Traitement automatique de textes juridiques

Transcription

1 Tratement automatque de textes jurdques Vncent Psetta, Hakm Hacd, Faza Bellal, Glbert Rtschard et Djamel A. Zghed artcle paru dans R. Lehn, M. Harzallah, N. Aussenac-Glles, J. Charlet (eds), Semanes de la connassance, SdC 2006, Nantes jun, Actes électronques sur CD-Rom

2 Tratement automatque de textes jurdques 1 Vncent Psetta 1*, Hakm Hacd 1**, Faza Bellal 1*, Glbert Rtschard 2 et Djamel Zghed 1*** 1 Laboratore ERIC, Unversté Lumère Lyon 2, 5, av. Perre Mendès-France, Bron- France, *{vpsettta,fbellal}@mal.unv-lyon2.fr, **hhacd@erc.unvlyon2.fr, ***Abdelkader.Zghed@unv-lyon2.fr 2 Unversté de Genève, Département d économétre, 40 bd du Pont d Arve, Genève 11- Susse Résumé La foulle de données textuelles consttue un champ majeur du tratement automatque des données. Une large varété de conférences, comme TREC, lu sont consacrées. Dans cette étude, nous nous ntéressons à la foulle de textes jurdques, dans l objectf est le classement automatque de ces textes. Nous utlsons des outls d analyses lngustques (extracton de termnologe) dans le but de repérer les concepts présents dans le corpus. Ces concepts permettent de construre un espace de représentaton de fable dmensonnalté, ce qu nous permet d utlser des algorthmes d apprentssage basés sur des mesures de smlarté entre ndvdus, comme les graphes de vosnage. Nous comparons les résultats ssus du graphe et de C4.5 avec les SVM qu eux sont utlsés sans réducton de la dmensonnalté. Mots clés : Textes jurdques ; Apprentssage automatque ; Termnologe. 1 Introducton Le cadre général de l apprentssage automatque part d un fcher d apprentssage comportant n lgnes et p colonnes. Les lgnes représentent les ndvdus et les colonnes les attrbuts, quanttatfs ou qualtatfs observés pour chaque ndvdu lgne. Dans ce contexte, on suppose également que l échantllon d apprentssage est relatvement conséquent par rapport au nombre d attrbuts. Généralement la talle de l échantllon est de l ordre de 10 fos le nombre de varables pour espérer obtenr une certane stablté, c'est-à-dre une erreur en généralsaton qu n est pas trop lon de l erreur en apprentssage. De plus, l attrbut à prédre est supposé à valeur unque. C est une varable à valeurs réelles dans le cas de la régresson et c est une varable à modaltés dscrètes, appelées classes d appartenance, dans le cas du classement. Ces questons relatves aux rapports entre talle d échantllon et talle de l espace des varables sont étudées de façon très approfondes dans les publcatons relatves à l apprentssage statstque [19]. Dans ce paper nous décrvons une stuaton d apprentssage qu s écarte sgnfcatvement du cadre classque tel que décrt plus haut. En effet, le contexte expérmental ne nous permet pas de dsposer mmédatement d un ensemble d apprentssage conséquent, chaque ndvdu peut appartenr à pluseurs classes smultanément, et chaque ndvdu, au leu d être décrt par un ensemble attrbuts-valeurs, l est par un texte en langage naturel en anglas. Avant de décrre l approche que nous préconsons pour apprendre dans ce contexte, nous allons tout d abord rappeler la problématque de l applcaton vsée (secton 2). En secton tros, nous décrvons l approche méthodologque retenue. Dans la secton quatre, nous décrvons les étapes mses en œuvre pour mettre en forme les données et notamment, la stratége d analyse lngustque mse en œuvre pour extrare les prncpaux concepts qu vont jouer le rôle de varables. Nous décrvons ensute, secton 5, les modèles topologques à base de graphes de proxmté qu nous permettent de gérer le mult-classes. Dans un but comparatf, nous utlsons une méthode à base d arbre de décson qu nous sert également à meux dentfer les concepts dscrmnants. En secton 6, nous présentons les résultats ssus de l analyse lngustque et de l apprentssage. Nous décrvons également le prncpe de l apprentssage par boucle de pertnence (relevance feedback). Ce concept est central car l met l usager dans la boucle vsant à amélorer le modèle de prédcton. Nous détallons les performances obtenues. En secton 7, nous concluons et détallons les perspectves de ce traval. 2 Cadre expérmental 2.1 Problématque Ce traval s nscrt dans un projet en collaboraton avec le Bureau Internatonal du Traval (BIT). Pluseurs pays ont sgné des conventons avec le BIT qu les lent au drot du traval nternatonal. Plus concrètement, l accord porte sur deux conventons élaborées par le BIT, La Conventon n 87 et la Conventon n 98. Celles-c contennent une sére 1 Recherche réalsée dans le cadre du projet RUIG «Socal dalogue regmes».

3 Psetta et al. d artcles de los que le sgnatare s engage à respecter. Ces derners sont soums, une fos par an, à une nspecton ayant pour but de vérfer la bonne applcaton de ces conventons. A la fn de chaque nspecton, les experts du BIT délvrent un rapport au pays concerné. Le rapport fat état des règles non applquées, des volatons constatées à partr de fats concrets et soulgne les efforts à mettre en place pour être en adéquaton avec les conventons. Il est en texte lbre sans codfcaton rgde des volatons. Tous les rapports d experts sont stockés dans une banque de données accessble aux membres et aux experts qu effectuent régulèrement des analyses, défnssent de nouvelles recommandatons et étudent les évolutons du drot du traval dans les dfférents pays, etc. L objectf de notre traval est défnr et de mettre en place des méthodes et des outls de data mnng permettant de trater plus effcacement et plus rapdement ces corpus qu devennent nexplotables manuellement. Les experts du BIT souhateraent avor des outls permettant le repérage automatque des textes sgnalant la volaton d une ou pluseurs règles par pays. La fnalté étant la catégorsaton automatque des textes non étquetés. Les experts pourront alors synthétser plus vte les dffcultés que rencontrent les dfférents pays dans l applcaton de ces conventons, et, le cas échéant, dentfer les moyens de les ader. 2.2 Descrpton du corpus La base de données du BIT comprend 1325 textes. Chaque texte, correspond à un commentare annuel adressé par les experts du BIT au pays concerné. Chaque texte décrt les règles relatves à chaque conventon qu ont été volées et les modaltés de cette volaton. Les textes sont rédgés en anglas par des jurstes mandatés par le BIT. La banque de données consttuée par le BIT comporte 834 textes sgnalant des volatons relatves à la Conventon N 87 et 481 pour la Conventon N 98. Les textes sont classés par Conventon, date, pays. On peut ans étuder l évoluton dans le temps des textes relatfs à un même pays sur chaque conventon. Ces trajectores consttuent des ponts mportant pour le traval des experts. Notons pour clore sur ce corpus qu un texte peut relater la volaton de pluseurs règles. Précsons également que l dentfcaton des règles volées s effectue a posteror par nterprétaton des observatons et des commentares des enquêteurs. Ce traval d étquetage s effectue à l heure actuelle par des experts jurste du BIT. Les rasons de délas d nterprétaton et de coût assocé ne facltent pas l explotaton des enquêtes menées. Il exste 17 volatons pour la Conventon n 87 et 10 pour la Conventon n Méthodologe 3.1 Prncpes généraux Pour mettre au pont un outl d dentfcaton des volatons dans un corpus, nous avons procédé par des technques d apprentssage automatque. Le chox s est porté sur les méthodes d apprentssage supervsé qu produsent des modèles de prédcton qu une fos évalués et jugés acceptables par l utlsateur, peuvent alors être utlsés comme moyen automatque de catégorsaton pour les nouveaux textes. Pour aboutr à un modèle de prédcton, le prncpe consste à fournr à l algorthme d apprentssage des exemples de textes pré-classés que nous appellerons ensemble d apprentssage. Dans notre cas, l s agt d un problème à classes multples. Autrement dt, chaque texte de l échantllon d apprentssage peut appartenr à pluseurs classes, chacune est dentfée à une règle d une conventon qu serat volée. Plus formellement, s on note w un texte du corpus global W et par c = 1, K, k les règles de la conventon va susceptbles d être volées, alors C() w = { c1, c2, c5} exprme que le texte w comporte des volatons relatves aux règles { c1, c2, c5} de la conventon v a. Notons que dans ce contexte, l est dffcle et extrêmement coûteux d effectuer cette catégorsaton manuellement en une seule trate. Nous avons suggéré aux experts d annoter une soxantane de textes par conventon (71 pour la conventon n 87 et 65 pour la conventon n 98) qu servront de base d apprentssage ntale. Appelons ce premer corpus d amorçagew 1. Sot Y un algorthme d apprentssage supervsé. Cela peut être un graphe d nducton [20], un SVM [19], etc. Le résultat d un apprentssage est un modèle noté M et un taux d erreur e en généralsaton estmé sur échantllon test ou par cross valdaton. YW (, C) = ( M, e) L applcaton du modèle M sur un échantllon de textes anonyme W de talle relatvement modeste, dsons une vngtane de cas, permet de prédre pour chaque ndvdu anonyme w les règles qu seraent volées, M ( w ) = { c, ck} par exemple. Le contrôle de pertnence permet à l utlsateur d évaluer chaque étquetage sur les ndvdus anonymes. L usager U peut alors valder totalement ou partellement l étquetage proposé par le modèle. Dans le cas où pour un texte w la prédcton est jugée erronée par U alors, le texte concerné est extrat et rems dans l échantllon d apprentssage W + 1 = WÈ w. Cette opératon étant renouvelée à chaque fos qu un ndvdu est

4 Tratement automatque de textes jurdques jugé mal étqueté. A la fn, nous rétérons le processus d apprentssage avec le nouvel échantllon ans construt. Nous obtenons un nouveau modèle M dont on espère un taux d erreur e plus fable ( e < e). Un nouvel échantllon anonyme de talle modeste pour faclter une vérfcaton manuelle est consttué. La rétératon de ce processus de recyclage des ndvdus mal étquetés par le classfeur dans un nouvel apprentssage après rectfcaton manuelle des étquettes devrat condure à une améloraton tératve du modèle. La queston qu se pose dès lors est le chox d un algorthme capable de gérer l étquetage multple. Le graphes de proxmté [18] qu font parte des méthodes d apprentssage à base d nstance permettent cela. Toutes ces technques supposent par alleurs que les ndvdus sont plongés dans un espace de représentaton sur lequel on peut défnr une métrque. Les textes dovent par conséquent être transformés en un ensemble de vecteur. Chaque texte p pourra être alors consdéré comme un pont de R. Les coordonnées d un texte w dans cet espace seront X () w = ( X1() w, X2() w, K, X p () w). Que représentent alors ces varables, comment sont elles extrates? C est l objet de la parte analyse lngustque. L objectf étant de trouver les concepts et les plus adaptés. 3.2 Applcaton sur les données du BIT Nous effectuons l extracton de la termnologe sur l ntégralté du corpus. La fnalté de cette extracton est la constructon de concepts relatfs aux deux Conventons. Les concepts ans extrats consttuent l espace de représentaton des documents. Les textes étquetés par les experts du BIT (volatons connues), nous servent ensute de base d apprentssage. Nous utlsons deux classfeurs : C4.5 [14] et les graphes des vosns relatfs (GVR) [18] dans le but de prédre les volatons contenues dans les textes non étquetés. La méthodologe est décrte par (FIG. 1). 4 Espace de représentaton des textes 4.1 Extracton de la termnologe Nous chosssons de construre notre espace de représentaton par extracton de concepts. Un des avantages de cette technque par rapport à des méthodes telles que les N- grammes, ou les matrces de co-occurrences de mots, est la réducton mportante de la dmensonnalté, permettant notamment l usage de classfeurs utlsant des mesures de smlarté. Dverses applcatons basées sur ce prncpe ont données des résultats ntéressants [10]. Deux méthodes dfférentes exstent pour la constructon de concepts : par apprentssage et par extracton. La premère (statstque) recherche les mots les plus dscrmnants selon un attrbut à prédre. Les mots sont ensute regroupés en concepts sur la base de leur cooccurrences ou à partr de règles d assocaton [10]. La seconde méthode (lngustque) consste à extrare la termnologe du corpus et à regrouper les termes extrats selon leur proxmté sémantque. Notre préférence se porte vers les technques d analyse lngustque. Ce chox se justfe par le fat que l analyse lngustque permet de lutter contre la polyséme et de lever certanes ambguïtés lées au contexte [6]. Elle fonctonne également sur de pettes untés textuelles [12]. De plus, notre base d apprentssage comportant peu d exemples, l nous semble dffcle d utlser les technques d apprentssage décrtes plus haut. Notre traval est effectué en collaboraton avec des experts du domane jurdque, ce qu est une rason supplémentare pour utlser les technques lngustques. Nous utlsons la chaîne de tratement décrte en (FIG. 2). FIG. 2 Chaîne de tratement lngustque FIG. 1 Méthodologe d analyse

5 Psetta et al. 4.2 Chox des canddats-termes et créaton de concepts Nous reprenons c une méthodologe utlsée dans [1]. Nous dstnguons deux étapes dans la sélecton des canddats termes : 1. Dans un premer temps, nous parcourons l ensemble des résultats donnés par EXIT [15], et nous étudons tout d abord les termes dont la fréquence d apparton est supéreur à un seul l. Dans un premer temps, nous fxons un seul élevé. Cette étape prélmnare permet de repérer les grands axes conceptuels ; 2. Nous regroupons ensute les canddats termes sémantquement proches à l ade d outls tels que WordNet [11]. Le recours à l expert est c prmordal. Certanes plates-formes proposent des outls plus sophstqués comme Syntex-Upery [3] qu permettent d analyser la proxmté dstrbutonnelle entre les canddats-termes. Les phases de constructon 1 et 2 étant tératves, nous augmentons très rapdement la représentaton en examnant les canddats-termes dont la fréquence d apparton dans le corpus est nféreure au seul l. L augmentaton progressve du nombre de canddats-termes possède deux ssues : certans canddats-termes vennent renforcer les concepts exstants ; d autres créent de nouveaux concepts qu peuvent être des concepts fls de ceux déjà exstants. 4.3 Représentaton vectorelle des documents A ce nveau se pose le problème du chox du modèle de représentaton. Nous avons chos le modèle vectorel [16] nous paraît plus adapté que le modèle booléen. La rason est qu l semble smplste d applquer une logque bnare à une recherche d nformaton. De plus, le modèle vectorel permet de calculer des scores de smlartés entre dfférents documents [12]. Le modèle vectorel propose de représenter un document sur les dmensons représentées par les mots. Nous l'avons adapté pour représenter un document par un vecteur de concepts. Et, plutôt que de le représenter en foncton de la fréquence du concept dans le document, nous utlsons la pondératon TF x IDF [17]. Ce score permet de donner une mportance au concept en foncton de sa fréquence dans le document (TF = Term Frequency) pondérée par la fréquence d'apparton du concept dans tout le corpus (IDF = Inverse Document Frequency). Ans un concept très spécfque au document aura un score correspondant à sa fréquence d'apparton, par contre, un concept apparassant dans tous les documents du corpus aura une pondératon maxmale. Nous calculons donc, pour chaque concept dans un document, son score TF x IDF. æ () () log n ö TF IDF = TF X w X w ç DF è ø Avec X un concept ; w le document ; TFX () w : la fréquence absolue d apparton du concept dans le document w ; DF X : le nombre de documents de la base d apprentssage contenant le concept X ; n : le nombre de documents de la base d apprentssage. A la fn de cette opératon, nous dsposons d une base d apprentssage que nous dsposons sous forme tabulare. 5 Modélsaton et outls de généralsaton Nous avons à présent défn un espace de représentaton pour les documents. L objectf est mantenant d utlser des technques d apprentssage dans le but de classer automatquement les documents. Dans notre étude, nous sommes amenés à classer des textes «mult-étquettes», autrement dt, susceptbles de comporter pluseurs volatons. Deux possbltés sont alors envsageables : une approche globale ; une approche bnare en une dvson en m sousproblèmes. Nous effectuons les deux approches. Deux classfeurs dfférents sont utlsés. Nous utlsons les arbres de décson dans l approche bnare et les graphes de vosnage dans l approche globale. 5.1 Prédcton par le graphe des vosns relatfs La représentaton vectorelle de nos documents est d une dmensonnalté très rasonnable et nous permet par conséquent d avor recourt à des classfeurs basés sur la noton de vosnage. Nous avons chos les graphes de proxmté provenant de la géométre computatonnelle [13] plutôt que les k-nn. Les graphes présentent pluseurs avantages par rapport aux k-nn et permettent de meux défnr la proxmté entre des ndvdus [4]. Ils nécesstent une mesure de dssmlarté [18]. Nous chosssons la dstance eucldenne. Pluseurs modèles de graphes exstent. Notre chox se porte sur le graphe des vosns relatfs qu est un bon comproms entre nombre de vosns et complexté algorthmque (en O(n 3 )). Dans le graphe des vosns relatfs Grng( Ω, ϕ), deux ponts ( α, β ) de Ω 2 sont vosns s ls vérfent la proprété suvante. Sot H( α, β ) l hypersphère de rayon δ ( αβ, ) et centrée sur α, et H( β, α ) l hypersphère de rayon δ ( βα, ) et centrée sur β. δ ( αβ, ) et δ ( βα, ) sont des mesures de X

6 Tratement automatque de textes jurdques dssmlarté entre les deux ponts α et β. δ ( αβ, ) = δ ( βα, ). α et β sont vosns s et seulement s la lunule A( α, β ) formée par l ntersecton des deux hypersphères H( α, β ) et H( β, α ) est vde [18] De façon formelle: A( α, β) = H( α, β) H( β, α) ( αβ, ) ϕ A( αβ, ) Ω= Nous applquons une foncton de décson smple. Un texte non étqueté hérte des proprétés de ses vosns contenus dans la base d apprentssage. Sot K le nombre de vosns du texte à étqueter ω ', c la ème règle. La probablté que le nouveau texte ω ' à étqueter contenne une volaton de c s écrt : P( c ω ') = Nombre de vosns de ω ' contenan tune volaton de c L applcaton du GVR sur un texte anonyme ω ' permet de prédre les règles qu seraent volées, par exemple : K { j u} GVR( ω ') = c, c 5.2 Prédcton par arbre de décson Nous nous plaçons c dans l optque de prédre la présence ou l absence de chaque volaton. Nous construsons par conséquent autant d arbres qu l exste de règles. Plus formellement, nous consdérons chaque règle comme étant un attrbut booléen c = { 0,1}. S l exste k règles pour la volaton v α, nous construsons k arbres. Chaque arbre est alors un modèle M prévoyant la présence ou l absence de chaque règle c. Nous obtenons ans k modèles qu renvoent c s la règle est estmée volée, snon. Notons que cette approche est valable dans la mesure où les volatons sont a pror ndépendantes. 6 Résultats, méthodes et comparatfs A l ssue de l analyse lngustque, nous obtenons 17 concepts pour la Conventon n 87 et 11 concepts pour la conventon n 98. Nous présentons les résultats observés sur la Conventon n 98. Notre base de textes étquetés est de talle modeste (65 textes). A ce jour, une étape du processus de relevance feedback a été réalsée. Elle concerne 20 textes qu ont été étquetés par les experts du BIT et qu n étaent pas présents ntalement dans la base d apprentssage. Nous présentons les résultats de la prédcton sur ces 20 textes ssue de C4.5 et GVR. Dans un but comparatf, nous avons utlsé les SVM selon le même prncpe que pour C4.5. Les SVM sont des méthodes robustes résstant très ben à la forte dmensonnalté des données [9]. La dfférence essentelle résde dans le fat que les SVM sont utlsées sans pré-tratement des textes (excepté la normalsaton). Les résultats sont présentés en secton Résultats obtenus Nous présentons les résultats obtenus en terme de reclassement. Les résultats sont décrts dans (FIG. 3). On observe de bon taux de reclassement. Notons qu l n exste qu une seule volaton pour laquelle SVM fat meux que C4.5 ou GVR. La non prse en compte de séquences de mots par SVM rend les prédctons parfos nstables, ce qu se tradut par une mauvase sensblté ou spécfcté. Nous observons des taux de sensbltéspécfcté parfos nuls pour GVR. Cec est dû au fat que deux des dx volatons (n 4 et n 10) sont peu fréquemment rencontrées dans le corpus d apprentssage. Ans, l y a peu de chances que les quelques textes contenant ces volatons soent en nombre suffsant pour être prs en compte dans le vosnage de l ndvdu à étqueter. Ce problème peut éventuellement se résoudre par la technque de retour pertnent décrte précédemment. FIG. 3 Résultats des tros méthodes de classfcaton 7 Concluson et perspectves La fnalté de ce traval est de proposer un modèle de prédcton capable de détermner les volatons de pluseurs pays concernant deux conventon de drot du traval. Une approche d apprentssage automatque a été adoptée. Dans un premer temps (préparaton des données), nous avons extrat, grâce aux technques d analyses lngustques, un ensemble de canddats termes qu nous permettent ensute de construre des concepts relatfs au corpus étudé. Cette opératon a pour but de rédure la dmensonnalté de l espace de représentaton des textes du corpus. Nous avons été ans en mesure d utlser les graphes de vos-

7 Psetta et al. nage, en plus d une méthode plus classque (C4.5) pour la catégorsaton automatque. Les résultats semblent ntéressants dans la mesure où les deux méthodes de prédcton que nous utlsons aboutssent à des taux de reclassement tout à fat acceptables en dépt d une base d apprentssage comportant peu d exemples. Nous envsageons à présent d augmenter la talle de cellec dans le but d amélorer la prédcton et d aboutr à des résultats plus robustes. La phase de test avec les experts du BIT est en cours. La lste des concepts extrats du corpus a été valdée par ces derners. L une des perspectves de ce traval est d observer l mpact du relevance feedback sur la qualté de prédcton. En effet, cette dernère devrat augmenter au fur et à mesure du nombre d nterventons des experts. De plus, l serat ntéressant de comparer de nouveau la qualté de prédcton de notre approche avec les SVM lorsque la base d apprentssage sera plus conséquente. L utlsaton d autres technques de catégorsaton textuelles, comme Wnnow [5] et éventuellement d autres classfeurs peut auss s avérer ntéressantes. Références [1] A. Baneyx, J. Charlet, et M. C. Jaulent. Constructon d ontologes médcales fondée sur l extracton termnologque à partr de textes : applcaton au domane de la pneumologe. Journées Francophones d Informatque Médcale (JFIM), pages 1-6, [2] E. Brll. Transformaton-Based Error-Drven Learnng and Natural Language Processng: A Case Study n Part-of- Speech Taggng. Computatonal Lngustcs, pages , [3] D. Bourgault et C. Jacquemn. Term Extracton + Term Clusterng: An Integrated Platform for Computer-Aded Termnology. Proceedngs of the European Chapter of the Assocaton for Computatonal Lngustcs (EACL'99), Bergen, pages 15-22, [4] J. Clech. Contrbuton Méthodologque à la Foulle de Données Complexes. Thèse. Laboratore ERIC, Unversté Lumère Lyon 2, [5] I. Dagan, Y. Karov, et D. Roth. Mstake-Drven Learnng n Text Categorzaton. Proceedngs of the Second Conference on Emprcal Methods n NLP, pages 55-63, [6] C. Fluhr. Indexaton et recherche d'nformaton textuelle. Ingénere des langues. Hermès, [7] M. Ganes et B. Shaw. Comparng Conceptual Structures : Consensus, Conflct, Correspondence and Contrast. Knowledge Scence Insttute, Unversty of Calgary, [8] P. Hajek, T. Havranek et M. Chytl. GUHA Method. Academa, Prague, [9] T. Joachm. Text categorzaton wth support vector machnes wth many relevant features. Proceedngs of ICML-99, 16th Iternatonal Conference on Machne Learnng (Bled, Slovena, 1999), pages , [10] N. Kumps, P. Francq et A. Delchambre. Créaton d un espace conceptuel par analyse de données contextuelles. JADT 2004, (Internatonal Conference on Statstcal Analyss of Textual Data), pages , [11] A. G. Mller, C. Fellbaum, R. Teng, S. Wolff, P. Wakefeld, H. Langone et B. Haskell. WordNet 2.1, Cogntve Scence Laboratory, Prnceton Unversty, [12] B. Poulquen, D. Delamarre et P. Le Beux. Indexaton de textes médcaux par extracton de concepts, et ses utlsatons. JADT 2002, pages , [13] F. Preparata et M. Shamos. Computatonal Geometry An Introducton. New-York, Sprnger, [14] J.-R. Qunlan. C4.5 : Programs for Machne Learnng. San Mateo, CA, [15] M. Roche, M., T. Hetz, O. Matte-Tallez, et Y. Kodratoff. EXIT: Un système tératf pour l'extracton de la termnologe du domane à partr de corpus spécalsés. Proceedngs of JADT 2004 (Internatonal Conference on Statstcal Analyss of Textual Data), vol 2, pages , [16] G. Salton. The SMART retreval system. Experment n automatc document processng. Prentce Hall. Englewood Clffs. New Jersey, [17] G. Salton et C. Buckley. Term weghtng approaches n automatc text retreval. Informaton Processng and Management, (l) 24, vol 5, pages , [18] G.-T. Toussant. The relatve neghborhood graphs n a fnte planar set. Pattern recognton, pages , [19] V.-N. Vapnk. The Nature of Statstcal Learnng Theory. Sprnger, [20] D.-A. Zghed et R. Rakotomalala. Graphe d nducton et DataMnng, Hermès, 2000.