre connaissance. Pour cela, des collections

(benchmark) ont été utilisées à savoir : la collection CLEF Médicale 2007.

Dans le domaine de la recherche d’information, les approches sont

évaluées sur des collections de tests et en comparant leurs résultats à

ceux obtenus par d’autres systèmes. Ces collections de tests sont

constitués d’un corpus de documents et d’un ensemble de requêtes pour

les quelles en connait l’ensemble des documents pertinents dans le

corpus de la collection. D’abord, nous présentons la collection du test

utilisée durant notre expérimentation ainsi que la ressource sémantique

utilisée. Ensuite nous exposons les expérimentations mises en œuvre

ainsi que les résultats obtenus.

-127-

Chapitre 5

Expérimentations et évaluations

5.1. Introduction

Dans le chapitre précédent, nous avons présenté une approche d’indexation

sémantique adaptée aux documents multilingues. Cette méthode permet

l’extraction des concepts et des relations entre concepts { partir des documents

multilingues écrits en anglais et en langues latines. Elle permet de décrire le

contenu d’un document par des descripteurs sémantiques : des concepts et des

relations sémantiques. La méthode proposée est fondée sur, la distance

intertextuelle interdomaine, des mesures statistiques et une ressource sémantique

externe (l’ontologie multilingue du domaine). Le processus d’extraction des

concepts et des relations entre concepts s’adapté { différents langues latines. Aussi,

il s’adapte { plusieurs domaines différents pour les quels on dispose d’une

ressource sémantique externe. Ce chapitre présente les expérimentations que nous

avons réalisées. Ces expérimentations ont pour objectif de valider notre méthode.

Pour ce faire, nous appliquons notre méthode d’indexation { une collection de test

réel : la collection CLEF médicale 2007. Dans la suite nous décrivons ces

expérimentations. Nous commençons par la présentation des données de test,

ensuite nous présentons les résultats.

5.2. La collection du test

Nous expérimentons notre approche d’indexation sémantique multilingue dans

un cadre réel de recherche d’information multilingue. Il s’agit de la tâche CLEF

médicale 2007. Depuis 2004 cette tâche fait partie de la campagne d’évaluation

CLEF (Cross Language Evaluation Forum). CLEF permet d’évaluer des systèmes de

recherche d’information monolingue et multilingue. L’utilisation de données

réelles permet de tester notre proposition et de positionner notre méthode

d’indexation par rapport aux autres approches existantes. CLEF médicale propose

des données de test qui sont constituées d’un corpus multilingue et d’un jeu de

requêtes multilingues.

5.2. La collection du test

-128-

5.2.1. Le corpus à indexer

CLEF médicale propose une collection d’images (MULLER et al, 2007). A chaque

image de cette collection est associé un diagnostic qui représente une description

textuelle de l’image. Ces descriptions sont écrites en trois langues : la langue

anglaise, la langue française et la langue allemande. Dans la collection CLEF 2007,

le même diagnostic peut être associé à un ou à plusieurs images. Le Tableau 5.1

présente les détails de cette collection.

Nombre d’image Nombre de diagnostic Langues 66662 55485 Anglais, Allemand, Français

Tableau 5.1 – Détails de la collection CLEF médicale 2007 de concept dans UMLS

La Figure 5.1 illustre un exemple d’un document de la collection CLEF 2007.

<?xml version="1.0" encoding="iso-8859-1" standalone="yes"?>

<DOC>

<ID>vq049</ID>

<IMAGES>

Upper study: First and fourth column are aerosol ventilation images. Second

and third column are perfusion images. Ventilatory and perfusion images

corresponding to the same projections are adjacent to each other.

Lower study: Frontal chest radiograph performed the same day as the

ventilation-perfusion examination.

View main image(vq) in a separate image viewer

View second image(xr). PA and lateral chest radiographs performed two days

prior to the ventilation-perfusion examination.

View third image(gs). Scout, frontal and left anterior oblique abdominal

images from an upper gastrointestinal series performed one year prior to the


View fourth image(fl). Four select spot images of the gastroesophageal

junction from same upper gastointestinal series examination.

</IMAGES>

<FINDINGS>

Ventilation-perfusion Scintigraphy: There is uniform deposition of aerosol on

the ventilation images. The perfusion images show a physiologic distribution

of pulmonary perfusion. Thus, this is a normal ventilation-erfusion

examination. Incidental note is made of Tc-99m DTPA activity in the esophagus

consistent with swallowed Tc-99m DTPA aerosol.

Frontal chest radiograph: The heart size is at the upper limits of normal.

There is atelectasis or scarring in both lung bases without significant change

from a prior comparison study. No focal infiltrate, effusion or suspicious

masses are identified.

PA and lateral comparison chest radiograph: The heart size is normal. There is

atelectasis or scarring in the both lower lobes. Calcified left lung

granulomas and an old healed left 7th rib fracture are noted. An air fluid

level is noted in the middle mediastinum consistent with the known patulous

esophagus.

Upper GI series: The scout radiograph demonstrates surgical clips consistent

with cholecystectomy and a normal bowel gas pattern. Sutures in the lower mid

pelvis are noted.

The distal esophagus is dilated and there is pooling of contrast material and

debris. There is delayed passage of the contrast agent through the

gastroesophageal (GE) junction. The GE junction is below the diaphragm. A

medially directed contrast-filled tongue like defect at the level of the GE

junction is consistent with a fundoplication wrap.

Additional images (not shown) demonstrated a normal stomach and duodenum with

normal gastric emptying. No gastroesophageal reflux was elicited with

5.3. Le corpus d’appui

-129-

provocative maneuvers. The small bowel follow-through examination was normal

except for an incidentally noted proximal jejunal diverticulum.

</FINDINGS>

</DOC>

Figure 5.1- Exemple d’un document de la collection CLEF 2007

5.2.2. Le jeu de requêtes

En plus de la collection d’images, la CLEF médicale propose un jeu de requête.

Chaque requête de la collection CLEF 2007 est composée d’une image exemple et

d’une partie textuelle. La partie textuelle d’une même requête est écrite dans trois

langues de la collection : l’anglais, l’allemand et le français. Comme nous

n’indexons que le contenu textuel, seule la partie textuelle de la requête de la

collection sera utilisée dans nos expérimentations. La Figure 5.2 présente un

exemple d’une requête de la collection CLEF médicale 2007.

<topic>

<ID>74</ID>

<EN_DESCRIPTION> xray hip fracture </EN_DESCRIPTION>

<FR_DESCRIPTION> Radio d'une fracture de la hanche </FR_DESCRIPTION>

<DE_DESCRIPTION> Röntgenbild eines Hüftbruches </DE_DESCRIPTION>

</topic>

Figure 5.2- Exemple du partie textuel d’une requête de la collection CLEF médicale 2007

5.3. Le corpus d’appui

Afin d’extraire les mots vides notre approche se base sur la distance

intertextuelle du domaine. Il s’agit de déterminer le lexique commun de deux

corpus de domaine disjoints et qui sont écrits dans les mêmes langues. Le premier

corpus est le corpus { indexer et le deuxième est le corpus d’appui. Dans nos

expérimentations, nous utilisons le corpus du parlement européen32 comme

corpus d’appui. Ce corpus est un ensemble de 10 corpus parallèles écrits dans 11

langues (PHILIPP, 2005). Le corpus est collecté à partir des proceedings33 du

parlement européen. Dans nos expérimentations nous avons utilisé le corpus

parallèle anglais-allemand et le corpus parallèle anglais-français. Notre corpus

multilingue d’appui résulte est constitué des documents écrits dans la langue

anglaise, les documents écrits dans la langue allemande et les documents écrits

dans la langue française. Le Tableau 5.2 donne quelques statistiques sur ce corpus.

32 http://www.statmt.org/europarl/

33 http://www3.europarl.eu.int/omk/omnsapir.so/calendar?APP=CRE&LANGUE=EN

5.4. La ressource externe : le méta thésaurus UMLS

-130-

Langue Nombre de mots Taille en MO

ENG 39618240 201

GER 37614344 223

FRE 44688872 229

Tableau 5.2 – Statistiques sur le corpus d’appui


Dans cette section nous présentons la ressource sémantique UMLS qui a été

choisie pour nos expérimentations. UMLS nous permet dans un premier temps

d’identifier les concepts associés aux termes et dans un deuxième temps

d’identifier les relations entre ces concepts.

5.4.1. Présentation

La ressource UMLS est un méta-thésaurus multilingue qui couvre le domaine

médical. Cette ressource a été crée dans le but de faciliter la recherche et

l'intégration d'informations provenant des multiples sources d'information

biomédicales électroniques (NLM, 2009). Le méta-thésaurus UMLS est maintenu à

jour par le National Library of Medicine (NLDM). Il est la fusion de plusieurs

ressources sémantiques (111 ressources). Ces ressources sont écrites dans

plusieurs langues (19 langues). UMLS est la fusion de plusieurs ressources tels que

MSH, SNOMEDCT et RXNORM. Ces ressources représentent chacune un point de

vue. De ce fait, UMLS représente plus qu’un point de vue. A ce propos, les auteurs

de UMLS mentionnent qu’il est souhaitable de n’utiliser que les ressources

pertinentes à une tâche et un point de vue. Ce dernier est en libre utilisation sous

réserve d’enregistrement. Il est distribué au format Rich Release Format (RRF).

UMLS est formé de deux composantes principales:

1. Le méta-thésaurus : il regroupe principalement les concepts (2125396

concepts) et les termes (7581706 termes) associés à ces concepts. Ces

termes sont écrits dans une ou plusieurs langues. Ces concepts et termes

sont issus de différentes ressources sémantiques. Des variations syntaxiques

et lexicales des termes sont parfois données.

2. Le réseau sémantique : le réseau sémantique définit l’organisation des

concepts et les relations entre ces concepts. Dans UMLS, les concepts sont

organisés en classe. A chaque concept au moins une classe est associée. Ces

classes forment des types sémantiques (135 types sémantiques). Ces types

sont reliés entre eux par des relations sémantiques (54 relations).


-131-

UMLS intègre aussi des outils de traitement automatique de la langue naturelle.

Ces outils sont destinés à la langue anglaise. Ils permettent de déterminer les

variations syntaxiques des termes dans cette langue.

UMLS est l’une des meilleures ressources sémantiques pour indexer des

documents multilingues couvrant le domaine de la médecine (DELBECQUE et al,

2005) (MAISONNASSE, 2008). En effet, d’une part UMLS couvre la quasi-totalité du

domaine et d’autre part les concepts sont associés { des termes écrits dans

différentes langues.

Dans la suite nous décrivons les concepts, les types sémantiques et les relations

entre ces types que nous utilisons dans nos expérimentations.

5.4.2. Les concepts dans UMLS

Dans UMLS chaque concept est identifié par un identificateur unique (CUI :

Unique Identifier for Concept). Un concept est relié à une ou plusieurs chaînes de

caractères (STR), les termes qui dénotent le concept. Le STR sera utilisé dans nos

expérimentations pour identifier les concepts associés aux termes (CUI). Les STRs

sont liés à une langue (LAT : Language of term) et à un indicateur (ISPREF : Atom

status - preferred (Y) or not (N) for this string within this concept) qui indique si

le terme est préféré ou non. Pour chaque concept, la source du concept est

mentionnée (SAB : Abbreviated source name). Le Tableau 5.3 montre un exemple

de concept dans UMLS.

CUI LAT ISPREF STR SCUI C0001175 ENG Y Acquired

Immunodeficiency Syndromes

MSH

C0001175 ENG N AIDS SNOMEDCT C0001175 ENG Y Acquired

immunodeficiency syndrome

SNOMEDCT

C0001175 FRE Y SIDA SPID C0001175 RUS Y SPID SPID

Tableau 5.3 – Exemple de concept dans UMLS

Il est à noter que même si les concepts de UMLS sont décrits dans plusieurs

langues, la langue anglaise est la langue dominante dans UMLS. Cela ne rend pas

aisé l’utilisation de UMLS pour l’indexation dans une langue autre que l’anglais. Le

Tableau 5.4 donne un aperçu sur les langues dans UMLS.


-132-

Langue Nombres de concepts dénotés

dans la langue

Nombres de termes écrits

dans la langue

Pourcentage des

Concepts dénotés

Pourcentage des Termes

ENG 2124783 5043752 99,9712% 66,5253%

SPA 359802 1571229 16,9287% 20,7240%

DUT 96000 183957 4,5168% 2,4263%

GER 88470 147835 4,1625% 1,9499%

FRE 79301 149439 3,7311% 1,9710%

POR 73816 117912 3,4730% 1,5552%

ITA 70414 99860 3,3130% 1,3171%

CZE 69636 94846 3,2764% 1,2510%

JPN 60211 208221 2,8329% 2,7464%

SWE 25748 25827 1,2114% 0,3406%

FIN 25329 25407 1,1917% 0,3351%

RUS 25178 102217 1,1846% 1,3482%

KOR 10335 10951 0,4863% 0,1444%

DAN 722 697 0,0340% 0,0092%

NOR 721 697 0,0339% 0,0092%

HUN 717 684 0,0337% 0,0090%

BAQ 694 675 0,0327% 0,0089%

HEB 472 485 0,0222% 0,0064%

LAV 19 23 0,0009% 0,0003%

Tableau 5.4 – Aperçu sur les langues de UMLS

5.4.3. Les relations entre les concepts et les types sémantiques

Dans UMLS, les concepts sont organisés en 135 types sémantiques. Chaque

concept de UMLS est relié à au moins un type sémantique. Ce type est identifié par

un identificateur unique (TUI : Unique Identifier of semantic Type). L’exemple du

Tableau 5.5 montre un concept relié à ses types sémantiques.

Concept : CUII (STR) Type sémantique :TUI (STY) C0000167 (17-Cétostéroïdes) T110(Steroid) C0000167 (17-Cétostéroïdes) T121(Pharmacologic Substance) C0000167 (17-Cétostéroïdes) T125 (Hormone)

Tableau 5.5 –Le concept C0000167 et ses types sémantiques

5.4.4. Les relations sémantiques entre les types sémantiques

Dans UMLS, les types sémantiques sont reliés entre eux par des relations

sémantiques (54 relations). Ces relations sont définies dans le réseau sémantique.

Elles sont très générales et elles proviennent de plusieurs ressources au moment

de la fusion. Ces relations sont utilisées durant nos expérimentations pour

l’extraction des relations entre concepts. Pour deux concepts et , une relation

5.5. Les évaluations

-133-

est possible si le type sémantique associé à et le type sémantique associé à

sont reliés par une relation sémantique. Le Tableau 5.6 montre un exemple d’une

relation sémantique entre deux types sémantiques dans UMLS.

Type sémantique : TUI (STY)

Relation : TUI (STY)

Type sémantique : TUI (STY)

T110(Steroid) T147 (causes) T047 (Disease or Syndrome)

Tableau 5.6 – Une relation sémantique entre deux types sémantiques


Dans cette section, nous présentons les évaluations de notre approche

d’extraction des concepts et des relations entre concepts. D’abord nous présentons

l’architecture générale du prototype développé. Ensuite, nous décrivons les

prétraitements des corpus et du jeu des requêtes. Par la suite, nous exposons la

méthodologie adoptée pour l’évaluation. Nous présentons les métriques utilisées

et la représentation intermédiaire ainsi que la fonction de correspondance (RSV).

Enfin nous illustrons les résultats de nos expérimentations.

5.5.1. Le prototype MuDIBO

Afin de réaliser nos expérimentations nous avons développé un prototype. Ce

prototype nous a permis d’une part de valider notre approche d’extraction des

concepts et des relations et d’autre part de montrer sa faisabilité. Dans cette

section nous présentons l’architecture générale de ce prototype appelé MuDIBO

(Multililingual Documents Indexing Based on Ontology). MuDIBO constitue un

outil permettant d’indexer des documents multilingues. L’outil proposé offre une

interface graphique permettant de paramétrer le processus d’indexation.

L’architecture du prototype MuDIBO est présentée dans la Figure 5.3.


-134-

Figure 5.3- Architecture générale du prototype MuDIBO

MuDIBO est composé de 5 modules :

Module d’analyse lexicale : ce module permet d’extraire les lexèmes, leurs

positions dans le texte et dans la phrase ainsi que leurs longueurs. Ces

données sont stockées dans une base de données relationnelle.

Module d’extraction des termes simples : ce module permet d’extraire les

termes simples en éliminant les mots vides.

Module d’extraction des termes composés : ce module réalise des calculs

de l’information mutuel adapté afin d’extraire les termes composés.

Module d’extraction des concepts : ce module permet d’identifier les

concepts associé aux termes simples ou termes composés en utilisant la

ressource sémantique UMLS.

Module d’extraction des relations : ce module se base sur la ressource

sémantique pour extraire les relations entre les concepts extraits par le

module d’extraction des concepts.

Corpus d’appui

Module d’analyse lexicale

Lexèmes

SGBDR

UMLS

Phase de prétraitement Phase d’indexation

Corpus à indexer

Stockage

Module d’extraction des termes simples

Termes simples

Termes composés Indexes

Lexèmes

Module d’extraction des termes composés

Module d’extraction des concepts

Module d’extraction des relations


-135-

5.5.2. Méthodologie d’évaluation

Nous présentons dans cette section la méthodologie adoptée pour évaluer notre

proposition. D’abord, nous décrivons la méthode d’évaluation. Par la suite, Ensuite,

nous exposons les mesures que nous utilisons dans nos évaluations. Ensuite, nous

présentons le SRI de référence.

5.5.2.1. Description générale de la méthode d’évaluation

L’objectif de notre travail de thèse est de proposer une méthode d’extraction

des concepts et de relations sémantiques à partir de corpus multilingues. Cette

méthode permet l’indexation sémantique des documents du corpus. Ainsi, la

méthode proposée peut être évaluée par l’étude de la performance d’un SRI

existant en intégrant notre méthode dans son processus d’indexation. Dans cette

étude, nous comparons l’efficacité de notre méthode (statistique) { celle d’une

méthode basée sur des analyses linguistiques. Cette comparaison est réalisée à

travers l’étude de la performance d’un même SRI en variant la méthode

d’indexation.

5.5.2.2. Mesures d’évaluation

Dans nos expérimentations, nous utilisons le programme trec_eval34. Ce

programme est fourni par la conférence de recherche d’information TREC35 (Text

Retrieval Conference). trec_eval calcule, entre autre, la précision moyenne (MAP)

et la précision { 5 documents (P@5). Afin d’évaluer les résultats de nos

expérimentations, nous utilisons MAP et P@5 comme des métriques d’évaluations.

En effet, la précision moyenne donne un aperçu général de l’efficacité de notre

approche. Et d’autre, part la précision { 5 documents donne un jugement de

l’efficacité de cette approche sur les documents les plus consultés par un

utilisateur d’un SRI.

5.5.2.3. Description du système de RI sémantique utilisé comme base de

référence

Dans (MAISONNASSE et al, 2009), les auteurs exposent des évaluations de

différentes méthodes d’extraction des concepts { partir de la collection Clef

médicale 2007. Ils utilisent trois outils basés sur l’approche linguistique afin

d’extraire les concepts. Ensuite ils comparent les différents résultats obtenus par

34 http://trec.nist.gov/trec_eval/index.html 35 http://trec.nist.gov/


-136-

ces outils. Les auteurs utilisent un modèle de langue ( ) défini sur des concepts.

Dans (MAISONNASSE et al, 2009), pour extraire les concepts à partir des

documents multilingues, les auteurs utilisent trois outils linguistiques : MetaMap,

TreeTagger et MiniPar.

MetaMap est un analyseur morphosyntaxique qui permet d’extraire les concepts

à partir des documents. Cet analyseur est fourni avec UMLS et ne traite que les

documents écrits en anglais. MetaMap procède dans une première étape à

l’extraction des termes candidats avec leurs variations lexicales et syntaxiques.

Dans une deuxième étape il projette les termes candidats sur UMLS pour détecter

les concepts associés à ces termes.

MiniPar permet d’extraire les termes { partir des documents écrits dans la

langue anglaise. Dans (MAISONNASSE et al, 2009), les auteurs extraient les termes

{ l’aide de MiniPar ensuite ils projettent ces termes extraits sur UMLS afin de

détecter les concepts associés.

TreeTagger permet d’extraire les termes à partir des documents écrits dans la

langue anglaise, la langue française et la langue allemande. Les termes issus de

l’analyse par TreeTagger sont par la suite projetés sur UMLS pour identifier les

concepts associés.

Après cette phase d’extraction des concepts pour chaque document, une

représentation intermédiaire est établie. Un peu comme dans le modèle vectoriel

proposé par G. Salton (SALTON, 1968), chaque document est représenté par un

vecteur dans l’espace d’indexation. Les dimensions de l’espace d’indexation sont

les concepts de la ressource sémantique utilisée (UMLS) dans la tâche d’extraction

des concepts. Le vecteur représentant le document est formé par les pondérations

de chaque concept dans ce document. Ainsi, dans un espace d’indexation

où les sont les concepts de la ressource sémantique, un document

est représenté par un vecteur de poids des concepts.

(5.1)

Où est le poids du concept dans le document .

La pondération consiste à affecter à chaque concept qui apparaît dans un

document un poids. Ce poids détermine l’importance du concept dans la

représentation du document . Comme dans la majorité des travaux, cette mesure


-137-

est composée d’une pondération locale et d’une pondération globale. La

pondération locale traite des informations locales reliées au document. La

pondération globale prend en considération la distribution du concept dans toute

la collection. La pondération proposée dans (MAISONNASSE et al, 2009), inspirée

des modèles de langue (PONTE et al, 1998). Cette pondération peut être

considérée comme une variante de (HIEMSTRA, 2002). Elle est notée

et elle se calcule par une combinaison d’un maximum de vraisemblance

et un lissage de Jelinek-Mercer :

(5.2)

Où

(respectivement ) est la fréquence du concept dans le

document (respectivement dans la collection ,

est le lissage de Jelinek-Mercer qui est estimé sur une base

d’apprentissage.

Comme pour les documents, la requête est représentée par un vecteur de

pondérations. Ces pondérations sont les nombre d’apparition des concepts dans la

requête considérée. Ainsi une requête est représentée par :

(5.3)

Où est la fréquence du concept dans la requête .

Dans (MAISONNASSE et al, 2009), les auteurs utilisent une mesure de similarité

(RSV) afin de déterminer le degré de pertinence d’un document par rapport à

une requête . Cette mesure consiste à retrouver les vecteurs des documents qui

sont proches du vecteur de la requête . Cette mesure est notée et elle

est donnée par la formule 5.4:

(5.4)

Où


-138-

est la pondération du concept dans le document . Cette

pondération est donnée dans l’équation 5.2,

est la fréquence du concept dans la requête ,

est l’ensemble de concepts du domaine.

5.5.2.4. Notre système de RI

Dans nos expérimentations nous avons volontairement utilisé la même

représentation des documents et de la requête ainsi que la même fonction de

correspondance (RSV) utilisé dans le SRI de référence. Comme dans

(MAISONNASSE et al, 2009), les auteurs, traitent la même collection, la collection

Clef médical 2007, cela nous permet de comparer directement nos résultats aux

résultats obtenus par des analyses linguistiques. Cela est justifié par le fait que la

démarche adoptée dans (MAISONNASSE et al, 2009) a permis aux auteurs

d’obtenir la première place dans la campagne d’évaluation Clef médicale 2007 et

d’obtenir la troisième place dans la campagne d’évaluation Clef médicale 2008. Une

telle comparaison nous permet de positionner notre proposition par rapport à une

proposition robuste de référence.

5.5.3. Les prétraitements

Le prétraitement est la première étape de notre processus. Il permet de

collecter les informations locales sur les documents ainsi que sur les requêtes. Ces

informations seront exploitées dans le reste du processus.

5.5.3.1. Prétraitements des documents et des requêtes

Les documents de la collection que nous utilisons dans nos expérimentations

sont celles de CLEF médicale 2007. Ces documents sont au format XML. Comme

nous ne tenons pas compte de la structure du document, nous indexons

uniquement le contenu textuel du document XML. Ainsi, ce contenu est converti au

format texte bruts comme montre la Figure 5.4.

Upper study: First and fourth column are aerosol ventilation images. Second

and third column are perfusion images. Ventilatory and perfusion images

corresponding to the same projections are adjacent to each other.

Lower study: Frontal chest radiograph performed the same day as the


View main image(vq) in a separate image viewer

View second image(xr). PA and lateral chest radiographs performed two days

prior to the ventilation-perfusion examination.

View third image(gs). Scout, frontal and left anterior oblique abdominal

images from an upper gastrointestinal series performed one year prior to the



-139-

View fourth image(fl). Four select spot images of the gastroesophageal

junction from same upper gastointestinal series examination.

Ventilation-perfusion Scintigraphy: There is uniform deposition of aerosol on

the ventilation images. The perfusion images show a physiologic distribution

of pulmonary perfusion. Thus, this is a normal ventilation-erfusion

examination. Incidental note is made of Tc-99m DTPA activity in the esophagus

consistent with swallowed Tc-99m DTPA aerosol.

Frontal chest radiograph: The heart size is at the upper limits of normal.

There is atelectasis or scarring in both lung bases without significant change

from a prior comparison study. No focal infiltrate, effusion or suspicious

masses are identified.

PA and lateral comparison chest radiograph: The heart size is normal. There is

atelectasis or scarring in the both lower lobes. Calcified left lung

granulomas and an old healed left 7th rib fracture are noted. An air fluid

level is noted in the middle mediastinum consistent with the known patulous

esophagus.

Upper GI series: The scout radiograph demonstrates surgical clips consistent

with cholecystectomy and a normal bowel gas pattern. Sutures in the lower mid

pelvis are noted.

The distal esophagus is dilated and there is pooling of contrast material and

debris. There is delayed passage of the contrast agent through the

gastroesophageal (GE) junction. The GE junction is below the diaphragm. A

medially directed contrast-filled tongue like defect at the level of the GE

junction is consistent with a fundoplication wrap.

Additional images (not shown) demonstrated a normal stomach and duodenum with

normal gastric emptying. No gastroesophageal reflux was elicited with

provocative maneuvers. The small bowel follow-through examination was normal

except for an incidentally noted proximal jejunal diverticulum.

Figure 5.4- Exemple du contenu textuel du document de la Erreur ! Source du renvoi introuvable.

Une analyse lexicale est appliquée à ces textes pour extraire les lexèmes et leurs

positions dans le document et dans la phrase. Le résultat de cette analyse est

illustré par le Tableau 5.7 .

Lexème Position dans le texte

Longueur Numéro de la

phrase Rang dans la

phrase

Upper 0 5 1 1

study 6 5 1 2

First 13 5 1 3

and 19 3 1 4

fourth 23 6 1 5

column 30 6 1 6

are 37 3 1 7

aerosol 41 7 1 8

ventilation 49 11 1 9

images 61 6 1 10

Second 69 6 2 1

and 76 3 2 2

third 82 5 2 3

column 88 6 2 4

are 95 3 2 5


-140-

perfusion 99 9 2 6

images 109 6 2 7

Ventilatory 117 11 3 1

and 129 3 3 2

perfusion 133 9 3 3

images 143 6 3 4

corresponding 152 13 3 5

to 166 2 3 6

the 169 3 3 7

… … … … …

Tableau 5.7 –Résultat de l’analyse lexicale du document de la Erreur ! Source du renvoi introuvable.

Les différentes requêtes sont prétraitées de la même manière que les

documents. Le contenu des balises contenant le texte à indexer mentionnées, par la

campagne d’évaluation, est converti au format texte brut. Ainsi, un document texte

brut est associé à chaque requête et une analyse lexicale est appliquée à ce texte.

5.5.4. Extraction des termes simples par élimination des mots vides

Dans notre approche pour extraire les termes simples nous procédons par

élimination des mots vides. Après les prétraitements du corpus à indexer : la

collection Clef médicale 2007 et du corpus d’appui, nous déterminons

l’intersection des lexiques des deux corpus. L’intersection contient les mots vides.

Ces mots sont d’usage général et grammatical. Nous évaluons l’extraction des

termes simple { travers l’évaluation de l’élimination des mots vides. Afin de

réaliser cette évaluation nous avons utilisé les listes de référence des mots vides

des trois langues de la collection. Ces listes sont disponibles sur le web36. Les listes

des mots vides de la langue française, de la langue anglaise et de la langue

allemande contiennent respectivement 124, 36 et 127 mots. Ainsi, la liste de

référence utilisée contient en total 287 mots vides. Nous avons utilisé la mesure

rappel et la mesure précision dans notre évaluation qui sont définies comme suit

(DAILLE, 2002):

36 http://fr.wikipedia.org/wiki/Mot_vide


-141-

5.5.4.1. Résultats

Dans nos expériences, nous avons extrait 235 mots vides. Ces mots sont

présents dans liste de référence ce qui donne une valeur de la précision égale à

100%. La valeur du rappel est égale à 81.88%, cette valeur montre que certains

mots vides ne sont pas extraits par le processus d’extraction. Cela s’explique d’une

part, par le fait que ces mots sont absents dans le corpus de la collection Clef. Par

exemple les mots « dedans », « dehors » et « force ». Et d’autre part par le fait que

nous avons fixé la valeur du seuil de la longueur des mots à 4. Cette valeur ainsi

que la valeur du seuil de la fréquence font l’objet d’une étude plus approfondie

dans des futurs travaux.

5.5.4.1. Synthèse

Nous avons évalué l’extraction des termes simples { travers l’évaluation de

l’extraction des mots vides. Cette étude montre que notre méthode { l’avantage

d’extraire les termes simples sans utiliser des stop-liste comme c’est le cas des

approches linguistiques. Nous signalons que dans UMLS, des mots vides tels que

« of », « « the » et « in » sont associés à des concepts.

5.5.5. Extraction des termes composés : détermination du seuil de l’IMA

Pour extraire les termes composés, nous utilisons un processus itératif et

incrémental. Il permet de découvrir de nouveaux termes, des termes composés à

partir de ceux existants. Le processus procède { l’extraction de nouveaux termes {

partir d’une liste initiale de termes connus en utilisant une mesure statistique :

l’Information Mutuelle Adaptée (IMA). Nous partons de la liste des termes simples.

Nous calculons par la suite la valeur de l’IMA de chaque couple de mots. Les

couples des termes dont la valeur de l’IMA est inférieure à une valeur seuil sont

acceptés comme des termes composés. Le processus s’arrête si { une itération

aucun nouveau terme n’est extrait. Autrement, si le processus ne produit pas de

nouveaux termes composés pertinents. Afin de déterminer la valeur du seuil de

l’IMA adéquate { utiliser pour extraire les termes composés nous évaluons, la

précision moyenne et la précision à 5 documents { différentes valeurs de l’IMA. La


-142-

valeur seuil adéquate de l’IMA correspond { la valeur de l’IMA { partir de laquelle

aucune amélioration de la valeur de la précision moyenne et de la valeur de la

précision { 5 documents n’est apportée.

5.5.5.1. Résultats

Figure 5.5- Variation de la MAP en fonction du seuil de l’IMA

Figure 5.6- Variation de la P@5 en fonction du seuil de l’IMA

0

0,05

0,1

0,15

0,2

0,25

0,3

7 9 11 13 13,513,7 14 15 16 17 18 19 20 21

MA

P

Seuil de l'IMA

ENG

FRE

GER

0

0,05

0,1

0,15

0,2

0,25

0,3

0,35

0,4

0,45

0,5

7 9 11 13 13,513,7 14 15 16 17 18 19 20 21

P@

5

Seuil de l'IMA

ENG

FRE

GER


-143-

La variation de la précision moyenne et la variation de la précision à 5

documents sont données dans la Figure 5.5 et la Erreur ! Source du renvoi

ntrouvable. . Dans nos tests, nous calculons la valeur de la MAP et de la P@5 à

différentes valeurs du seuil de l’IMA. Dans cette expérience nous avons constaté

une amélioration du MAP et du P@5 en faisant passer la valeur du seuil de 7 à 14.

En examinant le Tableau 5.8 , nous remarquons que la valeur de la MAP et la valeur

de la P@5 se stabilisent { partir de la valeur 14 du seuil de l’IMA. Les variations du

MAP et de la P@5 sont données dans le Tableau 5.8. Au-delà de la valeur 14 la MAP

et la P@5 ne s’améliorent plus. Cette valeur correspond { la valeur adéquate du

seuil de l’IMA.

ENG GER FRE ENG GER FRE

IMA MAP P@5 MAP P@5 MAP P@5 ∆MAP ∆P@5 ∆MAP ∆P@5 ∆MAP ∆P@5

7 0.1008 0.0695 0.0757 0.171 0.082 0.06

9 0.2472 0.0901 0.1132 0.444 0.137 0.1538 145,238% 29,640% 49,538% 159,649% 67,073% 156,333%

11 0.2444 0.0896 0.1146 0.424 0.126 0.1385 -1,133% -0,555% 1,237% -4,505% -8,029% -9,948%

13 0.2435 0.0889 0.1145 0.424 0.126 0.1385 -0,368% -0,781% -0,087% 0,000% 0,000% 0,000%

13,5 0.2435 0.0889 0.1145 0.42 0.126 0.1385 0,000% 0,000% 0,000% -0,943% 0,000% 0,000%

13,7 0.2437 0.0889 0.1145 0.424 0.126 0.1385 0,082% 0,000% 0,000% 0,952% 0,000% 0,000%

14 0.2436 0.0889 0.1145 0.424 0.126 0.1385 -0,041% 0,000% 0,000% 0,000% 0,000% 0,000%

15 0.2436 0.0889 0.1145 0.424 0.126 0.1385 0,000% 0,000% 0,000% 0,000% 0,000% 0,000%

16 0.2436 0.0889 0.1145 0.424 0.126 0.1385 0,000% 0,000% 0,000% 0,000% 0,000% 0,000%

17 0.2436 0.0889 0.1145 0.424 0.126 0.1385 0,000% 0,000% 0,000% 0,000% 0,000% 0,000%

18 0.2436 0.0889 0.1145 0.424 0.126 0.1385 0,000% 0,000% 0,000% 0,000% 0,000% 0,000%

19 0.2436 0.0889 0.1145 0.424 0.126 0.1385 0,000% 0,000% 0,000% 0,000% 0,000% 0,000%

20 0.2436 0.0889 0.1145 0.424 0.126 0.1385 0,000% 0,000% 0,000% 0,000% 0,000% 0,000%

21 0.2436 0.0889 0.1145 0.424 0.126 0.1385 0,000% 0,000% 0,000% 0,000% 0,000% 0,000%

Tableau 5.8 – Variation de la MPA et de la P@5 en fonction du seuil de l’IMA

5.5.5.2. Synthèse

Nous avons étudié la variation de la précision moyenne et de la précision à 5

documents { différentes valeurs du seuil de l’IMA. Cette étude nous a permis de

déterminer la valeur adéquate de ce seuil. Cette valeur est égale 15. Nous

prévoyons étudier dans des prochains travaux la stabilité de cette valeur. Cela se

fait en changeant le corpus à indexer.

5.5.6. Traitement de l’ambigüité

Dans notre processus d’extraction des concepts, d’abord nous procédons {

l’extraction des termes { partir des documents. Par la suite, les concepts associés {


-144-

ces termes sont identifiés en utilisant l’opérateur . Dans ce processus, nous

traitons deux types d’ambigüité : langagière et sémantique. Dans la première, nous

utilisons l’opérateur et dans la deuxième nous favorisons les concepts qui

possèdent des relations sémantiques avec d’autres concepts, dans le contexte (la

phrase) où ils apparaissent. Dans cette section, nous évaluons notre approche de

désambigüisation { travers l’étude de son apport dans le processus d’extraction

des concepts. Ainsi, nous comparons les résultats obtenus sans traitement

d’ambigüité (STA) aux résultats obtenus avec traitement d’ambigüité (ATA). Ces

résultats sont illustrés dans la Erreur ! Source du renvoi introuvable..

5.5.6.1. Résultats

Figure 5.7- Courbes de la précision à 11 points de rappel : sans et avec traitement de l’ambiguité (STA, ATA)

D’après la Erreur ! Source du renvoi introuvable., on constate que les courbes

e la précision { 11 points de rappel avec traitement de l’ambigüité sont au dessus

des courbes sans désambigüisation. La désambigüisation a amélioré la valeur de la

précision moyenne de presque 5% pour les trois langues (voir Erreur ! Source du

envoi introuvable.). Par opposition à la précision moyenne, la précision à 5

documents a régressé. Cette régression est de 3% pour l’anglais, 6 % pour

l’allemand et 14% pour le français. Elle s’explique par le fait que notre processus

devient plus sélectif et plus précis. Cette précision est surtout marquée par les

premiers documents retrouvés. Le Erreur ! Source du renvoi introuvable.

résente quelques résultats de la désambigüisation. La désambigüisation nous a

permis d’augmenter le nombre des termes non ambigus de 62%. Nous signalons

0

10

20

30

40

50

60

70

0 10 20 30 40 50 60 70 80 90 100

pré

cisi

on

Rappel

STA ENG

STA FRE

STA GER

ATA ENG

ATA FRE

ATA GER


-145-

aussi que la désambigüisation a baissé le taux d’ambigüité pour d’autres termes.

Par exemple le nombre des termes qui sont associés à 2 concepts est passé de

159711 à 175657. Ce qui veut dire que (175657-159711) termes sont passés

d’une ambigüité élevée { une plus base. En effet, ces termes ont été associés à plus

de 2 concepts avant la désambigüisation.

STA ATA

Langue MAP P@5 MAP P@5 ∆MAP ∆P@5

ENG 0.238 0.439 0.244 0.425 3% -3%

GER 0.109 0.148 0.115 0.139 6% -6%

FRE 0.086 0.148 0.089 0.127 3% -14%

Tableau 5.9 –Résultats en MAP et P@5 sans et avec traitement de l’ambiguité (STA, ATA)

STA ATA ∆NT

Nombre de Termes non ambigus 252977 410129 62%

Nombre de Termes associés à 2 concepts 159711 175657 10%

Tableau 5.10 – Quelques résultats de la désambigüisation.

5.5.6.1. Synthèse

Nous avons comparé les résultats de notre approche d’extraction des concepts

obtenus sans traitement de l’ambigüité aux résultats obtenus avec traitement de

l’ambigüité. Le traitement de l’ambigüité nous permet d’améliorer la valeur de la

MAP et de diminuer la valeur de la P@5. Notre processus est plus efficace avec une

prise en compte du traitement de l’ambigüité. La méthode de désambigüisation

que nous avons proposée s’avère performante et donne des bons résultats. Elle

nous a permis d’augmenter le nombre de termes non ambigus de 62% et de

diminuer le taux d’ambigüité pour les autres termes.

5.5.7. Extraction des concepts

Dans nos expérimentations nous évaluons l’extraction des concepts au moyen

de la précision moyenne (MAP) et la précision à 5 documents (P@5). La précision

moyenne nous permet d’avoir une vue globale de la performance de notre

approche. La précision { 5 documents nous donne un aperçu sur l’efficacité de

cette approche sur les 5 premier documents retournés par un SRI. Ces documents

sont les documents les plus regardés par les utilisateurs des SRIs. Les valeurs de

ces mesures sont obtenues { l’aide du programme trec_eval.

Comme mentionné dans le chapitre précédent, l’extraction des concepts est

réalisée en trois grandes étapes :


-146-

1. Extraction des termes simples : dans cette étape nous détectons les termes

simples par éliminations des mots vides. Ces mots sont obtenus par la

distance intertextuelle inter-domaine combiné un filtrage basé la loi Zipf.

2. Extraction des termes composés : les termes composés sont construits en se

basant sur l’information mutuelle adaptée (IMA). Dans cette étape

d’extraction, la valeur du seuil de l’information mutuelle adaptée (IMA) est

déterminée expérimentalement, cette valeur est égale à 15.

3. Identification des concepts associés aux termes : cette étape consiste à

extraire les concepts à partir des documents de la collection. Nous utilisons

les deux opérateurs définis dans le chapitre précédent : l’opérateur et

l’opérateur . L’opérateur permet de déterminer l’ensemble des

concepts dénotés par un terme. L’opérateur permet de déterminer

l’ensemble des concepts dénotés par un terme dans une langue donnée. Ce

dernier est utilisé en cas d’ambigüité langagière. C'est-à-dire dans le cas où

l’opérateur nous ramène plus d’un concept.

5.5.7.1. Résultats

Figure 5.8- Courbes de la précision à 11 points de rappel

La Figure 5.8 présente les courbes de la précision moyenne à 11 points de

rappel. Ces courbes correspondent aux précisions à 11 points de rappel des 85

requêtes écrites dans les trois langues. Nous constatons que la précision obtenue

pour les requêtes écrites dans la langue anglaise (ENG) est plus importante que

ceux écrites dans la langue française (FRE) ou la langue allemande (GER). Ceci

s’explique par le fait que la ressource sémantique (UMLS) utilisée dans nos

0

10

20

30

40

50

60

70

0 10 20 30 40 50 60 70 80 90 100

pré

cisi

on

Rappel

ENG

FRE

GER


-147-

expérimentations couvre mieux la langue anglaise que les autres langues. Le

pourcentage de cette langue dans UMLS est 27 fois plus important que la langue

française et 24 fois plus important que la langue allemande (voir Tableau 5.4). La

précision moyenne obtenue pour les requêtes (GER) et les requêtes (FRE) sont

presque similaires. Dans UMLS, ces deux langues sont couvertes d’une manière

identiques, 2.55% pour la langue française et 2.84% pour la langue allemande

(voir Tableau 5.4). D’ailleurs, la légère différence dans ces pourcentages est bien

manifestée dans les courbes précision rappel des requêtes écrites dans ces deux

langues. Dans la Figure 5.8 la courbe GER est légèrement au dessus de la courbe

FRE.

5.5.7.2. Comparaison de notre approche statistique avec les approches

linguistiques

Dans cette section, nous comparons les résultats de notre approche aux

résultats obtenus par des approches linguistiques. Ces résultats sont obtenus en

appliquant notre méthode sur la collection multilingue CLEF 2007 et en utilisant

les requêtes écrites dans la langue anglaise. Contrairement à ces approches notre

approche n’utilise aucune analyse linguistique ni de connaissance sur les langues

des documents. Elle est basée sur des mesures statistiques. Les langues des

documents ne sont pas diagnostiquées tout au long du processus d’extraction. Pour

extraire les termes dénotant les concepts, notre approche construit ces ressources

{ partir des documents et n’utilise aucune stop-liste ni anti-dictionnaire.

Nous réalisons notre comparaison au moyen de la comparaison des valeurs des

métriques MAP et P@5 obtenues par notre approche à ceux présentées dans

(MAISONNASSE et al, 2009).

Approche Analyse MAP P@5 ∆MAP37 ∆P@538

MM 0.246 0.357 -0.81% 19.05%

Linguistique MP 0.246 0.424 -0.81% 0.24%

TT 0.258 0.462 -5.43% -8.01%

Statistique STAT 0.244 0.425

Tableau 5.11 –Résultats en MAP et P@5 pour les deux approches

Où

37

38


-148-

MM désigne l’analyseur MetaMap,

MP désigne l’analyseur MiniPar,

TT désigne l’analyseur TreeTagger,

STAT notre analyse statistique.

Dans (MAISONNASSE et al, 2009), les auteurs utilisent une approche

linguistique pour extraire les concepts. Ils exploitent trois analyseurs linguistiques

MetaMap (MM), MinPar(Mp) et TreeTagger(TT). Les résultats obtenus par ces

différents analyseurs ainsi que ceux abtenus par notre approche statistique

(STAT) sont donnés dans le Tableau 5.11. Nous constatons qu’en précision

moyenne, les méthodes linguistiques sont légèrement meilleures que les méthodes

statistiques. En terme de précision moyenne les méthodes linguistiques donnent

des résultats meilleurs que notre approche. En utilisant une approche statistique,

la valeur de la précision moyenne a diminué en moyenne de 2.35%39 . Par contre

en précision à 5 documents notre approche donne des résultats meilleurs.

L’augmentation de la valeur de la précision { 5 documents est de 3.76%40 en

moyenne.

5.5.7.3. Synthèse

La comparaison en terme de précision Moyenne et en terme de Précision à 5

documents, nous montre que l’approche statistique que nous proposons donne des

résultats similaires aux résultats obtenus par des analyses linguistiques. Notre

approche statistique et les approches linguistiques ont les mêmes performances.

Cependant, notre approche présente l’avantage de ne pas être liée { la langue des

documents. De ce fait, elle est portable et s’applique { tous les corpus multilingues

où les documents sont écrits dans différentes langues.

5.5.8. Impact de la couverture du domaine par la ressource sémantique sur

l’extraction des concepts

Dans cette section, nous étudions la couverture du domaine par la ressource

sémantique utilisée dans le processus d’extraction des concepts sur la

performance de la méthode. Nous avons envisagé deux scénarios d’extraction des

concepts à partir de la collection Clef médicale 2007. Le premier utilise UMLS

39 2.35=((-0.81)+(-0.81)+(-5.43))/3

40 3.76=((19.05)+( 0.24)+( -8.01))/3


-149-

comme ressource sémantique pour extraire les concepts. Dans le deuxième nous

avons utilisé le méta-thésaurus MeSH (Medical Subject Heading). MeSH est un

méta-thésaurus qui fait partie de UMLS. Les termes dans MeSH sont écrits dans 11

langues. Ce méta-thésaurus est utilisé dans plusieurs travaux tels que le projet

NOESIS (PATRIARCHE et al, 2005) afin d’extraire les concepts { partir des

documents. MeSH est le plus important méta-thésaurus fusionné à UMLS. Dans

UMLS 28.73% des concepts et 18.02% des termes sont issus de MeSH. Il est à noter

que presque la moitié des termes dans UMLS qui sont écrits en français et en

allemand découlent de MeSH. Le Tableau 5.12 donne un aperçu de la part de MeSH

dans UMLS.

UMLS MeSH Part de MeSH dans UMLS

Langue Nombres de

concepts

Nombres de termes

Nombres de

concepts

Nombres de termes

en Concepts

en Termes

Toutes les langues

2125396 7581706 610605 1366234 28.73% 18.02%

ENG 2 124 783 5 043 752 295 842 689 666

13.92% 13.67%

FRE 79 301 149 439 37 100 86 996 46.78% 58.22%

GER 88 470 147 835 36 625 71 218

41.40% 48.17%

Tableau 5.12 – Aperçu sur MeSH et sa part dans UMLS

5.5.8.1. Résultats

Figure 5.9- Courbe de la précision à 11 points de rappel :UMLS versus MeSH

0

10

20

30

40

50

60

70

0 10 20 30 40 50 60 70 80 90 100

pré

cisi

on

Rappel

UMLS: ENG

UMLS: FRE

UMLS: GER

MSH: ENG

MSH: FRE

MSH: GER


-150-

Les résultats des deux scénarios sont illustrés dans la Figure 5.9. Nous

constatons que pour les trois langues : FRE, ENG et GER les courbes du premier

scénario sont toujours en dessus des courbes du deuxième scénario. L’utilisation

de MeSH au lieu de UMLS a engendré une baisse importante de la précision

moyenne (MAP). D’après le Tableau 5.13, cette baisse est de 50.00% pour la langue

anglaise, 40.26% pour la langue allemande et 56.07% pour la langue française. A

l’exception de la langue allemande une diminution importante de la valeur de la

précision à 5 documents est aussi observée. Cette dégradation est de 46.35% pour

l’anglais et 29.92% pour le français. Cette dégradation est attendue et s’explique

par le fait que UMLS couvre mieux le domaine médicale que MeSH.

UMLS MeSH


ENG 0.244 0.425 0.122 0.228 -50.00% -46.35%

GER 0.115 0.139 0.0687 0.160 -40.26% 15.11%

FRE 0.089 0.127 0.0391 0.089 -56.07% -29.92%

Tableau 5.13 –Résultats en MAP et P@5 pour les deux extractions: UMLS Versus MeSH

Contrairement { la langue anglaise et la langue française, l’utilisation de MeSH a

amélioré la P@5 pour l’allemand. Cette augmentation est de 15.11%. Afin

d’expliquer cette augmentation inattendue nous avons consulté la table précision

après n documents obtenue par trec_eval. Cette table est présentée dans le Tableau

5.14. D’après ce tableau, cette augmentation n’est pas maintenue pour une

précision à autre que 5 documents. Nous considérons cette augmentation comme

non significative et elle ne fait pas l’objet d’une étude supplémentaire de notre part

dans le cadre de cette thèse.

UMLS MeSH ∆ Precision (UMLS/MeSH)

Precision Precision

At 5 docs 0.1385 0.1600 116%

At 10 docs 0.1423 0.1350 95%

At 15 docs 0.1256 0.1167 93%

At 20 docs 0.1269 0.1125 89%

At 30 docs 0.1308 0.1350 103%

At 40 docs 0.0973 0.0810 83%

At 100 docs 0.0723 0.0648 90%

At 500 docs 0.0439 0.0306 70%

At 1000 docs 0.0290 0.0212 73%

Tableau 5.14 –Précision après n documents trouvés pour la langue allemande


-151-

5.5.8.2. Synthèse

Afin d’étudier l’impact de la couverture du domaine par la ressource

sémantique utilisée dans le processus d’extraction des concepts, nous avons testé

notre méthode d’extraction de concepts avec deux ressources différentes. Dans la

première nous avons utilisé UMLS et dans la deuxième nous avons utilisé MeSH.

Nous sommes aperçu la couverture du domaine par la ressource sémantique influe

énormément sur les résultats de l’extraction. Nous estimons obtenir de meilleurs

résultats en utilisant des ressources qui couvrent mieux le domaine

5.5.9. Extraction des relations sémantique

Dans UMLS, les concepts sont organisés en classes. Ces classes constituent les

types sémantiques définis dans le réseau sémantique. Chaque concept d’UMLS est

relié à un ou plusieurs types sémantiques. Ces types sont reliés entre eux par des

relations sémantiques. Nous utilisons cette organisation afin d’extraire les

relations entre concepts. Pour un couple de concepts ( ) qui apparaissent dans

une même phrase d’un même document la relation est détectée si :

1. un type sémantique associé à , et

2. un type sémantique associé à , et

3. et sont reliés par la relation dans le réseau sémantique de UMLS.

Le modèle que nous avons utilisé précédemment pour évaluer l’extraction des

concepts est défini sur des concepts et ne prend pas en compte les relations

sémantiques. Nous utilisons alors le modèle décrit dans (MAISONNASSE et al,

2008). Ce modèle est aussi issu des modèles de la langue comme le modèle que

nous avons utilisé précédemment. Le choix de garder des modèles issus des

modèles de la langue, nous permet par la suite d’évaluer directement l’apport de

l’extraction des relations.

Le modèle choisi est un modèle défini sur les concepts et les relations. C'est-à-

dire sur les graphes conceptuels (GC). Dans ce modèle le document et la requête

sont représentés par des GC. La fonction de correspondance est une pseudo-

projection du graphe de la requête sur le graphe du document. (MAISONNASSE et

al, 2008)


-152-

5.5.9.1. Résultats

Figure 5.10- Courbes de la précision à 11 points de rappel :Concepts versus Concepts+relations

La courbe de la précision à 11 points de rappel de la Figure 5.10 illustre les

résultats de deux scénarios. Le premier correspond { l’utilisation des concepts

seuls pour indexer les documents de la collection. Le deuxième correspond

l’utilisation des concepts et des relations sémantiques pour indexer ces documents.

Le deuxième scénario donne des résultats meilleurs que les résultats obtenus par

premier. Cette amélioration des résultats est observée pour toutes les langues.

Comparée { l’utilisation des concepts seuls, l’utilisation des relations en plus des

concepts améliore la précision moyenne et la précision à 5 documents. Les détails

de ces améliorations sont donnés dans le Tableau 5.15.

Concepts seuls Concepts + Relations


ENG 0.244 0.425 0.249 0.449 2.05% 5.65%

GER 0.115 0.139 0.139 0.162 20.87% 16.55%

FRE 0.089 0.127 0.093 0.153 4.49% 20.47%

Tableau 5.15 –Résultats en MAP et P@5 pour les deux sénarios: Concepts Versus Concepts+Relations

5.5.9.2. Synthèse

L’utilisation des GCs au lieu des concepts seuls pour indexer les documents a

amélioré la MAP et la P@5. Nous notons que les relations ne sont pas identifiées.

Ceci n’était pas possible dans le cadre de nos expérimentations. En effet, les labels

0

10

20

30

40

50

60

70

0 10 20 30 40 50 60 70 80 90 100

pré

cisi

on

Rappel

Concepts: ENG

Concepts: FRE

Concepts: GER

Concepts+Relations: ENG

Concepts+Relations: FRE

Concepts+Relations: GER

5.6. Discussion

-153-

des relations dans UMLS ne sont donnés que dans la langue anglaise. Ceci rend

difficile l’application des opérateurs et .

5.6. Discussion

Dans les expérimentations que nous avons réalisées, nous avons d’abord évalué

la méthode d’extraction des termes simples { travers l’évaluation de l’élimination

des mots vides. Ensuite, nous avons déterminé la valeur adéquate du seuil de

l’information mutuelle adaptée pour l’extraction des termes composés en testant la

méthode d’extraction des concepts { différentes valeurs de ce seuil. Par la suite,

nous avons évalués l’efficacité de la méthode de désambigüisation des termes en

étudiant son apport dans le processus d’extraction des concepts. Ensuite, nous

avons évalué la méthode de l’extraction des concepts en la comparant une

méthode linguistique de référence. Aussi nous avons étudié l’impact de la

couverture du domaine par la ressource sémantique utilisé sur l’efficacité de la

méthode d’extraction des concepts en utilisant MeSH au lieu de UMLS. Enfin, nous

avons évalué la méthode que nous avons proposée pour l’extraction des relations.

Cette évaluation est réalisée en étudiant l’apport d’une indexation basée sur les

concepts et les relations dans le processus de recherche d’information. Nous avons

comparé les résultats obtenus en utilisant les concepts seuls comme index des

documents à ceux obtenus en indexant ces documents par des concepts et des

relations sémantiques.

Nos expérimentations nous ont permis de juger la performance de notre

approche. Ce jugement est obtenu par comparaison des résultats obtenus par

notre approche { ceux obtenus par l’approche linguistique. D’après cette

comparaison nous avons constaté que notre approche possède la même

performance que l’approche linguistique. Mais de plus, elle présente l’avantage

d’être indépendante de la langue des documents à traiter. De ce fait, elle est

facilement applicable { d’autres corpus multilingues. Cependant, notre approche

présente une limite. Elle ne trouve sa performance que sur des corpus volumineux.

En effet, cette approche est basée sur des mesures statistiques, ces mesures sont

significatives seulement sur des corpus de grandes tailles.

5.7. Conclusion

Dans ce chapitre, nous avons évalué notre approche d’extraction des concepts et

des relations à partir de corpus multilingues. Ce corpus contient des documents

qui sont écrits en anglais, en français et en allemand. Le processus d’extraction des

5.7. Conclusion

-154-

concepts est composé de trois étapes : l’extraction des termes simples, l’extraction

des termes composés et l’identification des concepts associés aux termes. Nous

avons évalué la première étape { l’aide de la mesure de précision et la mesure

rappel. Le reste du processus est évalué en comparant l’approche proposée {

l’approche linguistique. Nous avons utilisé la précision moyenne et la précision { 5

documents comme mesures de d’évaluation. Dans cette évaluation, nous avons

comparé les résultats obtenus par notre approche aux résultats obtenus par

l’utilisation des analyseurs linguistiques: MetaMap, MiniPar et TreeTagger. Ces

résultats sont présentés dans un travail jugé robuste par la campagne d’évaluation

Clef. Notre approche donne des résultats comparables à ceux obtenus par

l’approche linguistique. De ce fait, la méthode que nous proposons pour extraire

les concepts et les relations peut s’appliquer { différentes langues et montrer des

résultats comparables à ceux travaillant sur une analyse linguistique. La méthode

d’extraction des relations entre concepts est évalué en étudiant l’apport des

relations extraites dans le processus de recherche d’information.

-155-

Chapitre 6

Conclusions et perspectives

Dans le cadre de cette thèse, nous nous sommes intéressés aux techniques et aux

outils de recherche et d’indexation d’informations textuelles. Nous avons exposé le

problème d’indexation des documents multilingues et la nécessite de développer

des techniques permettant l’indexation de ces documents. Nous avons montré que

la prise en compte des informations sémantiques dans le processus d’indexation

peut améliorer la performance d’un SRI. Ces informations sont issues des

ressources sémantiques telles que les ontologies et les thésaurii. Ces ressources

sont de plus en plus disponibles. Par conséquent, l’utilisation des informations

sémantiques dans le processus d’indexation est devenue plus facile. Nous avons

étudié les approches d’indexation existantes. A partir de cette étude, nous avons

proposé une démarche permettant d’indexer les documents multilingues écrits en

anglais et en langues latines. Cette indexation consiste à extraire les descripteurs

sémantiques à partir des documents. Ces descripteurs sont les concepts et les

relations sémantiques entre ces concepts. Ainsi, le contenu de chaque document

est décrit par un ensemble de concepts reliés par des relations : un graphe

sémantique. Dans la suite nous exposons nos principales contributions et les

perspectives ouvertes par nos travaux.

6.1. Contributions

6.1.1. Sur le plan théorique

1. Nous avons proposé une méthode automatique d’extraction des termes

simples. Dans cette méthode, nous nous sommes basés sur la distance

intertextuelle inter-domaine. Nous identifions les termes simples (les mots

pleins) par l’identification des mots vides. Nous avons signalé qu’il n’existe

pas des mots vides et des mots pleins dans l’absolu. Un mot n’est catégorisé

plein ou vide que par rapport à un domaine. Notre méthode prend en

compte le domaine de ces mots à fin de les catégoriser pleins ou vides. Les

6.1. Contributions

-156-

mots sont examinés dans le contexte où ils apparaissent, les documents du

corpus du domaine considéré.

2. Nous avons introduit une nouvelle mesure statistique : l’information

mutuelle adaptée (IMA). Cette mesure est l’adaptation de la mesure

existante, l’information mutuelle. IMA est utilisée pour extraire les termes

composés. Ces termes sont formés par des termes simples et des mots vides.

De ce fait, ces termes composés sont moins ambigus que les termes simples.

Nous avons introduit une nouvelle pondération des termes composés,

CTF*IDF (CTF pour Compound Term Frequency). Dans cette pondération les

termes composés les plus long (en nombre de termes simples) sont

favorisés. Une pondération plus élevée est attribuée aux termes composés

les plus longs.

3. Afin de prendre en compte les informations sémantiques issues d’une

ressource externe, nous transformons les termes en concepts. Ainsi, nous

avons défini l’opérateur et son opérateur inverse . L’opérateur

permet de déterminer le sens ou les sens d’un terme donné. Ces sens

représentent les concepts dénotés par ce terme dans la ressource

sémantique.

4. Nous avons traité deux types d’ambigüité : l’ambigüité langagière et

l’ambigüité sémantique ou polysémie. Ainsi, Nous avons proposé une

démarche de désambigüisation. Afin de traiter l’’ambigüité langagière nous

avons défini l’opérateur . Cet opérateur sera utilisé à la place de

l’opérateur , en spécifiant une langue d’un terme non langagièrement

ambigu. Pour traiter le deuxième type d’ambigüité, nous favorisons les

concepts en relation avec un concept non ambigu de la même phrase.

5. Nous avons également proposé une méthode d’extraction des relations

sémantiques entre les concepts. Une relation sémantique est détectée entre

deux concepts d’une même phrase s’il existe une relation dans la ressource

sémantique qui les relie.

6.1.2. Sur le plan pratique et technique

Nous avons évalué notre proposition sur le domaine médical à travers la

collection CLEF 2007. Cette collection nous a permis de mener nos tests dans un

cadre réel. Nous avons testé la performance de l’approche que nous avons

proposée, en utilisant des métriques issues du domaine de la recherche

d’information. Durant nos expérimentations nous avons effectué une comparaison

entre les résultats obtenus par notre approche et les résultats obtenus par

6.2. Perspectives

-157-

l’approche linguistique. Cette comparaison nous a permis de juger la performance

de l’approche proposée et de bien la positionner par rapport { l’approche

linguistique.

Les expérimentations réalisées prouvent que notre approche possède presque

la même performance que l’approche linguistique avec un écart de 2.4% en terme

de MAP et de (-2.7%) en terme de P@5. Cependant notre approche présente

l’avantage d’être indépendante de la langue des documents.

Egalement, nous avons validé notre proposition de désambigüisation à travers

l’étude de son impact sur le processus d’extraction des concepts. Nous avons

constaté que la désambigüisation améliore les résultats du processus. Nous avons

étudié l’impact de la qualité de la ressource sémantique sur le processus

d’extraction des concepts. Cette étude nous a montré que l’utilisation d’une

ressource de bonne qualité améliore la performance de ce processus. Nous avons

aussi testé l’effet d’une variation de la valeur du seuil de l’IMA sur l’efficacité du

processus. Ce test nous a permis de déterminer la valeur adéquate. Cette valeur est

souvent difficile à déterminer.

Pour finir nos expérimentations nous avons étudié l’apport de l’utilisation des

relations sémantiques dans un processus de recherche d’information. Cette étude

nous permet de valider notre proposition d’extraction des relations sémantiques

entre concepts. Nous avons constaté que l’utilisation des concepts et des relations

au lieu des concepts seuls pour décrire les documents a un effet positif sur le

processus de recherche d’information.

Sur un plan technique, nous avons développé une plateforme logicielle appelée

MuDIBO (Multililingual Documents Indexing Based on Ontology). Cet outil permet

d’indexer des documents multilingues. Il est basé sur l’approche que nous avons

proposée. MuDIBO est facilement applicable { d’autres corpus et en utilisant

d’autres ressources sémantiques. Dans cet outil, le processus d’indexation est

entièrement automatique et aucune intervention utilisateur n’est nécessaire.

6.2. Perspectives

Les travaux réalisés dans cette thèse ouvrent diverses perspectives.

Extraction des termes composés

D’une part, la méthodologie d’extraction des termes composés que nous avons

proposée est itérative. Elle consiste, à chaque itération à calculer la valeur de

l’information mutuelle adaptée entre les couples des termes extraits { l’itération

6.2. Perspectives

-158-

précédente. Les couples de termes possédant une valeur de l’IMA inférieure { un

seuil sont ajoutés { la liste des termes composés. Ce processus s’arrête si { une

itération aucun nouveau terme n’est découvert. La valeur du seuil est inconnue au

départ et elle est déterminée par la suite par l’expérience durant le processus

d’extraction. Nous prévoyons d’effectuer des tests sur d’autres corpus pour voir s’il

n’existe pas de valeur de seuil universel. Les premiers tests, que nous avons

réalisés dans cette thèse, nous ont montré que cette valeur est indépendante de la

langue (15 pour les trois langues de la collection CLEF 2007). Reste à vérifier si

cette valeur est indépendante du domaine et de la taille du corpus.

D’autre part, une partie des termes composés qui ont été extraits par notre

approche n’ont pas pu être transformé en concepts. Cela s’explique par deux

raisons. La première est que la ressource sémantique ne couvre pas la totalité du

domaine du corpus. La deuxième, est que ces termes qui ne dénotent pas des

concepts dans la ressource sémantique sont mal extraits. Afin de vérifier ces

hypothèses une étude approfondie de ces termes doit être effectuée.

Transformation des termes en concepts

Nous avons défini l’opérateur afin de transformer les termes en concepts. Cet

opérateur permet de déterminer les concepts dénotés par un terme. Il consiste à

projeter le terme sur la ressource sémantique. Cette projection est stricte et ne

prend pas en considération les variations lexicales et syntaxiques des termes. Cet

opérateur trouve sa performance à travers la bonne qualité de la ressource

sémantique utilisée, par exemple comme UMLS où les variations des termes sont

souvent données. Nous pensons qu’un perfectionnement de l’opérateur est

nécessaire. Une solution possible est de coupler à cet opérateur une procédure de

calcul de similarités lexicales entre mots. Ces procédures sont utilisées dans les

éditeurs de texte et les correcteurs d’orthographe. Elles se basent sur des distances

lexicales, telles que la distance de Levenshtein (LEVENSHTEIN, 1966).

Intégration de notre approche dans un SRI multilingue

L’approche que nous avons proposée permet d’indexer des documents

multilingues. Elle consiste à décrire les contenus de ces documents par des graphes

conceptuels. Nous prévoyons { court terme d’intégrer notre approche à un SRI

multilingue basé sur les GCs. Il s’agit du système SyDOM (ROUSSEY, 2001).

6.2. Perspectives

-159-

SyDoM se compose de différents modules, chacun de ces modules est dédié à

une étape des processus d'indexation et de recherche des documents. SyDoM

comprend :

1. un module de gestion des thésaurus sémantiques, permettant de construire

un langage documentaire utilisé pour annoter et interroger les documents.

Ce langage se compose d'une modélisation du domaine à laquelle sont

associés plusieurs vocabulaires.

2. un module de recherche, permettant de construire une requête sous forme

de graphes conceptuels et de récupérer la liste des documents répondant à

cette requête.

3. un module d'indexation manuelle de documents en XML, permettant

d'annoter les documents par des graphes conceptuels .

Dans SyDOM, le module d’indexation étant manuel ce qui n’a pas permis le

passage { l’échelle dans la taille du corpus. L’intégration de notre approche { ce

système permet d’automatiser le processus d’indexation dans SyDOM.

-161-

Annexes

Exemple de document de la collection CLEF médicale 2007 (le document

3331)

<DOC>

<ID>

<sentence>

3331

</sentence>

</ID>

<Description>

<sentence>

Coupe axiale CT au niveau de C4, en fenêtre osseuse. Le CT permet de

mesurer les diminutions du canal rachidien. Dans ce cas, le diamètre

antéro-postérieur, mesuré entre le mur postérieur du corps vertébral

et l'arc neural est de 10 mm.

</sentence>

</Description>

<Diagnosis>

<sentence>

Sténose congénitale du canal rachidien.

</sentence>

</Diagnosis>

<Sex>

</Sex>

<CaseID>

</CaseID>

<ClinicalPresentation>

</ClinicalPresentation>

<Commentary>

<sentence>

Le CT en coupe axiale permet d'apprécier parfaitement la forme et les

dimensions du canal rachidien et des canaux radiculaires. La forme du

canal rachidien varie selon le niveau concerné. Elle peut être ronde,

ovalaire, ou en "trèfle".

Il existe certaines variantes anatomiques de forme et de dimension. Le

canal rachidien lombaire dont le diamètre A-P est inférieur à 12 mm.

est un canal étroit de type constitutionnel. Dans une situation

pareille, même des lésions dégénératives discrétes peuvent devenir

symptomatiques.

</sentence>

</Commentary>

<KeyWords>

</KeyWords>

…

…

</sentence>

</OGraft>

<WEBURL>

<sentence>

http://129.195.254.38:5000/4DMETHOD/_HTML_MCase/3331

</sentence>

</WEBURL>

</DOC>

6.2. Perspectives

-162-

Exemple de requête (la requête 74)

<DOC >

<ID>74</ID>

<EN-desc>xray hip fracture</EN-desc>

<DE-desc>Ultraschallbild mit rechteckigem Sensor</DE-desc>

<FR-desc>Radio d'une fracture de la hanche</FR-desc>

</DOC>

Exemple de fichier index (portion pour le document 3331)

…………

…………

<DOC ID="3331" >

<LUNIT>

<CON ID="C1555015" />

</LUNIT>

<LUNIT>

<CON ID="C1556084" />

</LUNIT>

<LUNIT>

<CON ID="C0034599" />

<CON ID="C0029408" />

<CON ID="C0022408" />

</LUNIT>

<LUNIT>

<CON ID="C0205064" />

<CON ID="C0728985" />

<CON ID="C0037949" />

</LUNIT>

<LUNIT>

<CON ID="C0175677" />

</LUNIT>

<LUNIT>

<CON ID="C0014938" />

<CON ID="C0600510" />

<CON ID="C0013806" />

<CON ID="C1849011" />

<CON ID="C1550227" />

<CON ID="C0086881" />

</LUNIT>

<LUNIT>

<CON ID="C1550227" />

<CON ID="C1850808" />

<CON ID="C0086881" />

<CON ID="C0037922" />

<CON ID="C0013806" />

<CON ID="C0600510" />

<CON ID="C0439200" />

<CON ID="C1532563" />

<CON ID="C1334803" />

<CON ID="C0014938" />

</LUNIT>

<LUNIT>

<CON ID="C1152393" />

<CON ID="C0439534" />

</LUNIT>

<LUNIT>

6.2. Perspectives

-163-

<CON ID="C0041600" />

…………

…………

</DOC>

…………

…………

Exemple de jugement de pertinence fourni par CLEF 2007(pour la requête

74)

…………

…………

74 0 2560 0

74 0 2561 0

74 0 10059 0

74 0 2570 0

74 0 2571 0

74 0 2594 0

74 0 2605 0

74 0 2677 0

74 0 2696 2

74 0 2705 0

74 0 2751 0

74 0 2753 0

74 0 2758 0

74 0 2759 0

74 0 2761 0

74 0 2778 0

74 0 2785 0

74 0 10805 2

74 0 2798 0

74 0 2818 2

74 0 2871 0

74 0 2969 0

74 0 2981 0

74 0 11723 0

74 0 2990 0

74 0 2995 0

74 0 11734 0

74 0 3020 0

74 0 3024 0

74 0 3025 0

74 0 3039 0

74 0 3065 0

74 0 3070 0

…………

…………

Exemple de sortir trec_eval

…………

…………

Queryid (Num): 730

Total number of documents over all queries

Retrieved: 1000

Relevant: 156

Rel_ret: 72

Interpolated Recall - Precision Averages:

6.2. Perspectives

-164-

at 0.00 1.0000

at 0.10 0.8571

at 0.20 0.7619

at 0.30 0.7015

at 0.40 0.5888

at 0.50 0.0000

at 0.60 0.0000

at 0.70 0.0000

at 0.80 0.0000

at 0.90 0.0000

at 1.00 0.0000

Average precision (non-interpolated) over all rel docs

0.3319

Precision:

At 5 docs: 1.0000

At 10 docs: 0.8000

At 15 docs: 0.8667

At 20 docs: 0.8500

At 30 docs: 0.7333

At 100 docs: 0.6000

At 200 docs: 0.3550

At 500 docs: 0.1440

At 1000 docs: 0.0720

R-Precision (precision after R (= num_rel for a query) docs

retrieved):

Exact: 0.4551

Queryid (Num): 41

Total number of documents over all queries

Retrieved: 36264

Relevant: 3584

Rel_ret: 1953

Interpolated Recall - Precision Averages:

at 0.00 0.6097

at 0.10 0.4643

at 0.20 0.4139

at 0.30 0.3659

at 0.40 0.3449

at 0.50 0.2309

at 0.60 0.1700

at 0.70 0.1571

at 0.80 0.1200

at 0.90 0.0627

at 1.00 0.0020

Average precision (non-interpolated) over all rel docs

0.2436

Precision:

At 5 docs: 0.4244

At 10 docs: 0.4098

At 15 docs: 0.3870

At 20 docs: 0.3659

At 30 docs: 0.3276

At 100 docs: 0.1961

At 200 docs: 0.1400

At 500 docs: 0.0796

At 1000 docs: 0.0476

R-Precision (precision after R (= num_rel for a query) docs

retrieved):

Exact: 0.2653

6.2. Perspectives

-165-

Exemple d’analyse lexicale réalisé par MuDIBO

urlshort IndiceDebut Lexeme NumPhrase Rang

3331 0 Coupe 1 1

3331 6 axiale 1 2

3331 13 CT 1 3

3331 16 Au 1 4

3331 19 niveau 1 5

3331 26 De 1 6

3331 29 C4 1 7

3331 33 En 1 8

3331 36 fenêtre 1 9

3331 44 osseuse 1 10

3331 53 Le 2 1

3331 56 CT 2 2

3331 59 permet 2 3

3331 66 De 2 4

3331 69 mesurer 2 5

3331 77 Les 2 6

3331 83 diminutions 2 7

3331 95 Du 2 8

3331 98 canal 2 9

3331 104 rachidien 2 10

3331 115 Dans 3 1

3331 120 Ce 3 2

3331 123 Cas 3 3

3331 128 Le 3 4

3331 131 diamètre 3 5

3331 140 antéro-postérieur 3 6

… … … … …

-167-

Bibliographie

ARNOLD et al. (1994). ARNOLD D., BALKAN L., MEIJER S., HUMPHREYS R. L, SADLER L.

Representation and Processing, In Machine Translation: an Introductory

Guide, chapter 3, p. 37–62. NCC Blackwell Ltd.

AUSSENAC et al. (2004). AUSSENAC G N., MOTHE J. Ontologies as Background

Knowledge to Explore Document Collections, In Actes de la Conférence sur la

Recherche d'Information Assistée par Ordinateur (RIAO), pp 129-142 .

BAAYEN et al. (1996). BAAYEN H., VAN HALTEREN H., TWEEDIE F. Outside the Cave of

Shadows : Using Syntactic Annotation to Enhance Authorship Attribution,

Literary and Linguistic Computing 11, 3, p: 121-131.

BAZIZ. (2005). BAZIZ M. indexation conceptuelle/sémantique guidée par ontologie

pour la recherche d'information, Thèse de Doctorat en informatique effectuée

à l'Institut de Recherche en Informatique de Toulouse (IRIT) .

BAZIZ et al. (2007). BAZIZ M., BOUGHANEM M., PASI G., PRADE H. An Information

Retrieval Driven by Ontology from Query to Document Expansion .

Proceedings of the 8th Conference on Large-Scale Semantic Access to Content

(Text, Image, Video and Sound), RIAO 2007 .

BENSON. (1989). BENSON M. The Structure of the Collocational Dictionary, in

International Journal of Lexicography.

BENVENISTE. (1966). BENVENISTE E. Formes nouvelles de la composition nominale,

dans Bulletin de la société linguistique de Paris, repris dans Problèmes de

linguistique générale, tome 2, Paris, Gallimard, 1974, p: 163-176.

BERLAND et al. (1999). BERLAND M., CHARNIAK E. Finding parts in very large corpora.

In Annual meeting of Association of Computational Linguisitcs.

BERNHARD. (2006). BERNHARD D. Apprentissage de connaissances morphologiques

pour l’acquisition automatique de ressources lexicales. Thèse de doctorat en

sciences cognitives, Université Joseph Fourier – Grenoble I .

BOITET. (2001). BOITET C. Méthodes d’acquisition lexicale en TAO: des dictionnaires

spécialisés propriétaires aux bases lexicales généralistes et ouvertes. In D.

<Bibliographie

-168-

MAUREL,Ed., Actes de TALN 2001 (Traitement automatique des langues

naturelles), Tours: Université de Tours .

BOURIGAULT. (1992). BOURIGAULT D. Surface Grammatical Analysis for the

Extraction of Terminological Noun Phrases, dans Proceedings of the

Fourteenth International Conference on ComputationalLinguistics-COLING 92,

Nantes, p. 977-981.

BOURIGAULT. (1994). BOURIGAULT D. Un logiciel d’extraction de terminologie:

Application à l’acquisition de connaissances à partir de textes, thèse de

doctorat, Paris, École des Hautes Études en Sciences Sociales, 352 p.

BOURIGAULT. (1996). BOURIGAULT D. LEXTER, a Natural Language Processing tool

for terminology extraction. Proceedings of the 7th EURALEX International

Congress, Goteborg .

BOURIGAULT et al. (2000). BOURIGAULT D., FABRE C. Approche linguistique pour

l'analyse syntaxique de corpus. Cahiers de grammaire, Vol.25, p: 131-151 .

BOWKER et al. (2002). BOWKER L., PEARSON J. Working with Specialized Language :

A Practical Guide to Using Corpora, London/New York : Routeledge .

BRACHMAN. (1977). BRACHMAN R.,. A Structural Paradigm for Representing

Knowledge, Ph.D. thesis, Harvard University, USA .

BRACHMAN et al. (1985). BRACHMAN R. J., SCHMOLZE J.G. An Overview of the KL-

ONE Knowledge Representation System, Cognitive Science, 9, p: 171-216.

BRACKENRIDGE. (1978). BRACKENRIDGE C.J. A study of phenotypic arrays derived

from seven genetic systems in an Australian population sample, Annals of

Human Biology, p: 381-388 .

BRILL. (1992). BRILL E. A simple rule-based part of speech tagger, Proceedings of the

Third Conference on Applied Computational Language (ACL) Processing,

Trento .

BROWN et al. (1988). BROWN P., COCKE J., DELLA PIETRA S., DELLA PIETRA V.,

JELINEK F., MERCER R., ROOSSIN P. A statistical approach to language

translation. In: Proceedings of the 12th conference on Computational

linguistics . Budapest, Hungry .

BROWN et al. (1990). BROWN P., COCKE J., DELLA PIETRA S., DELLA PIETRA V.,

JELINEK F., MERCER R., ROOSSIN P. A statistical calcul approach to machine

translation. Computational linguistics .valume 16, n°2 .

<Bibliographie

-169-

BRUNET. (1988). BRUNET E. Une mesure de la distance intertextuelle : la connexion

lexicale, Le nombre et le texte. Revue informatique et statistique dans les

sciences humaines 24 ,p: 81-116.

BUCKLEY et al. (1995). BUCKLEY C., SINGHAL A.,MITRA M. . New Retrieval Approaches

Using SMART: TREC 4. TREC 1995.

BULSKOV. (2006). BULSKOV H. Ontology-based Information Retrieval, PhD Thesis,

Roskilde University, Denmark, Mai 2006 .

BUSCALDI et al. (2005). BUSCALDI D., ROSSO P., MONTES-Y-GOMEZ M.,. Context

Expansion with Global Keywords for a Conceptual Density-Based WSD.

CICLing, pp: 263-266.

CALLAN et al. (1992). CALLAN J. P., CROFT W.B, HARDING S.M. The INQUERY Retrieval

System. DEXA 1992, pp: 78-83.

CANCEDDA et al. (2003). CANCEDDA N., DÉJEAN H., GAUSSIER E., RENDERS J.M,

VINOKOUROV A. Report on CLEF-2003 experiments: two ways of extracting

multilingual resources from corpora. In C. PETERS, Ed., Proceedings of Cross

Language Evaluation Forum (CLEF2003), Trondheim, Norway: Springer .

CARON et al. (2005). CARON Y., MAKRIS P., VINCENT N. Zipf Law Models for Image

Analysis, Fractals In Engineering 2005, CDROM, TOURS (FRANCE), pp: 22-24

juin 2005.

CARTIER. (1997). CARTIER E. La définition dans les textes scientifiques et techniques :

présentation d'un outil d'extraction automatique de relations définitoires .

Actes des deuxièmes rencontres Terminologie et Intelligence Artificielle

(TIA'97), pp 127-140. Toulouse.

CEDERBERG et al. (2003). CEDERBERG S.,WIDDOWS D. (2003). Using lsa and noun

coordination information to improve the precision and recall of the hyponymy

extraction. In conference on Natural Language Learning.

CHEVALLET. (1992). CHEVALLET J.P. Un modèle logique de Recherche d'Information

appliqué au formalisme des graphes Conceptuels. Le prototype ELEN et son

expérimentation sur un corpus de composants logiciels. Thèse de l'Université

Joseph Fourier Grenoble I .

CHIAO. (2004). CHIAO Y.-C. Extraction lexicale bilingue à partir de textes médicaux

comparables : application à la recherche d’information translangue, thèse,

UNIVERSITÉ PARIS 6 .

<Bibliographie

-170-

CHIAO et al. (2002). CHIAO Y.-C., ZWEIGENBAUM P. Looking for candidate

translational equivalents in specialized, comparable corpora. In Proceedings of

the American Medical Informatics association 2002 Annual Symposium, pp:

150–154, San Antonio, Texas.

CHURCH et al. (1990). CHURCH .K. W., HANKS P. Word association norms, mutual

information and lexicography. Computational Linguistic, vol 1, Mars 1990, pp:

22-29 .

CIARAMITA et al. (2005). CIARAMITA M., GANGEMI A., RATSCH E., SARIC J., ROJAS I.

Unsupervised learning of semantic relations between concepts of a molecular

biology ontology. In International Joint Conference on Artificial Intelligence.

CLAVEAU. (2003). CLAVEAU V. Acquisition automatique de lexiques sémantiques pour

la recherche d'information, Thèse de doctorat, Université de Rennes 1 .

CONDAMINES et al. (2000). CONDAMINES A, REBEYROLLES J. Construction d'une base

de connaissances terminologiques à partir de textes : expérimentation et

définition d'une méthode. In CHARLET J, ZACKLAD M., KASSEL G. &

BOURIGAULT D. éds. Ingénierie des connaissances .

COWIE. (1981). COWIE A. The Treatment of Collocations and Idioms in Learners’

Dictionaries, in Applied Linguistics, Vol. 11, pp: 223-23.

CROFTS et al. (2008). CROFTS N., DOERR M., GILL T., STEAD S., STIFF M. Definition of

the CIDOC Conceptual Reference Model, March 2008.

DAGAN et al. (1997). DAGAN I., CHURCH K. Termight: Coordinating man and machine

in bilingual terminology acquisition. Machine Translation, 12(1-2), pp: 89–107.

DAILLE. (1994). DAILLE B. Approche mixte pour l’extraction de terminologie :

statistiquel exicale et filtres linguistiques. Rapport interne, Université de Paris

7. Thèse de Doctorat en Informatique Fondamentale .

DAILLE. (1996). DAILLE B. Study and implementation of combined techniques for

automatic extraction of terminology. In J. KLAVANS & P. RESNICK, Eds., The

Balancing Act :Combining Symbolic and Statistical Approaches to Language, p.

49–66. MIT Press .

DAILLE. (1999). DAILLE B. Identification des adjectifs relationnels en corpus. Actes de

la Conférence de Traitement Automatique du Langage Naturel (TALN'99),

Cargèse.

<Bibliographie

-171-

DAILLE. (2002). DAILLE B. Découvertes linguistiques en corpus, Mémoire

d'Habilitation à Diriger des Recherches en Informatique, Université de Nantes.

DAVID et al. (1990). DAVID S., PLANTE P. De la nécessité d'une approche morpho-

syntaxique en analyse de textes, dans Intelligence Artificielle et Sciences

Cognitives au Québec, vol. 2, no 3, septembre, pp: 140-155.

DEJEAN et al. (2002). DEJEAN H., GAUSSIER E. Une nouvelle approche à l’extraction

de lexiques bilingues à partir de corpus comparables. Lexicometrica, numéro

spécial sur Alignement lexical dans les corpus multilingues, pp: 1–22 .

DELBECQUE et al. (2005). DELBECQUE H., JACQUEMART P. , ZWEIGENBAUM P.

Utilisation du réseau sémantique de l'UMLS pour la définition de types

d'entités nommées médicales dans un système de questions-réponses : impact

de la source des documents explorés. In CORIA pages 101-115, Grenoble,

2005. CLIPS .

DING et al. (2001). DING Y., ENGELS R. IR and AI: Using co-occurrence Theory to

Generate Lightweight Ontologies. DEXA Workshop 2001, pp: 961-965.

DUCHASTEL et al. (1992). DUCHASTEL J., ARMONY V. . « Étude d'un corpus de

dossiers de la Cour juvénile de Winnipeg à l'aide du Système d'analyse de

textes par ordinateur (SATO) », in M. BÉCUE, L. LEBART et N. RAJADELL (dir.),

Jornades Internacionals d'Anàlisi de Dades Textuals, Bar .

DUNNING. (1993). DUNNING T. Accurate Methods for the Statistics of Surprise and

Coincidence, Computational Linguistics, vol. 19, n°1, pp: 71-74, Mars 1993 .

ENGUEHARD. (1994). ENGUEHARD C. Automatic natural acquisition of a terminology.

In Proceedings of the 2nd International Conference of Quantitative Linguistics

(QUALICO’94), pp: 83–88, Moscow .

ENGUEHARD et al. (1992). ENGUEHARD C., MALVACHE P., TRIGANO P. Indexation de

textes : l’apprentissage automatique de concepts. In Actes du XVème colloque

international en linguistique informatique, pp: 1197–1202, Nantes.

EVEOL et al. (2005). EVEOL A., OZDOWSKA S. NExtraction bilingue de termes

médicaux dans un corpus parallèle anglais/français. EGC, Paris .

E-WOK_HUB. (2008). E-WOK_HUB Consortium. Semantic Hubs for Geological

Projects, ESWC'2008 Workshop on Semantic Metadata Management and

Applications (SeMMA'2008), June 2, 2008, Teneriffe, Spain .

<Bibliographie

-172-

FELLBAUM. (1998). FELLBAUM C. WordNet, an Electronic Lexical Database. The MIT

Press .

FERRET et al. (2001). FERRET O., GRUAU B. Utiliser des corpus pour amorcer une

analyse thématique, dans Traitement automatique de la langue, no 2, vol. 42,

Paris, Hermès,pp: 517-545.

FLUHR. (1992). FLUHR C. Le traitement du langage naturel dans la recherche

d’information. In Interface intelligente dans l’information scientifique et

technique, Klingenthal : INRIA,1992. p103-130.

FOTZO et al. (2004). FOTZO H. N., GALLINARI P. Information access via topic

hierarchies and thematic annotations from document collections. In

International Conference on Enterprise Information Systems, pages 69-76.

FRANTZI et al. (1997). FRANTZI K. T., ANANIADOU S. Automatic Term Recognition

Using Contextual Cues, dans Proceedings of the 3rd DELOS Workshop, Zurich,

tiré à part, 8 p.

FRANTZI et al. (1999). FRANTZI K. T., ANANIADOU S., TSUJII J. Classifying Technical

Terms , dans Proceedings Third ICCC/IFIP Conference on Electronic Publishing,

Ronneby, p. 144-155.

FUNG et al. (1997). FUNG P., MCKEOWN K. Finding Terminology Translations from

Non-Paralle Corpora. In Proceedings of the 5th Annual Workshop on Very

Large Copora, volume 1, p. 192–202, Hong Kong.

FUNG et al. (1998). FUNG P., YEE L. Y. An IR approach for translating new words from

nonparallel, comparable texts. In Proceedings of the 17th International

Conference on Computational Linguistics and 36th Annual Meeting of the

Association for Computational Linguisti .

GALE et al. (1991). GALE W., CHURCH K. A program for aligning sentences in bilingual

corpora , Proceedings of the 29th Annual Meeting of the Association for

Computational Linguistics, 1991, Berkley, California, p. 177-184 .

GAMMOUDI. (1993). GAMMOUDI M. M. . Méthode de décomposition rectangulaire

d'une relation binaire : une base formelle et uniforme pour la génération

automatique des thesaurus et la recherche documentaire. Thèse de doctorat

de l'Université de Nice-Sophia Antipolis. Spécialité informatique .

GARCIA. (1998). GARCIA D. Analyse automatique des textes pour l'organisation

causale des actions, Réalisation du système informatique COATIS. Thèse de

doctorat. Université de Paris-Sorbonne.

<Bibliographie

-173-

GARÇON. (2005). GARÇON J. L. NTIC & ÉTHIQUES… QUELLE VALEUR POSSÈDE

L’INFORMATION EN LIGNE? Enjeux liés à l’information et conséquences de la

rencontre entre Marketing et information en ligne. Mémoire de DESS,

INSTITUT NATIONAL DES LANGUES ET CIVILISATIONS ORIENTALES .

GAUSSIER. (1998). GAUSSIER E. Flow network models for word alignment and

terminology extraction from bilingual corpora. In C. BOITET & P. WHITELOCK,

Eds., Proceedings of the Thirty-Sixth Annual Meeting of the Association for

Computational Linguistics and Seventeent .

GENEST et al. (2005). GENEST D., CHEIN M. A Content-search Information Retrieval

Process Based on Conceptual Graphs, Knowledge And Information Systems,

volume 8, numéro 3, pages 292-309. Springer .

GENEST. (2000). GENEST D. Extension du modèle des graphes conceptuels pour la

recherche d'informations, Université Montpellier II, Décembre 2000.

GIGUET. (1998). GIGUET E. Méthode pour l'analyse automatique de structures

formelles sur documents multilingues. Thèse de doctorat, spécialité

Informatique. Université de Caen .

GIRJU et al. (2002). GIRJU R., MOLDOVAN D. Text mining for causal relations. In

15sup th international Florida Artificial Intelligence Research Society

Conference, pp: 360-364.

GIRJU et al. (2003). GIRJU R., BADULESCU A., MOLDOVAN D. Learning semantic

constraints for the automatic discovery of part-whole relations. In Human

Language Technologies and North Ameircan Association of Computational

Linguisitcs, pages 80-87.

GOUJON. (1999). GOUJON B. Extraction d'informations techniques pour la veille par

exploration de notions indépendantes d'un domaine . Terminologies nouvelles

n° 19. pp 33-42.

GOWER. (1985). GOWER J. C. « Measures of similarity, dissimilarity and distance », in

Kotz S., Johnson N.-L. & Read C.-B. (eds), Encyclopedia of Statistical Sciences,

vol. 5. New York : Wiley, 397-405.

GRUBER. (1993). GRUBER T. R. Toward Principles for the design of Ontologies used for

Knowledge Sharing. in Proc of International Workshop on Formal Ontology,

Padova, Italy, March.

<Bibliographie

-174-

GRUNDY. (1996). GRUNDY V. L’utilisation d’un corpus dans la rédaction du

dictionnaire bilingue. In B. H. & T. P, Eds., Les dictionnaires bilingues, p. 127–

149. Louvain-la-Neuve, Duculot.

GUARINO et al. (1999). GUARINO N., MASOLO C, VETERE G.,. OntoSeek: Content-

Based Access to the Web, IEEE Intelligent System.

GUARINO. (1997). GUARINO N. Semantic Matching: Formal Ontological Distinctions

for Information Organization, Extraction, and Integration. SCIE 1997: 139-170.

GUO et al. (2004). GUO Y., HARKEMA H., GAIZAUSKAS R. Sheffield University and the

TREC 2004 Genomics Track : Query Expansion Using Synonymous terms, 2004.

HABERT et al. (1995). HABERT B., BARBAUD P., DUPUIS F. ET JACQUEMIN C. Simplifier

des arbres d'analyse pour dégager les comportements syntaxico-sémantiques

des formes d'un corpus. Cahiers de Grammaire, n20, 1995, pp. 1-32.

HARRATHI et al. (2005). HARRATHI F. , CALABRETTO S. , ROUSSEY C. . . Indexation

semi automatique de corpus multilingues basée sur une ontologie. Dans

Colloque Indice, Index, indexation, Ismail TIMIMI, Susan KOVACS ed. Lille. pp.

203-219. Sciences et Techniques de l'information . ADBS 25 rue Claude Tillier

75012 Paris.

HARRATHI et al. (2009). HARRATHI F., ROUSSEY C., CALABRETTO S., MAISSONNACE

L., GAMMOUDi M.M. Une approche d’indexation sémantique des documents

multilingues guidée par une ontologie. Dans RISE (Recherche d’Information

SEmantique) dans le cadre de la conférence INFORSID’2009 .

HAUSMANN. (1979). HAUSMANN F. Un dictionnaire des collocations est-il possible?,

in Travaux de linguistique et de littérature, Vol. 17, 187-195.

HEARST et al. (1997). HEARST M.A., KARADI C. Cat-a-Cone: an interactive interface

for specifying searches and viewing retrieval results using a large category

hierarchy, Conference on Research and Development in Information Retrieval

(SIGIR), pp: 246-257.

HEARST. (1992). HEARST M. Automatic acquisition of hyponyms from large text

corpora. In 14sup th International Conference on Computational Linguistics.

HERNANDEZ . (2005). HERNANDEZ N. Ontologies de domaine pour la modélisation du

contexte en Recherche d'information. Thèse de doctorat de l'Université Paul

Sabatier de Toulouse, Spécialité Informatique .

<Bibliographie

-175-

HERNANDEZ et al. (2004). HERNANDEZ N., MOTHE J. An approach to evaluate

existing ontologies for indexing a document corpus, Actes de AIMSA, pp: 11-

21.

HERNANDEZ et al. (2006). HERNANDEZ N., MOTHE J. TtoO: une méthodologie de

construction d’ontologie de domaine à partir d’un thésaurus et d’un corpus de

référence. Rapport de recherche, IRIT/RR—2006-04--FR, IRIT, février.

HIEMSTRA et al. (1997). HIEMSTRA D., DE JONG F., KRAAIJ W.HIEMSTRA. A domain

specific lexicon acquisition tool for cross-linguage information retrieval. In L.

DEROYE & C. CHRISMENT, Eds., Proceedings of RIAO97 Conference on

Computer-Assisted Searching on the Internet, p. 217–232, .

HIEMSTRA. (1998). HIEMSTRA D. Multilingual domain modeling in Twenty-One:

automatic creation of a bi-directional translation lexicon from a parallel

corpus. In H. V. H. PETER-ARNO COPPEN & L. TEUNISSEN, Eds., Proceedings of

the eightth CLIN meeting, p. 41–58.

HIEMSTRA. (2002). HIEMSTRA D. Term-Specific Smoothing for the Language

Modeling Approach to Information Retrieval: The Importance of a query Term.

In Proc. ACM SIGIR conference, (2002) 35–41 .

HILL. (1970). HILL B. M. Zipf's law and prior distributions for the composition of a

population, Journal of the American Statistical Association, 65:1220-1232.

HO. (2004). HO B Q. Vers une indexation structurée basée sur des syntagmes

nominaux (impact sur un SRI en vietnamien et la RI multilingue). thèse de

doctorat , UNIVERSITE JOSEPH FOURIER – GRENOBLE I.

HOLMES. (1995). HOLMES D. The Federalist revisited : new directions in autorship

attribution, Literary and Linguistic Computing 10, 2 : 111-127.

HUBALEK. (1982). HUBALEK Z. « Coefficients of Association and Similarity, based on

Binary (Presence Absence) Data : an Evaluation », Biol. Rev. 57 : 669-689.

INTERNET . (2009). INTERNET WORD STATS. Internet Usage World Stats - Internet

and Population Statistics [en ligne], disponible à

http://www.internetworldstats.com/, (consulté le 28/03/2009) .

JACQUEMIN et al. (2002). JACQUEMIN C., DAILLE B., ROYANTE, J., AND POLANCO X.

In vitro evaluation of a program for machine-aided indexing. Inf. Process.

Manage. 38, 6 (Nov. 2002), 765-792.

<Bibliographie

-176-

JACQUEMIN. (1996). JACQUEMIN C. A Symbolic and Surgical Acquisition of Terms

Through Variation. In Wermter S., Riloff E., Scheler G. (eds.), Connectionist,

Statistical and Symbolic Approaches to Learning for Natural Language

Processing. Springer, Heidelberg, pp. 425–438.

JACQUEMIN. (1997). JACQUEMIN C. Variation terminologique : Reconnaissance et

acquisition automatiques de termes et de leurs variantes en corpus. Mémoire

d'habilitation à diriger des recherches en informatique fondamentale,

Université de Nantes.

JACQUEMIN. (1998). JACQUEMIN C. Analyse et inférence de terminologie. Revue

d'Intelligence Artificielle. 12(2), pp: 163-205.

JACQUEMIN. (1999). JACQUEMIN C. Syntagmatic and paradigmatic representations

of term variation. Proceedings of the 37th Annual Meeting of the Association

for Computational Linguistics (ACL'99), pages 341-348, University of

Maryland.

JOUIS. (1993). JOUIS C. Contribution à la conceptualisation et à la modélisation des

connaissances à partir d'une analyse linguistique de textes, Réalisation d'un

prototype : le système SEEK, Thèse de Doctorat, EHESS, Paris.

KANG. (2003). KANG B.Y. A novel approach to semantic indexing based on concept.

Dans ACL ’03 : Proceedings of the 41st Annual Meeting on Association for

Computational Linguistics, (p. 44–49) (Association for Computational

Linguistics, Morristown, NJ, USA). ISBN 0-111-456789.

KASHYAP et al. (2004). KASHYAP V., RAMAKRISHNAN C., THOMAS C., BASSU D., RIND-

ESCH T. C., SHETH A. Taxaminer: An experimental on framework for

automated taxonomy bootstrapping. Technical report, University of Georgia.

KAVALEC et al. (2004). KAVALEC M., MAEDCHE A., SVATEK V. Discovery of lexical

entries for non-taxonomic relations in ontology learning. In SOFSEM.

KRAAIJ. (2004). KRAAIJ WESSEL. Variations on Language Modeling for Information

Retrieval. PhD thesis, University of Twente.

LABBE et al. (2003). LABBE C., LABBE D. La distance intertextuelle, Corpus, Numéro 2,

La distance intertextuelle - décembre 2003, 2003, [En ligne], mis en ligne le 15

décembre 2004. URL : http://corpus.revues.org/document31.html. Consulté

en juin 2006 .

<Bibliographie

-177-

LABBE et al. (2001). LABBE C., LABBE D. Inter-Textual Distance and Authorship

Attribution Corneille and Moliere, Journal of Quantitative Linguistics 8, 3 :

213-231.

LABBE et al. (2006). LABBE C., LABBE D. A Tool for Literary Studies: Intertextual

Distance and Tree Classification, Literary and Linguistic Computing, 2006,

Vol.21, N°3, pp. 311-326.

LAFON. (1980). LAFON P. Sur la variabilité de la fréquence des formes dans un corpus,

dans MOTS, no 1, p. 128-165.

LE MOIGNO et al. (2002). LE MOIGNO S., CHARLET J., BOURIGAULT D., JAULENT M.

Construction d’une ontologie à partir de corpus : expérimentation et

validation dans le domaine de la réanimation chirurgicale, In IC 2003, Rouen .

LE PRIOL. (2000). LE PRIOL F. Extraction et capitalisation automatique de

connaissances à partir de documents textuels. SEEK-JAVA : identification et

interprétation de relations entre concepts, Thèse de Doctorat en Informatique,

Université Paris-Sorbonne, 2000.

LEBART et al. (1988). LEBART L., SALEM A. Analyse statistique des données textuelles :

questions ouvertes et lexicométrie. Paris: Dunod .

LEBART et al. (1994). LEBART L., SALEM A. Statistique textuelle. Paris: Dunod.

LEE. (1995). LEE J.H. Combining multiple evidence from different properties of

weighting schemes. Dans EIGHTEENTH ACMSIGIR (edité par Ewdard A. Fox),

(p. 180–188) (Seattle, Washington). — cité en page(s) 13 .

LEVENSHTEIN. (1966). LEVENSHTEIN V. I. Binary codes capable of correcting

deletions, insertions and reversals. Sov. Phys. Dokl., 6:707-710, 1966.

LIN et al. (2001). LIN D., PANTEL P. Discovery of Inference Rules for Question

Answering. Natural Language Engineering, 7(4), pp. 343–360 .

LIN. (1998). LIN D. Dependency-based Evaluation of MINIPAR. Workshop on the

Evaluation of Parsing Systems, Granada, Spain .

LUHN . (1958). LUHN H. The automatic creation of literature abstracts. IBM Journal of

Research and Development, Vol 2, N° 2, pp :159–165.

MAISONNASSE et al. (2008). MAISONNASSE L., GAUSSIER E.,CHEVALLET J. P. Multi-

Relation Modeling on Multi Concept Extraction, LIG participation at

ImageClefMed, in Workshop CLEF 2008 17-19 September, Aarhus, Denmark.

<Bibliographie

-178-

MAISONNASSE et al. (2009). MAISONNASSE L., GAUSSIER E.,Chevallet J-P.

Combinaison d’analyses sémantiques pour la recherche d’information

médicale. Dans RISE (Recherche d’Information SEmantique) dans le cadre de

la conférence INFORSID’2009, Toulouse 2009 .

MAISONNASSE. (2008). MAISONNASSE L. . Les supports de vocabulaires pour les

systèmes de recherche d’information orientés précision : application aux

graphes pour la recherche d’information médicale. Université Joseph Fourier –

Grenoble . I. Thèse de Doctorat en Informatique.

MARTIN. (1996). MARTIN P. Exploitation de graphes conceptuels et de documents

structurés et hypertextes pour l'acquisition de connaissances et la recherche

d'informations. Thèse de l’Université de Nice - Sophia Antipolis, 1996 .

MEDIN. (1989). MEDIN D. L. Concepts and conceptual structure. American

Psychologist, volume 44, n°12, pp::1469-1481 .

MIHALCEA et al. (2000). MIHALCEA R., MOLDOVAN D.I. Semantic Indexing using

WordNet Senses, Actes de ACL Workshop on IR & NLP,

acl.ldc.upenn.edu/W/W00/W00-1104.pdf, 2000.

MILLER et al. (1990). MILLER G., BECKWITH R., FELLBAUM C., GROSS D., MILLER K.

Five papers on WordNet. Rapport interne, Cognitive Science Laboratory,

Princeton University.

MOLDOVAN et al. (2000). MOLDOVAN D.I. , MIHALCEA R. Using WordNet and Lexical

Operators to Improve Internet Searches. IEEE Internet Computing, tome 4(1)

:p. 34–43. ISSN 1089-7801. — cité en page(s) 18 .

MOREAU et al. (2006). MOREAU F., CLAVEAU V. . Extension de requêtes par relations

morphologiques acquises automatiquement. In Actes de la Troisième

Conférence en Recherche d’Informations et Applications CORIA 2006, pages

181–192.

MORIN et al. (2004). MORIN E., JACQUEMIN C. Automatic Acquisition and Expansion

of Hypernym Links. Computers and the Humanities (CHUM), Kluwer, 38(4), p:

363–396 .

MORIN et al. (2004). MORIN E., DUFOUR-KOWALSKI S., DAILLE B. Extraction de

terminologies bilingues à partir de corpus comparables, Actes, 11ème

Conférence annuelle sur le Traitement Automatique des Langues Naturelles

(TALN) .

<Bibliographie

-179-

MORIN. (1999). MORIN E. Des patrons lexico-syntaxiques pour aider au

dépouillement terminologiques, Traitement Automatique des Langues,

volume 40, Numéro 1, pages 143-166 .

MORIN. (1999a). MORIN E. Extraction de Liens Sémantiques Entre Termes à Partir de

Corpus de Textes Techniques. PhD thèse, Université de Nantes .

MOTHE et al. (2007). MOTHE J., HERNANDEZ N., . TtoO: Mining thesaurus and texts

to build and update a domain ontology, In: Data Mining with Ontologies:

Implementations, Findings, and Frameworks. H. O. Nigro, S. G. Císaro, and

D.Xodo. Idea Group Inc .

MUGNIER et al. (1996). MUGNIER M., CHEIN M. Représenter des connaissances et

raisonner avec des graphes, Revue d’Intelligence Artificielle, vol. 10, n° 1, p. 7-

56, 1996.

MULLER et al. (2007). MULLER H, DESELAERS T, LEHMANN T, CLOUGH P and HERSH

W. Overview of the ImageCLEFmed 2006 medical retrieval and annotation

tasks . Evaluation of Multilingual and Multi-modal Information Retrieval --

Seventh Workshop of the Cross-Language Evaluation Forum .

MULLER. (1977). MULLER C. Principes et méthodes de statistique lexicale. Paris :

Hachette.

NIE et al. (1997). NIE J-Y, CHEVALLET J.P. , CHIARAMELLA Y. Vers la recherche

d'informations a base de termes, in 1eres Journees Scientifiques et Techniques

du Reseau Francophone de l'Ingerierie de la Langue de l'AUPELF-URF, Avignon

- France, pp119-125, 15-16 Avril.

NIE. (2002). NIE J-Y. Torwards a Unified Approach to CLIR and Multilingual IR – SIGIR

2002, 2002.

NLM. (2009). NLM. Unified Medical Language System Fact Sheet [en ligne].

Disponible sur: http://www.nlm.nih.gov/pubs/factsheets/umls.html. (consulté

le 23/04/2009) .

OARD et al. (1997). OARD D. W., HACKETT P. Document Translation for Cross-

Language Text Retrieval at the University of Maryland. TREC 1997: 687-696.

Observatoire. (2006). Observatoire. Observatoire du Traitement Informatique des

Langues et de l'Inforoute, C - Lexique de l'inforoute et du traitement

informatique des langues, http://www.owil.org/lexique/c.htm, consulté en

Décembre 2006.

<Bibliographie

-180-

OUESLATI. (1999). OUESLATI R. Aide à l’acquisition de connaissances à partir de

corpus. Rapport interne, Université Louis Pasteur Strasbourg. Thèse de

Doctorat en Informatique.

PANTEL et al. (2002). PANTEL P., LIN D. Discovering Word Senses from Text. In

Proceedings of ACM SIGKDD Conference on Knowledge Discovery and Data

Mining 2002. pp. 613-619. Edmonton, Canada .

PAROUBEK et al. (2000). PAROUBEK P., RAJMAN M. Etiquettage morphosyntaxique ,

danss Ingenierie des Langues , Collection Information Commande

Communication , aux Editions Hermes Science ISBN 2-7462-0113-5, october

2000 pp 131-148.

PATRIARCHE et al. (2005). PATRIARCHE R., GEDZELMAN S., DIALLO G., BERNHARD D.,

BASSOLET C., FERRIOL S., GIRARD A., MOURIES M., PALMER P, SIMONET M.

Noesis Annotation Tool: Un outil pour l’annotation textuelle et conceptuelle de

documents. Ingenierie des Connaissances IC'2005, Nice (France) Mai 2005.

PERRON. (1996). PERRON J. ADEPTE-NOMINO : un outil de veille terminologique ,

dans Terminologies nouvelles, no 15, juin et décembre, Bruxelles, RINT, p. 32-

47.

PERY-WOODLEY. (1995). PERY-WOODLEY M.P. Quels corpus pour quels traitements

automatiques ? Traitement Automatique de la Langue (TAL), volume 36, n°

1et 2 .p : 213-232.

PHILIPP. (2005). PHILIPP K. Europarl: A Parallel Corpus for Statistical Machine

Translation. In MT Summit 2005.

PONTE et al. (1998). PONTE J M. and CROFT W B. A Language Modeling Approach to

Information Retrieval, Research and Development in Information Retrieval:

75-281.

PUNURU. (2008). PUNURU J. R. Knowledge-Based Methods for Automatic Extraction

of Domain-Specific Ontologies. Phd thesis, Louisiana State University, degree

of Doctor of Philosophy.

PURANDARE. (2003). PURANDARE A. . Discriminating Among Word Senses Using

Mcquitty's Similarity Analysis, Actes de HLT-NAACL 03 - Student Research

Workshop.

QUILLIAN. (1968). QUILLIAN R. Semantic memory. Semantic information processing,

pages 227-270.

<Bibliographie

-181-

QUINLAN. (1993). QUINLAN R. J. C4.5: Programs for Machine Learning. Morgan

Kaufmann.

RADHOUANI. (2008). RADHOUANI S. Un modèle de Recherche d'Information orienté

précision fondé sur les dimensions de domaine. Ph.D. Thesis, University of

Geneva, Geneva, Switzerland, Joseph Fourier University, Grenoble, France .

RAJMAN et al. (1992). RAJMAN M., BONNET A. Corpora-base linguistics: new tools for

natural language processing. In Proceedings of the 1st Annual Conference of

the Association for Global Strategic Information, Bad Kreusnach, Germany.

RAPP . (2003). RAPP R. Word Sense Discovery Based on Sense Descriptor Dissimilarity,

Actes deMachine Translation Summit IX.

RAPP. (1999). RAPP R. Automatic identification of word translations from unrelated

English and German corpora. In Proceedings of the 37th Annual Meeting of

the Association for Computational Linguistics (ACL), College Park, MD.

RASTIER et al. (1994). RASTIER F., CAVAZZA M., ABEILLE A. . Sémantique pour

l'analyse. Paris : Masson . 234 pages.

REN et al. (1999). REN F., FAN L., NIE J-Y. SAAK Approach: How to Acquire Knowledge

in an Actual Application System, IASTED International Conference on Artificial

Intelligence and Soft Computing, Honolulu, 1999, pp.136-140.

RESNIK et al. (1997). RESNIK P., MELAMED I. Semi-automatic acquisition of domain-

specific translation lexicons. In Proceedings of the 7th ACL Conference on

Applied Natural Language Processing, Washington, DC.

RESNIK. (1993). RESNIK P. Selection and Information: A Class-based Approach to

Lexical Relationships. PhD thesis.

RESNIK. (1995). RESNIK P. Disambiguating noun grouping with respect to wordnet

senses. In Proceedings of the 3th Workshop on Very Large Corpora,

Cambridge, USA.

RICARDO et al. (1999). RICARDO B Y., BERTHIER R N. Modern information retrieval,

ACM (Association for Computing Machinery) .

RIJSBERGEN. (1979). RIJSBERGEN VAN , C. J. Information Retrieval (Second Edition).

London: Butterworth,1979.

<Bibliographie

-182-

RILOFF. (1993). RILOFF E. Automatically contructing a dictionary for information

extraction tasks. In Proceedings of the Eleventh National Conference on

Artificial Intelligence, p. 811–816: AAAI Press/MIT Press.

ROBERTS el al. (1996). ROBERTS R. P., MONTGOMERY C. The use of corpora in

bilingual lexicography, In Proceedings of the Seventh EURALEX International

Congress on Lexicography, p. 457–464, Göteborg: Göteborg University.

ROBERTSON et al. (1997). ROBERTSON S. E, WALKER S. On relevance weights with

little relevance information. In Proceedings of the 20th annual international

ACM SIGIR conference on Research and development in information retrieval,

pages 16–24. ACM Press.

ROBERTSON et al. (1976). ROBERTSON SE , JONES SPARCK K. Journal of the American

Society for Information Science, Vol. 27, No. 3. (1976), pp. 129-146.

ROCHE. (2005). ROCHE C. Terminologie et Ontologie. Langages, N° 157 pages:48–62.

ROUSSELOT et al. (1996). ROUSSELOT F., FRATH P. et OUESLATI R. Extracting

concepts and relations from corpora, Proceedings workshop on Corpus-

Oriented Semantic Analysis, Proceddings of the 12th European Conference on

Artificial Intelligence (ECAI’96) .

ROUSSEY. (2001). ROUSSEY C. Une méthode d’indexation sémantique adaptée aux

corpus multilingues, informatique, Lyon, thèse de l’INSA de Lyon, , 2001, 150

pages.

RUDMAN . (1998). RUDMAN J. « The State of Authorship Attribution Studies : Some

Problems and Solutions », Computers and the Humanities 31 : 351-365.

RYU P et al. (2004). RYU P., CHOI K. S. Measuring the specificity of terms for

automatic hierarchy construction. In European Conference on Artificial

Intelligence Workshop on Ontology Learning and Population.

SAGER. (1980). SAGER J. C. DUNGWORTH, David et Peter F. MCDONALD.

(1980).English Special Languages. Principles and Practice in Science and

Technology, Wiesbaden, Brandstetter, 368 p.

SALTON et al. (1983). SALTON G., FOX E. A., WU H. Extended Boolean information

retrieval system. CACM 26(11), pp. 1022-1036, 1983.

SALTON et al. (1988). SALTON G., BUCKLEY C. Term weighting approaches in

automatic text retrieval. IPM, tome 24 :p. 513–523. — cité en page(s) 13, 14 .

<Bibliographie

-183-

SALTON. (1968). SALTON G. Automatic Information Organization and Retrieval.

McGraw-Hill computer science series. (McGraw-Hill, New York.). — cité en

page(s) 6, 8, 18 .

SALTON. (1970). SALTON G. Automatic processing of foreign language document –

Journal of the American Society for Information Science, 21(3):187-194, May.

SCHUTZ et al. (2005). SCHUTZ A., BUITELAAR P. Relext: A tool for relation extraction

from text in ontology extension. In Fourth International Semantic Web

Conference.

SEGUELA et al. (1999). SEGUELA P., AUSSENAC-GILLES N. Extraction de relations

sémantiques entre termes et enrichissement de modèles du domaine, Actes de

la conférence Ingénierie des Connaissances (IC'99), pp 79-88, Paris .

SEYDOUX. (2006). SEYDOUX F. Exploitation de connaissances sémantiques externes

dans les représentations vectorielles en recherche documentaire, thèse en

informatique, Ecole polytechnique fédérale de LAUSANNE.

SHERIDAN et al. (1997). SHERIDAN, P., BRASCHLER, M., SCHAÜBLE, P. Cross-Langage

Information Retrieval in a Multilingual Legal Domain. In Proceedings of the 1st

European Conference on Digital Libraries (ECDL’97), Pisa Italy, 1997. p 253-

268. (Lecture Notes in Computer Science, Vo .

SINGHAL et al. (1996). SINGHAL A., BUCKLEY C., MITRA M. Pivoted Document Length

Normalization. In Proceedings of SIGIR'1996. pp.21-29 .

SINGHAL et al. (1997). SINGHAL A., MITRA M., BUCKLEY C. Learning routing queries in

a query zone. In Proceedings of the 20th Annual international ACM SIGIR

Conference on Research and Development in information Retrieval

(Philadelphia, Pennsylvania, United States, July 27 - 31, 1997) .

SMADJA et al. (1996). SMADJA F., MCKEOWN K. R., HATZIVASSILOGLOU V.

Translating collocations for bilingual lexicons: A statistical approach.

Computational Linguistics, 22(1), 1–38.

SMADJA. (1993). SMADJA F. Retrieving collocations from text: Xtract. Computational

Linguistics, 19(1), pp: 143-177.

SNOW et al. (2004). SNOW R, JURAFSKY D., ANDREW Y. Learning syntactic patterns

for automatic hypernym discovery. In Advances in Neural information

Processing Systems.

<Bibliographie

-184-

SNOW et al. (2005). SNOW R, JURAFSKY D., ANDREW Y. Learning syntactic patterns

for automatic hypernym discovery. NIPS 17, 2005.

SOUALMIA et al. (2004). SOUALMIA LN., GOLBREICH C. , DARMONI SJ. Representing

the MeSH in OWL : Towards a semi-automatic Migration. In First International

Workshop on Formal Biomedical Knowledge Representation, collocated with

KR 2004. p. 1-12. Whistler, Canada.

SOWA. (1984). SOWA J. Conceptual Structures: information processing in mind and

machine. In The System Programming Series, Reading: Addison Wesley

publishing Company, 1984. 481 pages.

SPARCK JONES . (1991). SPARCK JONES K. Automatic keywords classification for

information retrieval. 1971.

SPARCK JONES et al. (1976). SPARCK JONES K., VAN RIJSBERGEN C.J. Progress in

documentation Journal of Documentation, Vol. 32, Num. 1, Pages 59-75 .

STYLTSVIG. (2006). STYLTSVIG H B. Ontology-based information retrieval. Thèse de

doctorat, Roskilde University, computer Science Section.

TALMY. (1988). TALMY L. Force Dynamics in Language and Cognition. In Cognitive

Science 12, pp 49-100.

TAMINE-LECHANI L et al. (2006). TAMINE-LECHANI L. , BOUGHANEM M. ,

CHRISMENT C. . Accès personnalisé à l'information : Vers un modèle basé sur

les diagrammes d'influence. nformation interaction intelligence ISSN 1630-

649X , vol. 6, no1, pp. 69-90 .

TURENNE. (2000). TURENNE N. Apprentissage statistique pour l’extraction de

concepts à partir de textes. Application au filtrage d’informations textuelles.

Thèse de doctorat en sciences, spécialité informatique, Université Louis

Pasteur, Strasbourg .

TURNEY. (2006). TURNEY P. D. Expressing implicit semantic relations without

supervision. In 21sup st international conference on computational linguistics,

pages 313-320.

VAN DER EIJK. (1993). VAN DER EIJK P. Automating the acquisition of bilingual

terminology. In Proceedings of the 6th Conference of the European Chapter of

the ACL (EACL’93), p. 113–119, Utrecht, Netherland.

VERGNE. (2005). VERGNE J. Une méthode indépendante des langues pour indexer les

documents de l’internet par extraction de termes de structure contrôlée. In

<Bibliographie

-185-

Actes de la Conférence Internationale sur le Document Électronique (CIDE 8),

Beyrouth, Liban.

VERGNE. (2003). VERGNE J. Un outil d’extraction de terminologie endogène et

multilingue, TALN 2003, Batz-sur-Mer, 11-14 juin.

VERONIS. (2003). VERONIS J. . Cartographie lexicale pour la recherche d’information,

Actes de TALN 2003, pp. 265-274.

VERONIS. (2000). VERONIS J. From Rosetta stone to the information society: A survey

of parallel text processing. In (Véronis, 2000b), chapter 1, p. 1–24.

WITSCHEL et al. (2006). WITSCHEL H F. ,BIEMANN C. Rigorous dimensionality

reduction through linguistically motivated feature selection for text

categorization. In Werner, S., éditeur : Proceedings of the 15th NODALIDA

conference, Joensuu 2006, volume 1, pages 197–204, J .

WOODS. (1997). WOODS W.A. Conceptual indexing : A better way to organize

knowledge. Rapport technique TR-97-61, Sun Microsystems Laboratories. —

cité en page(s) 18 .

YATES et al. (1999). YATES B. R.,NETO R. B. Modern Information Retrieval. Addison

Wesley.

ZIPF. (1949). ZIPF G. K. Human Behavior and the Principle of Least Effort, New York,

Harper, réédition 1966.

ZIPF. (1968). ZIPF G. K. The Psycho-biology of Language. An Introduction to Dynamic

Philology. The M.I.T. Press, Cambridge, second paperback printing (first

edition : 1935) édition.

ZWEIGENBAUM et al. (2003). ZWEIGENBAUM P., BAUD R., BURGUN A., NAMER F.,

ÉRIC JARROUSSE, GRABAR N., RUCH P., DUFF F. L., THIRION B. & DARMONI S.

UMLF: construction d’un lexique médical francophone unifié. In Actes des 10

Journées Francophones d’Informatique Médicale, Tunis.

Extraction de concepts et de relations entre concepts à...

Documents

Transcript of Extraction de concepts et de relations entre concepts à...