En vue de l'obtention du. Présentée et soutenue par Elayeb Bilel Le 26 juin 2009

Transcription

1 THÈSE En vue de l'obtenton du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délvré par Insttut Natonal Polytechnque de Toulouse (INPT) Dscplne ou spécalté : Informatque Présentée et soutenue par Elayeb Blel Le 26 jun 2009 Ttre : SARIPOD: Système mult-agent de Recherche Intellgente POssblste de Documents Web JURY M. Jean-Paul Haton: Présdent de jury M.Fabrce Evrard: Examnateur M. Montaceur Zaghdoud: Examnateur Ecole doctorale : Mathématques, Informatque, Télécommuncatons de Toulouse (MITT) Unté de recherche : Insttut de Recherche en Informatque de Toulouse (IRIT) Drecteur(s) de Thèse : M. Mohamed Ben Ahmed et M. Andréas Herzg Rapporteurs : M. Salem Benferhat et Mme. Henda Hajjam Ben Ghezala

2 A ma femme Myram et ma pette flle Issrâ, En témognage de leurs respects et de mon amour A ma grande mère, A ma mère, mon père et ma tante Acha En témognage de leurs sacrfces et de mon amour A Mes frères et soeurs, En témognage de mon amour

3 Remercements Je sus très reconnassant à mon drecteur de thèse, le Professeur Mohamed BEN AHMED pour ses préceuses drectves, ses dées scentfques, sa dsponblté et son soutent perpétuel. Qu l trouve c le frut de mes efforts comme témognage de mon très grand respect. Je tens à exprmer ma profonde grattude à Monseur Fabrce EVRARD pour l ntérêt et la dsponblté qu l a manfesté à l égard de mes recherches ans que pour son souten et sa patence au cours de mes nombreux séjours à Toulouse. Qu l sot c assuré de mon très grand respect et du plasr que j a à travaller avec lu. Je souhate également exprmer toute ma reconnassance à Monseur Montaceur ZAGHDOUD pour l ntérêt et la dsponblté qu l a manfesté à l égard de mes recherches ans que pour ses encouragements contnus durant ces tros années de thèse. Qu l sot c assuré de mon très grand respect et du plasr que j a à travaller avec lu depus mon PFE à l ENSI. Je sus auss très reconnassant à Monseur Andréas HERZIG de m avor accuelle au sen de l équpe LILAC de l Insttut de Recherche en Informatque de Toulouse (IRIT). Mes remercements s adressent également à tous les membres du jury qu m ont honoré d avor accepté d évaluer ce traval. En partculer, je remerce: Professeur Jean-Paul HATON d avor accepté de présder le jury de cette thèse. Professeure Henda HAJJAMI BEN GHEZALA, la Présdente de L Unversté de la Manouba en Tunse, pour l honneur qu elle m a fat en acceptant d être le rapporteur de cette thèse. Professeur Salem BENFERHAT pour l honneur qu l m a fat en acceptant d être le rapporteur de cette thèse. J adresse auss mes remercements au Professeur Mchel DAYDE de m avor ben accuelle au sen du Laboratore IRIT ste ENSEEIHT, ans qu au Professeur Lous FERAUD, le Drecteur de l Ecole Doctorale MITT pour ses encouragements contnus. Mes remercements s adressent également au Professeur Khaled GHEDIRA, l ex-drecteur de l ENSI pour ses encouragements. Je tens à remercer auss tous les ensegnants de l ENSI, partculèrement Monseur Yassne JAMOUSSI et Madame Narjès BELLAMINE-BENSAOUD pour leur souten et encouragements. Remercer tous ceux qu m ont adé à fnalser ce traval est pour mo un plasr, je pense partculèrement à Madame Myram BOUNHAS et à Monseur Ibrahm BOUNHAS. Qu ls trouvent c ma reconnassance pour leurs dsponbltés et encouragements. Je tens à remercer auss tous les membres du laboratore RIADI-GDL, en partculer Messeurs Tarek BEN MENA, Youssef BEN HALIMA, Radh HADJ M TIR et Ahmed HADAD et Mesdames Olfa DRIDI et Sama Sona SELLMI pour leur collaboraton, souten et encouragements contnus. Je remerce auss tous les personnels de l IRIT ste ENSEEIHT ans que de l INPT, je pense partculèrement à Madame Sylve EICHEN et à Monseur Jean-Claude DARCOS de l IRIT ste ENSEEIHT, Mesdames Catherne GARCIA, Sylve CARCASSES et Martne LACOSTE de

4 l INPT ans que Madame Martne LABRUYERE, la secrétare de l EDMITT et Madame Chrstane JOURDAA, chargée des relatons nternatonales à l ENSEEIHT pour leurs ades et encouragements. Je remerce auss tous les personnels de l ENSI, je pense partculèrement à Madame Héda OMRANI, la secrétare du laboratore RIADI-GDL, et Monseur Rachd MZOUGHI, chargé de fnance à l ENSI, pour leurs ades et encouragements contnus durant toutes mes mssons scentfques à l étranger. Mes remercements vont également vers mes ams de toujours, Héd SMIDA, Houcne SGHAIER, Abdelrahman ETTIH, Taeb ETTIH, Ramz LAMLOUM, Mohamed KHELFA, Soufen ELMOKHTAR, Mohamed MOUTIA, Salah HADJ SALEM, Khaled BEN SMIDA, Malek BEN SMIDA, Moncef BEN SMIDA, Hchem OMRANI et Imed BALTI qu ont toujours été là pour partager les soucs, les joes et les moments de détente. Un grand merc à la famlle BOUNHAS, je pense partculèrement à Madame Acha ELGATTOUFI et Messeurs Sad, Salem, Mohamed, Ahmed et le pett Khall (Ll!) et Mesdames Yemna, Marem, Jaza et Khédja pour leurs ades et encouragements durant toutes les pérodes de mes absences à l étranger. Je tens à accorder une pensée partculère à ma pette flle Issrâ (Cha!), ma femme, mes parents, mes frères Sam et Ndhal et mes sœurs Samha, Imen et les deux Merems Elayeb et Handoura. Que vous soyez c récompensés pour toutes vos écoutes et vos encouragements durant toutes mes études.

5 Résumé Résumé La présente thèse de doctorat en nformatque propose un modèle pour une recherche d nformaton ntellgente possblste des documents Web et son mplémentaton. Ce modèle est à base de deux Réseaux Petts Mondes Hérarchques (RPMH) et d un Réseau Possblste (RP) : Le premer RPMH consste à structurer les documents retrouvés en zones denses de pages Web thématquement lées les unes aux autres. Nous fasons ans apparaître des nuages denses de pages qu tratent d un sujet et des sujets connexes (assez smlares sémantquement) et qu répondent toutes fortement à une requête. Le second RPMH est celu qu consste à ne pas prendre les mots-clés tels quels mas à consdérer une requête comme multple en ce sens qu on ne cherche pas seulement le mot-clé dans les pages Web mas auss les substantfs qu lu sont sémantquement proches. Les Réseaux Possblstes combnent les deux RPMH afn d organser les documents recherchés selon les préférences de l utlsateur. En effet, l orgnalté du modèle proposé se déclne selon les tros volets suvants qu synthétsent nos contrbutons : Le premer volet s ntéresse au processus tératf de la reformulaton sémantque de requêtes. Cette technque est à base de relatons de dépendance entre les termes de la requête. Nous évaluons notamment les proxmtés des mots du dctonnare franças «Le Grand Robert» par rapport aux termes de la requête. Ces proxmtés sont calculées par le bas de notre approche de recherche des composantes de sens dans un RPMH de dctonnare de mots par applcaton d une méthode basée sur le dénombrement des crcuts dans le réseau. En fat, l utlsateur du système proposé chost le nombre de mots sémantquement proches qu l désre ajouter à chaque terme de sa requête orgnelle pour construre sa requête reformulée sémantquement. Cette dernère représente la premère parte de son profl qu l propose au système. La seconde parte de son profl est consttuée des chox des coeffcents de pertnence possblstes affectés aux enttés logques des documents de la collecton. Ans, notre système tent compte des profls dynamques des utlsateurs au fur et à mesure que ces derners utlsent le système. Ce derner est caractérsé par son ntellgence, son adaptatvté, sa flexblté et sa dynamcté. Le second volet consste à proposer des relatons de dépendance entre les documents recherchés dans un cadre ordnal. Ces relatons de dépendance entre ces documents tradusent les lens sémantques ou statstques évaluant les dstrbutons des termes communs à des pares ou ensembles de documents. Afn de quantfer ces relatons, nous nous sommes basés sur les calculs des proxmtés entres ces documents par applcaton d une méthode de dénombrement de crcuts dans le RPMH de pages Web. En effet, les documents peuvent ans être regroupés dans des classes communes (groupes de documents thématquement proches). Le trosème volet concerne la défnton des relatons de dépendance, entre les termes de la requête et les documents recherchés, dans un cadre qualtatf. Les valeurs affectées à ces relatons tradusent des ordres partels de préférence. En fat, la théore des possbltés offre deux cadres de traval : le cadre qualtatf ou ordnal et le cadre quanttatf. Nous avons proposé notre modèle dans un cadre ordnal. Ans, des préférences entre les termes de la requête se sont ajoutées à notre modèle de base. Ces préférences permettent de resttuer des documents classés par préférence de pertnence. Nous avons mesuré auss l apport de ces facteurs de préférence dans l augmentaton des scores de pertnence des documents contenant

6 Résumé ces termes dans le but de pénalser les scores de pertnence des documents ne les contenant pas. Pour la mse en place de ce modèle nous avons chos les systèmes mult-agents. L avantage de l archtecture que nous proposons est qu elle offre un cadre pour une collaboraton entre les dfférents acteurs et la mse en œuvre de toutes les fonctonnaltés du système de recherche d nformaton (SRI). L archtecture s accorde parfatement avec le caractère ntellgent possblste et permet de bénéfcer des capactés de synerge nhérente entre les dfférentes composantes du modèle proposé. Dans le présent traval, nous avons donc pu mettre en exergue à travers les expérmentatons effectuées l ntérêt de fare combner les deux RPMH va un réseau possblste dans un SRI, ce qu permet d enrchr le nveau d exploraton d une collecton. Ce derner n est pas lmté aux documents mas l étend en consdérant les requêtes. En effet, la phase de reformulaton sémantque de requête permet à l utlsateur de profter des autres documents correspondants aux termes sémantquement proches des termes de la requête orgnelle. Ces documents peuvent exster dans d autres classes des thèmes. En conséquence, une reclassfcaton proposée par le système s avère pertnente afn d adapter les résultats d une requête aux nouveaux besons des utlsateurs. Mots-clés : Recherche Intellgente d Informatons, Réseaux Petts Mondes Hérarchques, Réseaux Possblstes, Pertnence Possblste, Préférences Utlsateur, Document Pertnent, Système Mult-Agent.

7 Abstract Abstract Ths Ph.D. thess proposes a new model for a multagent possblstc Web nformaton retreval and ts mplementaton. Ths model s based on two Herarchcal Small-Worlds (HSW) Networks and a Possblstc Networks (PN): The frst HSW conssts n structurng the founded documents n dense zones of Web pages whch strongly depend on each other. We thus reveal dense clouds of pages whch "speak" more or less about the same subject and related subjects (semantcally smlar) and whch all strongly answer user s query. The second HSW conssts n consderng the query as multple n the sense that we don t seek only the keyword n the Web pages but also ts semantcally close substantves. The PN generates the mxng of these two HSW n order to organze the searched documents accordng to user s preferences. Indeed, the orgnalty of the suggested model s declned accordng to three followng shutters' whch synthesze our contrbutons: The frst shutter s nterested n the teratve process of query semantc reformulaton. Ths technque s based on relatonshp dependence between query s terms. We evaluate n partcular the semantcs proxmtes between the words of the French dctonary "Le Grand Robert" and query s terms. These proxmtes are calculated va our approach of research of the semantcs components n the HSW of dctonary of words by applcaton of our method of enumeraton of crcuts n the HSW of dctonary. In fact, the user of the suggested system chooses the number of close words that he desre to add to each word of hs ntal query to buld hs semantcally reformulated query. Ths one represents the frst part of user s profle whch he proposes to the system. The second part of ts profle makes up of ts choces of the coeffcents of relevance possblstc of the logcal enttes of the documents of the collecton. Thus, our system takes account of the dynamc profles of ts users progressvely they use the system, whch proves ts ntellgence, ts adaptablty, ts flexblty and ts dynamcty. The second shutter conssts n proposng relatonshp dependence between documents of the collecton wthn an ordnal framework. These relatonshps dependence between these documents represent the semantc or statstcal lnks evaluatng the dstrbutons of the general terms to pars or sets of documents. In order to quantfy these relatonshps, we are based on the calculatons of the proxmtes between these documents by applcaton of a method enumeratng of crcuts n the HSW of Web pages. Indeed, the documents can thus be clustered n common classes (groups of close documents). The thrd shutter s related to the defnton of the relatonshps dependence between query s terms and documents of the collecton, wthn a qualtatve framework. The assgned values to these relatons translate preferably partal orders. In fact, possblstc theory offers two workng frameworks: the qualtatve or ordnal framework and the numercal framework. We proposed our model wthn an ordnal framework. Thus, we add to our basc model preferences between query s terms. These preferences make t possble to restore documents classfed by relevance s preference. We also measured the contrbuton of these preferably factors n the ncrease of the relevance s scores of documents contanng these terms wth an am of penalzng the relevance s scores of the documents not contanng them. For the nstallaton of ths model we chose multagent systems. The advantage of the proposed archtecture s that t offers a framework for collaboraton between the varous actors and the mplementaton of all the functonaltes of the nformaton retreval system.

8 Abstract Archtecture agrees perfectly wth the possblstc ntellgent character and makes t possble to proft from the capactes of nherent synergy n the suggested model. We thus could put forward, through the carred out experments, the goal of combnng the two HSW va a possblstc network n an nformaton retreval system, whch makes t possble to enrch the exploraton level of a collecton. Ths exploraton s not only lmted to the documents but t extends by consderng also the query. Indeed, the semantc query reformulaton phase makes t possble to beneft user from other documents whch contan some close terms of the ntal query. These documents can exst n other topcs classes. Consequently, a reclassfcaton suggested by the system proves ts relevance n order to adapt query s results to new user s needs. Keywords: Intellgent Informaton Retreval, Herarchcal Small-Worlds, Possblstc Networks, Possblstc Relevance, User s Preferences, Relevant Document, Multagent System.

9 Table des matères Table des matères Introducton générale Problématque de la thèse Organsaton de la thèse...11 Premère Parte : Etat de l art sur la Recherche d Informaton...13 Chaptre 1 : Les Systèmes de Recherche d Informaton Les composants d un SRI Utlsateur, beson d nformaton, profl et requête Requête en RI Représentaton des résulats de requêtes Analyse et ndexaton des documents et des requêtes Approche basée sur la fréquence d'occurrences Approche basée sur la valeur de dscrmnaton Approche basée sur tf x df La pondératon de termes Fltrage des mots fonctonnels Lemmatsaton L'approche basée sur une ndexaton Noton de pertnence Evaluaton d'un système de RI Corpus de test (références) Rappel et Précson Reformulaton de la requête Rétroacton de pertnence (Relevance Feedback) Expanson de requêtes Les problèmes posés par la reformulaton de la requête Concluson...34 Chaptre 2 : Les modèles de la Recherche d Informaton Modèle "Matchng score" Modèle booléen Modèle Booléen basé sur des ensembles flous

10 Table des matères 2.2 Modèle booléen étendu ou P-Norme Modèle vectorel Modèle vectorel généralsé Modèle vectorel et domanes sémantques Modèle probablste Reformulaton de requête dans ces modèles Reformulaton de la requête dans le modèle booléen Reformulaton de la requête dans le modèle vectorel Reformulaton de la requête dans le modèle probablste Autres approches de reformulaton de requêtes Concluson...54 Chaptre 3 : Modèle Bayésen versus Modèle Possbste de Recherche d Informaton Les Réseaux Bayésens Défnton Prncpe du Réseau Bayésen Constructon de la structure du RB par apprentssage Inférence dans les Réseaux Bayésens Synthèse Modèle Bayésen de RI Archtecture générale du modèle Bayésen Les modèles de RI basés sur les réseaux Bayésens Reformulaton de requêtes dans le modèle Bayésen Repondératon de termes de la requête ntale Q Expanson de la requête Les Réseaux Possblstes La théore des possbltés Réseaux Possblstes (RP) Les nterprétatons de la théore des possbltés Modèle possblste quanttatf de RI Archtecture du modèle Evaluaton des pods du réseau Un smple schéma de propagaton Reformulaton de requêtes dans le modèle possblste Formules basées sur la nécessté de termes

11 Table des matères 6.2 Formules basées sur la possblté de termes Formules basées sur la possblté et la nécessté Modèle Bayésen versus Modèle Possblste Concluson...86 Deuxème Parte : Concepton et archtecture d un Système mult-agent de Recherche Intellgente POssblste de Documents Web, SARIPOD...88 Chaptre 4 : Modèle d un SRI à base de Réseaux Petts Mondes Hérarchques et de Réseaux Possblstes Modèle conceptuel du système SARIPOD Les RPMH du système SARIPOD Défnton du RPMH Approche générque de génératon de composantes de sens dans un réseau d nformatons Concluson Le Réseau Possblste du système SARIPOD Apport de l approche qualtatve du système SARIPOD Pondératon des termes de la requête dans le système SARIPOD Travaux smlares à notre approche Concluson Chaptre 5 : Spécfcaton et concepton du système SARIPOD Spécfcaton du système SARIPOD Module de constructon du RPMH de dctonnare Module de reformulaton de la requête utlsateur Module de Crawlage stratégque Module de constructon du RPMH de pages Web Module d analyse de documents Web Module de tr de documents par leurs pertnences possblstes Module d optmsaton du système SARIPOD Concepton du système SARIPOD Concepton et mse en œuvre du RPMH de dctonnare Concepton et mse en œuvre du crawlage stratégque Concepton et mse en œuvre de l analyse de document Web Concepton et mse en œuvre du tr de documents par pertnence possblste Concepton et mse en œuvre du module d optmsaton

12 Table des matères 3. Concluson Chaptre 6 : Réalsaton et expérmentaton du système SARIPOD Cadre du traval Envronnement Logcel La plate-forme mult-agent Jade Les agents du système SARIPOD Les couches d agents du SARIPOD Rôle des dfférents agents Implémentaton du système SARIPOD Interfaces prncpales du SARIPOD Interfaces du RPMH de pages Web Interfaces du RPMH de Dctonnare Expérmentatons et résultats Reformulaton sémantque de requêtes Comparason avec les travaux de [Gaume et al., 2004] Classfcaton des documents Comparason avec le SRI SARCI Concluson Concluson générale et Perspectves Chox prncpaux Contrbuton prncpale Perspectves Bblographe Annexe 1 : Format XML du dctonnare franças Le Grand Robert Annexe 2 : Les systèmes mult-agents et la Recherche d Informaton Annexe 3 : Données et résultats du RPMH de dctonnare Annexe 4 : Données et résultats du RPMH de pages Web Annexe 5 : Résultats des expérmentatons

13 Table des fgures Table des fgures Fgure 1.1 : Les composants d un Système de Recherche d Informaton...15 Fgure 1.2 : La correspondance entre l'nformatvté et la fréquence...19 Fgure 1.3 : Opératons et envronnement de la RI...24 Fgure 1.4 : Ordre partel de pertnence...27 Fgure 1.5 : Rapprochement de pertnences système et utlsateur...29 Fgure 2.1 : Evaluaton de la conjoncton et de la dsjoncton...39 Fgure 2.2 : Comportement du modèle p-norme...41 Fgure 3.1 : Exemple de Réseau Bayésen...57 Fgure 3.2 : Graphe acyclque orenté...61 Fgure 3.3 : Graphe moral...62 Fgure 3.4 : Trangularsaton du graphe moral...62 Fgure 3.5 : (a)- arbre de regroupement (b)- n est pas un arbre de regroupement...63 Fgure 3.6 : Arbre de joncton...65 Fgure 3.7 : Archtecture générale du modèle Bayésen...68 Fgure 3.8 : Duplcaton tros fos du terme T...72 Fgure 3.9 : Exemple de réseau causal possblste...77 Fgure 3.10 : Les lmtes des théores de tratement de l ncerttude...79 Fgure 3.11 : Archtecture générale du modèle possblste quanttatf...80 Fgure 4.1 : Modèle conceptuel du système SARIPOD...91 Fgure 4.2 : Smlarté sémantque entre les verbes...93 Fgure 4.3 : Structure du graphe petts mondes hérarchques...94 Fgure 4.4 : Exemple du chox de seul d'acceptaton...98 Fgure 4.5 : Couples des enttés ssus d une matrce des crcuts communs Fgure 4.6 : Algorthme de regroupement par allongement de crcuts Fgure 4.7 : Algorthme de regroupement par assocatons séparées Fgure 4.8 : Algorthme de regroupement par contrante mnmale Fgure 4.9 : Algorthme de fuson des groupes potentels en composantes de sens Fgure 4.10 : Répartton des zones denses dans une zone urbane Fgure 4.11 : Applcaton du nouvel algorthme à un graphe RPMH Fgure 4.12 : Résultat du groupement dans le RPMH de l exemple Fgure 5.1 : Archtecture générale du système SARIPOD Fgure 5.2 : Archtecture nterne de module de constructon du RPMH de dctonnare Fgure 5.3 : Descrpton fonctonnelle de la recherche des composantes de sens Fgure 5.4 : La DTD ntale du dctonnare Fgure 5.5 : La source de données ntale de dctonnare Fgure 5.6 : la source de données fnale de dctonnare sous format XML Fgure 5.7 : La DTD fnale du dctonnare sous format XML Fgure 5.8 : Exemple du chox du seul de proxmté sémantque Fgure 5.9 : Exemple de l algorthme Strat Fgure 5.10 : Archtecture nterne du module d analyse de page Web Fgure 5.11 : Exemple de document où la noton de régularté peut être applquée Fgure 5.12: Dagramme de classes de la constructon du RPMH de dctonnare Fgure 5.13 : Dagramme de séquences de la recherche des mots proches d un mot Fgure 5.14 : Dagramme de séquences du groupement des mots proches d un mot Fgure 5.15 : Dagramme de classes générale de deux modules de crawlage et de tr

14 Table des fgures Fgure 5.16 : Dagramme de classes du module de crawlage stratégque Fgure 5.17 : Dagramme de séquences du module de crawlage stratégque Fgure 5.18 : Dagramme de classes général du module d analyse de document Web Fgure 5.19 : Dgramme de classes du processus de segmentaton Fgure 5.20 : Dagramme de classes du calcul des nveaux des styles Fgure 5.21 : Dagramme de classes de l étquetage sémantque des blocs Fgure 5.22 : Dagramme de séquences du module d analyse d un document Web Fgure 5.23 : Dagramme de classes du module de tr par pertnence possblste Fgure 5.24 : Dagramme de séquences du module de tr par pertnence possblste Fgure 5.25 : Dagramme de classes du module d optmsaton Fgure 6.1 : Les couches abstrates du système SARIPOD Fgure 6.2 : La coopératon entre les agents de SARIPOD Fgure 6.3 : Communcatons par messages échangés entre les agents de SARIPOD Fgure 6.5 : Interface générale du système SARIPOD Fgure 6.6 : Interface de paramétrage des coeffcents de pertnence possblste Fgure 6.7 : Interface du fcher résultat du système SARIPOD Fgure 6.8 : Interface des URLs collectées par le crawler Fgure 6.9 : Interface de proxmté entre les pages Web Fgure 6.10 : Interface de calcul du nombre de crcuts sélectonnés entre les pages Web Fgure 6.11 : Interface des branches de RPMH de pages Web Fgure 6.12 : Interface de groupement des pages dans le RPMH de pages Web Fgure 6.13 : Interface de fuson des groupes de pages dans le RPMH de pages Web Fgure 6.14 : Interface 3D du RPMH de pages Web Fgure 6.15 : Interface du RPMH de dctonnare Fgure 6.16 : Interface de calcul du nombre de crcuts sélectonnés entre les mots de dctonnare Fgure 6.16 : Interface des branches de RPMH de mots de dctonnare Fgure 6.18 : Interface de groupement des mots proches dans le RPMH de dctonnare Fgure 6.19 : Interface de Fuson des mots proches dans le RPMH de dctonnare Fgure 6.20 : Les varatons de L et C en foncton du nombre de mots sémantquement proches Fgure 6.21 : Les varatons de L et C en foncton du nombre de pages Web retrouvées Fgure A1.1 : La DTD du fcher dco.xml Fgure A1.2 : Les étapes de créaton d un fcher XML à partr du dctonnare Fgure A2.1 : Archtecture réflexve de l assstance de recherche Web Fgure A2.2 : L archtecture mult-agent du système ProFuson Fgure A2.3 : Archtecture du système nteractf basé mult-agent pour la recherche Web Fgure A3.1 : Courbes de varaton de la longeur de crcut en foncton du nombre maxmale de crcuts collectés entre les verbes Fgure A4.1 : Courbes de varaton de la longeur de crcut en foncton du nombre maxmale de crcuts collectés entre les pages Web

15 Table des tableaux Table des tableaux Tableau 1.1 : Exemple de calcul de la fréquence d'occurrences...19 Tableau 1.2 : Quelques collectons de documents de test en RI...28 Tableau 2.1 : Table de vérté pour l évaluaton booléenne standard...39 Tableau 2.2 : Table de dstrbuton pour chaque terme t...47 Tableau 2.3 : Table de valeurs du terme t...47 Tableau 3.1 : Table de contngence des termes...71 Tableau 3.2 : Dstrbuton de possblté ntales (1)...78 Tableau 3.3 : Dstrbuton de possblté ntales (2)...78 Tableau 3.4 : Dstrbuton de possblté jonte...78 Tableau 3.5 : Dstrbuton de possblté...82 Tableau 4.1 : Comparason de tros graphes en foncton des paramètres L, C et I...95 Tableau 4.2 : Les sources de données de deux RPMH...97 Tableau 4.3 : Récaptulaton de méthodes de regroupement des enttés Tableau 4.4 : Récaptulaton des résultats du nouvel algorthme Tableau 4.5 : Coeffcent de pertnence possblste de chaque entté logque Tableau 4.6 : Répartton des termes dans les enttés logques des tros documents Tableau 4.7 : Les tros préférences de l utlsateur du système SARIPOD Tableau 4.8 : Résultats de l approche qualtatve du système SARIPOD Tableau 4.9 : Répartton des termes dans les enttés logques des tros documents Tableau 4.10 : Les tros préférences de l utlsateur du système SARIPOD Tableau 4.11 : Résultats de l effet de l ajout de préférences entre termes de la requête Tableau 6.1 : Comparason entre les moteurs de recherche et les agents logcels Tableau 6.2 : Récaptulaton des résultats des cnq expérences sur le RPMH de dctonnare Tableau 6.3 : Quelques caractérstques des graphes G1 et G Tableau 6.4 : Répartton des documents Web de la base du test Tableau 6.5 : Données et résultats de la premère expérence Tableau 6.6 : Données et résultats de la deuxème expérence Tableau 6.7 : Données et résultats de la trosème expérence Tableau 6.8 : Données et résultats de la quatrème expérence Tableau 6.9 : Données et résultats de la cnquème expérence Tableau 6.10 : Synthèse des résultats des expérences Tableau 6.11 : Résultats des expérmentatons Tableau 6.12 : Les paramètres L et C des RPMH des documents Tableau A1.1 : Récupératon de la structure du dctonnare Le Grand Robert Tableau A2.1 : Comparason des SMA de Recherche d'informaton Tableau A3.1 : Résultats de la recherche de composantes de sens du verbe «vérfer» Tableau A3.2 : Résultats de la recherche de composantes de sens du verbe «Nettoyer» Tableau A3.3 : Résultats de la recherche de composantes de sens du verbe «Analyser» Tableau A3.4 : Résultats de la recherche de composantes de sens du verbe «jouer» Tableau A3.5 : Résultats de la recherche de composantes de sens du verbe «Préserver» Tableau A4.1 : Résultats de la recherche de composantes thématques du thème «système d explotaton»

16 Table des tableaux Tableau A4.2 : Résultats de la recherche de composantes thématques du thème «Réseaux et protocoles» Tableau A4.3 : Résultats de la recherche de composantes thématques du thème «Base de Données» Tableau A5.1 : Récaptulatons des résultats des cnq expérences de classfcaton de documents Tableau A5.2 : Les scores des pertnences possblstes des documents retrouvés

17 Introducton générale Introducton générale La Recherche d Informaton (RI) est une branche de l nformatque qu s ntéresse à l acquston, l organsaton, le stockage et la recherche des nformatons. Elle propose des outls, appelés Systèmes de Recherche d Informaton (SRI), dont l objectf est de captalser un volume mportant d nformaton et d offrr des moyens permettant de localser les nformatons pertnentes relatves au beson d un utlsateur exprmé à travers une requête. En fat, un SRI est un système qu gère une collecton d nformatons organsées sous forme d une représentaton ntermédare reflétant auss fdèlement que possble le contenu des documents grâce à un processus préalable d ndexaton, manuelle ou automatque. La recherche d nformaton désgne alors le processus qu permet, à partr d une expresson des besons d nformaton d un utlsateur, de retrouver l ensemble des documents contenant l nformaton recherchée [Abbaden et al., 1998] et ce par la mse en oeuvre d un mécansme d apparement entre la requête de l utlsateur et les documents ou plus exactement entre la représentaton de la requête et la représentaton des documents. La noton de document est prse c au sens large et peut représenter une combnason multméda (documents hétérogènes ntégrant du texte, du son, des graphques et de la vdéo). Afn d effectuer une recherche pertnente, le SRI ne dot plus se contenter d une analyse smple de la collecton de documents et d une mse en correspondance drecte entre les requêtes et les documents prs de manère solée. Dans le but d amélorer la qualté de la recherche, des technques plus élaborées ncluant celles de reformulaton et d nteracton, et trbutares du processus de recherche lu-même, sont ntrodutes. D une part, ces technques sont en rapport avec la manère d ntégrer de la façon la plus effcace possble l utlsateur dans le processus de recherche. D autre part, ces technques sont lées à la manère d analyser et de représenter le contenu d une collecton en explotant au meux les relatons qu entretennent les documents entre eux, les concepts du domane entre eux ou même les descrpteurs des documents entre eux L nteracton entre l utlsateur et le SRI permet à l utlsateur de transmettre ses jugements en terme de pertnence, ce qu peut résoudre en parte le problème de la complexté de la requête. Grâce à ce mécansme, l est possble au système d acquérr des connassances lées aux utlsateurs et de construre des profls permettant de représenter leurs centres d ntérêt, et d effectuer un fltrage et un routage d nformaton. Les SRI classques consdéraent cette composante comme fgée et défne a pror. L utlsateur peut présenter pour sa part des besons de nature dverse (précse, exploratore, thématque ou connotatve). Le SRI dot donc présenter l nformaton sous pluseurs formes notamment en proposant des vues thématques à l ade d un support de navgaton [Kammoun-Bouzaïene, 2006] ou va des graphes de type Réseaux Petts Mondes Hérarchques (RPMH) [Elayeb et al., 2006]. Pour mener à ben cette recherche, pluseurs connassances ntervennent et se complètent, et des opératons nteragssent dans un contexte qu évolue et qu dot s adapter à des exgences lées aux utlsateurs ans qu à la connassance elle même. Le cadre du Web consttue le champ d applcaton des SRI le plus répandu et le plus mportant en terme de documents dsponbles vue qu l représente aujourd hu une source 9

18 Introducton générale mportante d nformaton. Par alleurs, contrarement aux moteurs de recherches conventonnels qu utlsent généralement des technques d ndexaton de l nformaton dsponble sur Internet, le système proposé dans le cadre de cette thèse utlse des technques de modélsaton de la requête et des profls des utlsateurs, d une part et de modélsaton de documents de la collecton d autre part, tout en permettant à des agents logcels d nteragr selon des stratéges coopératves pour trouver l nformaton qu répond aux besons des utlsateurs. 1. Problématque de la thèse La problématque majeure de la Recherche d Informaton consste à extrare à partr d une collecton de documents, ceux qu répondent à un beson utlsateur en se basant souvent sur des nformatons pauvres provenant des requêtes des utlsateurs. Les dfférents modèles connus de la RI (booléen, vectorel, probablste, bayésen) représentent les documents et les requêtes sous forme de lstes de termes pondérés pus mesurent une valeur de pertnence (smlarté vectorelle, probablté de pertnence) en se basant sur ces termes et leurs pods. La pondératon des termes est à notre sens l élément fondamental de tous les modèles de RI actuels [Sparck-Jones, 1988] [Rbero-Neto et al., 1996]. Lorsqu elle est calculée automatquement, cette pondératon est obtenue à partr de la combnason des fréquences d occurrences des termes dans les documents (tf), des fréquences d apparton des termes dans la collecton (df) et de la longueur des documents (dl) [Salton et al., 1994] [Snghal et al., 1996ab]. Quel que sot le modèle, la réponse à une requête est une lste de documents ordonnés selon cette valeur de pertnence. Certanes approches consdèrent les pods des termes comme des degrés de pertnence. Dans ces modèles, l ncomplétude de l nformaton, ntrnsèque à la représentaton vectorelle d un document, n est pas consdérée lors de son évaluaton pour une requête donnée. En réalté, on ne dstngue pas entre les notons de possblté ou de certtude lors des calculs de la pertnence. Les méthodes actuelles, relatvement pauvres, utlsées pour représenter les documents (ensemble de termes et de leurs pods) ans que pour représenter le beson utlsateur ne sont pas totalement compatbles avec une défnton précse de la pertnence. La présente thèse propose le développement d un système mult-agent de recherche d nformaton sur Internet, baptsée SARIPOD, combnant deux Réseaux Petts Mondes Hérarchques (RPMH) va des Réseaux Possblstes (RP) : Le premer RPMH consste à structurer les documents retrouvés en zones denses de pages Web lées les unes aux autres. Nous fasons ans apparaître des nuages denses de pages qu tratent du même sujet et qu répondent à une requête. Ans chaque page Web serat un noeud d'un ggantesque graphe dont les arcs seraent les lens hypertextuels d'une page vers une autre. Certans calculs sur ce graphe sont à même de fare apparaître des regroupements thématques (pages Web qu font parte du même thème). Ans chercher une nformaton sur le Web ne se ferat plus au hasard. Meux encore : une requête sous forme d'une descrpton même approxmatve de ce que l'on cherche ferat aboutr dans un groupe (cluster) thématque et même sur la plus pertnente page Web de ce "cluster". Le second RPMH est celu qu consste à ne pas prendre les mots-clés proposé par l utlsateur tels quels mas à consdérer une requête comme multple en ce sens qu on ne cherche pas seulement le mot-clé dans les pages Web mas auss les mots sémantquement proches. En effet, l exste un arc entre deux sommets s l un apparaît dans la défnton dctonnarque de l autre. Nous proposerons une organsaton de ces termes en pluseurs "clusters" selon leurs proxmtés sémantques détermnées grâce à l étude des crcuts entre les mots du dctonnare franças «Le Grand Robert». Nous proposons grâce à ce RPMH une nouvelle réformulaton 10

19 Introducton générale sémantque de la requête utlsateur. Les Réseaux Possblstes combnent ces deux RPMH afn d organser les documents recherchés selon le profl de l utlsateur. En effet, ce système présente une nouvelle approche possblste pour un système de Recherche d Informaton. Ce système, qu vot la Recherche d Informaton comme un problème de dagnostc, tradut à l ade de réseaux possblstes naïfs des relatons de dépendance entre les documents et les termes de la requête. Ces relatons sont quantfables par deux mesures : la possblté et la nécessté de pertnence. La mesure de possblté est utle pour fltrer les documents et la mesure de nécessté pour renforcer la pertnence des documents restants. Le processus de recherche resttue les documents plausblement ou nécessarement pertnents à un utlsateur. De plus, s l approche de base tent compte c de l aspect quanttatf et ne tent pas compte de la dépendance entre les termes de la requête, notre système permet de l étendre au cadre qualtatf possblste, en ntrodusant des préférences entre les termes de la requête. En fat, un tel modèle possblste devrat être capable de répondre à des propostons du type : Est-l plausble à un certan degré que le document d consttue une bonne réponse à la requête R j? Est-l nécessare, certan (dans le sens possblste), que le document d réponde à la requête R j? Le document d est-l préférable au document d j ou l ensemble {d, d j } est-l préférable à l ensemble {d k, d l }? Le premer type de proposton vse à élmner les documents fablement plausbles de la réponse. La seconde réponse se focalse sur les documents qu seraent réellement pertnents. Le derner type de proposton suggère que la lste ordonnée des documents en réponse à un beson utlsateur peut être tratée d une manère qualtatve, et que des approches ordnales pourraent être utlsées dans la représentaton des documents et des requêtes. La défnton de la pertnence d un document vs-à-vs d une requête, en foncton des données dont nous dsposons, est dffclement exprmable (ou tradusble) par une unque mesure de probablté. En effet, celle-c ne tent pas compte des caractères mprécs et vagues qu sont ntrnsèques à la pertnence [Brn et Boughanem, 2003]. En réalté, une mesure de probablté portant sur un événement et son contrare est quelque peu restrctve. Dans le modèle proposé par ces auteurs, un document contenant tous les termes de la requête consttue une réponse possblement pertnente à la requête. Cette plausblté dot être renforcée par une certtude provenant de la mesure de nécessté. La mesure de possblté est utle pour élmner les documents non pertnents et la mesure de nécessté pour renforcer la pertnence des documents non élmnés par la possblté. L usage de la théore des possbltés en RI avat déjà été suggéré par [Prade et Testemale, 1987] qu proposaent un nouveau modèle d ndexaton sous forme de groupes de mots-clés, pondérés par des degrés de possblté et de nécessté. Afn de combler la complexté du problème de RI, fasant ntervenr des processus qu nteragssent va un ensemble de connassances, nous proposons un modèle qu se base sur une archtecture mult-agent contrbuant à la résoluton du problématque posé. En fat, le modèle mult-agent que nous proposons permet d nclure un certan nombre de connassances nécessares, fédérées par un ensemble d agents (dont chacun est chargé d une tâche spécfque) qu coopèrent pour satsfare l utlsateur. 2. Organsaton de la thèse La présente thèse est organsée en sx chaptres : 11

20 Introducton générale Le premer chaptre présente les systèmes de Recherche d Informaton. Ans, nous commençons par défnr les notons de base de la RI. Pus, nous ntéressons à la représentaton des documents et de la requête et à la mse en correspondance entre la requête et les documents afn de sélectonner les documents pertnents. D autre part, une phase de reformulaton de la requête est assocée au processus de la recherche dont le but est de combler le fossé exstant entre la pertnence lée à l évaluaton de l utlsateur et la pertnence jugée par le système. Nous présentons à la fn de ce chaptre les technques utlsées pour l évaluaton des SRI. Le second chaptre s ntéresse aux modèles de Recherche d Informaton (RI). Nous étudons les modèles les plus connus de la RI. Nous nous ntéressons partculèrement au sens de la pertnence donné par ces modèles. Nous nous sommes focalsés sur les approches proposées par ces modèles pour modélser la requête utlsateur et les documents. Ces modèles sont dscutés tout en dentfant leurs avantages et nconvénents dans la perspectves d ntrodure des modèles capables de paller ces lmtes. Dans ce cadre, nous présentons dans le trosème chaptre une étude comparatve entre les modèles de la RI à base de Réseaux Bayésens (RBs) et ceux à base de Réseaux Possblstes. Nous commençons par rappeler les défntons des Réseaux Bayésens et leur utlté. Nous décrvons ensute l utlsaton des RBs dans la RI. Nous présentons les Réseaux Possblstes ans que leur applcaton dans un cadre quanttatf de RI. Nous clôturons ce chaptre par un blan comparatf de ces deux approches dont nous nous sommes nsprés de modèle. Sute aux lmtes des systèmes exstants dentfés dans les chaptres précédents, nous proposons dans un quatrème chaptre un modèle d un SRI à base de Réseaux Petts Mondes Hérarchques (RPMH) et de Réseaux Possblstes (RP). Un premer RPMH pour les mots du dctonnare franças «Le Grand Robert» est utlsé pour dégager les proxmtés entre les mots de la langue françase. Le second RPMH est consacré aux pages Web recherchées et tradut de même les proxmtés entre ces pages. En fat, le modèle proposé détent son orgnalté du fat qu l propose une nouvelle modélsaton de la requête à base d une reformulaton sémantque ans qu une nouvelle modélsaton des documents permettant une classfcaton à base des «petts mondes». Les RP combnent les deux RPMH afn de proposer une nouvelle approche possblste qualtatve pour la RI. Cette approche défne d une nouvelle manère les deux notons de base dans un SRI : la pertnence et le profl. Dans le cnquème chaptre nous proposons de mettre en place les dfférentes composantes du modèle proposé dans une archtecture, baptsée : Système mult-agent de Recherche Intellgente POssblste de Documents Web (SARIPOD). Dans cette archtecture, nous chosssons de mettre en place des modules qu sont dédés à des tâches dfférentes qu sont complémentares pour certanes et concurrentes pour d autres. Par alleurs, certanes tâches sont coordonnées en parallèle et d autres sont séquentelles. Une spécfcaton complète du système SARIPOD qu décrt les dfférents composants de son archtecture est présentée. Enfn, une concepton orentée-objet UML de ce système est exposée. Fnalement, le sxème chaptre concerne l mplantaton nformatque du système SARIPOD. Nous proposons un ensemble d agents coopératfs assurant le parallèlsme de tratement exgé par le système. Ensute, les outls de sa réalsaton sont présentés avec des extrats de résultats d expérmentatons. En guse de concluson, nous dressons un blan de nos travaux, en mettant en exergue nos propostons, nous fnssons par la proposton de nombreuses perspectves possbles à ces travaux. 12

21 Premère Parte : Etat de l art sur la Recherche d Informaton Premère Parte : Etat de l art sur la Recherche d Informaton 13

22 Chaptre 1 : Les Systèmes de Recherche d Informaton Chaptre 1 Les Systèmes de Recherche d Informaton Un Système de Recherche d'informaton (SRI) est un système qu permet de retrouver les documents pertnents à une requête d'utlsateur, à partr d'une base de documents volumneuse. Le processus de recherche d nformaton pertnente que le SRI est sensé resttuer à un utlsateur, consste en la mse en correspondance des représentatons des nformatons contenues dans un fond documentare et des besons de cet utlsateur exprmés par une requête. En fat, l objectf de l utlsateur est de compléter son état de connassance par l acquston d nformatons contenues dans des documents pertnents. Dans la défnton d un SRI, l y a tros notons clés: documents, requête et pertnence. En effet, un document peut être un texte, un morceau de texte, une page Web, une mage, une bande vdéo, etc. On appelle document toute unté qu peut consttuer une réponse à une requête d'utlsateur. Une requête exprme une nterprétaton du beson d'nformaton d'un utlsateur. Le but de la RI est de trouver seulement les documents pertnents. La noton de pertnence est très complexe. De façon générale, dans un document pertnent, l'utlsateur dot pouvor trouver les nformatons dont l a beson. C'est sur cette noton de pertnence que le système dot juger s un document dot être donné à l'utlsateur comme réponse. Cette noton de pertnence peut être appréhendée à deux nveaux : Au nveau utlsateur, ce derner a un beson d'nformaton dans sa tête, et l espère obtenr les documents pertnents pour répondre à ce beson. La relaton entre le beson d'nformaton et les documents attendus est la relaton de pertnence (déale, absolue, ). Au nveau système, ce derner répond à la requête formulée par l'utlsateur par un ensemble de documents trouvés dans la base de documents qu'l possède [Cleverdon, 1960] [Cleverdon, 1970] [Cleverdon, 1977]. Nous nous ntéressons partculèrement dans cette thèse à la pertnence utlsateur que nous désgnerons par pertnence. Les modèles de RI défns dans la lttérature (détallés dans la sute de cette thèse) mesurent cette pertnence comme un score, cherchant à évaluer la pertnence des documents vs-à-vs d une requête. Cette pertnence est mesurée par une smlarté de représentaton document requête (modèle vectorel), une probablté de pertnence des documents étant donnée une requête (modèle probablste). D autre part, la requête formulée par l'utlsateur n'est qu'une descrpton partelle de son beson d'nformaton. Beaucoup d'études ont montré qu'l est très dffcle, vore mpossble, de formuler une requête qu décrt complètement et précsément un beson d'nformaton. Du côté de document, l y a auss un changement entre les deux nveaux: les documents que l'on peut retrouver sont seulement les documents nclus dans la collecton de documents. On ne peut souvent pas trouver des documents parfatement pertnents à un beson. Il arrve souvent qu'aucun document pertnent n'exste dans la collecton. Nous détallons dans la premère secton de ce chaptre les composants d un système de recherche d nformaton. Nous présentons dans la deuxème secton l utlsateur, son beson en nformaton, son profl et sa requête. Dans la trosème secton, nous nous ntéressons à la phase d analyse et d ndexaton des documents et des requêtes. La noton de pertnence est présentée dans la quatrème secton. La phase d une évaluaton d un SRI fera l objet de la cnquème secton. Dans la dernère secton, nous mettons l accent sur la phase de reformulaton de la requête. 14

23 Chaptre 1 : Les Systèmes de Recherche d Informaton 1. Les composants d un SRI Un système de Recherche d Informaton est composé de dfférents acteurs tels que : la requête ou beson d nformaton d un utlsateur, le corpus documentare, ans que les dfférents étapes qu permettent d aboutr à résultat répondant au beson de l utlsateur. Ces étapes sont : l analyse et l ndexaton, les modélsatons de la requête et des documents, la mse en correspondance entre ces deux modèles (de requête et des documents) et l évaluaton et la rétroacton (vor fgure 1.1). Besons en nformaton Préférences Utlsateur Requête Corpus Documentares Analyse et ndexaton Modèle de Requête Modèle de Documents Apparement Rétroacton Documents pertnents Evaluaton Fgure 1.1 : Les composants d un Système de Recherche d Informaton Nous détallons dans la sute ces dfférents acteurs et étapes d un SRI. 2. Utlsateur, beson d nformaton, profl et requête Dans les années 1980, le paradgme de la recherche d nformaton a commencé à s élargr pour nclure les utlsateurs et leur ntéracton avec le système. Il s agt de paradgme cogntf orenté-utlsateur ntrodut par [Ingwersen, 1992]. Les systèmes d nformaton sont alors consdérés comme des systèmes de communcaton entre un producteur d nformaton (l auteur) et un utlsateur, le système nformatque ayant pour objectf de faclter cette communcaton. Pour satsfare au meux l utlsateur, l est essentel de comprendre ses mécansmes cogntfs. Il est donc essentel de le modélser. Dans la majorté des travaux qu se sont ntéressés à l utlsateur et sa modélsaton dans un processus de recherche d nformaton on ntrodut le terme usager pour dre utlsateur. En fat, les travaux lés à la RI modélsent le comportement de l usager, mas ne permettent pas une compréhenson de son système cogntf (domane de la psychologe cogntve). Selon [Danels, 1986], deux classes de modèles d usagers ont été proposées : 15

24 Chaptre 1 : Les Systèmes de Recherche d Informaton Les modèles analytques qu modélsent le comportement nterne de l usager : connassances, processus cogntf, etc. Les modèles quanttatfs et emprques qu modélsent le comportement externe de l usager. Ces modèles ont été classés suvant tros dmensons : Le modèle canonque opposé à une collecton de modèles d utlsateurs ndvduels. Le modèle explcte construt par l utlsateur ou le concepteur du système qu on oppose au modèle mplcte construt par l ordnateur sur la base du comportement de l utlsateur. Le modèle basé sur des caractérstques persstantes (à long terme) à l opposé du modèle basé sur des caractérstques ponctuelles (à court terme). [Danels, 1986] propose de modélser l utlsateur avec les paramètres suvants : USER : correspond au statut de l usager. UGOAL : correspond aux buts de l usager (ses préférences ou stratéges de recherche). KNOW : défnt le nveau d expertse ou le degré de connasssance de l utlsateur dans le domane. IRS : défnt la famlarté de l usager avec les systèmes documentares. BACK : correspond à l expérence de l usager vs-à-vs du système concerné. Ces dfférents éléments peuvent être regroupés dans un profl utlsateur. Ils appartennent au système cogntf de l utlsateur et permettent d effectuer un fltrage ntal sur les documents et de chosr des présentatons personnalsées, adaptées au profl. Selon [Cluzeau-Cry, 1988], quatre catégores de demande ou stratéges de recherche ont été proposées : Une demande précse exprmée lorsque l utlsateur sat exactement ce qu l cherche. Une demande thématque utlsée lorsque l utlsateur cherche à explorer le corpus sur un thème partculer. Une demande connotatve exprmée dans le contexte de la recherche d mage par l expresson d un vsage par exemple, par métaphore dans le contexte de la recherche textuelle. Une demande exploratore défnt quand l utlsateur veut se fare une dée du contenu du corpus ; et c est après une consultaton préalable que seront défns plus précsément ses besons. 2.1 Requête en RI Une requête désgne une nterrogaton d'une base d nformatons, portant sur les éléments qu'elle content. Une requête peut être exprmée de dfférentes manères : - En langage naturel en utlsant des mots non-contrôlés ; - En utlsant des phrases courtes en langage naturel ; - Sous forme de textes ou de documents en langage naturel. On qualfe cec par la requête par l exemple ou par smlarté (QBE : Query By Example) ; 16