Une Approche d Indexation Conceptuelle de Documents Basée sur les Graphes CP-Nets

Dimension: px
Commencer à balayer dès la page:

Download "Une Approche d Indexation Conceptuelle de Documents Basée sur les Graphes CP-Nets"

Transcription

1 Tz-Ouzou, Algére 439 Une Approche d Indexaton Conceptuelle de Documents Basée sur les Graphes CP-Nets Fatha Boubekeur 1, 2, Mohand Boughanem 1, Lynda Tamne-Lechan 1 1 IRIT-SIG/RFI, Unversté Paul Sabater, Toulouse, France 2 Unversté Mouloud Mammer, Tz Ouzou, Algére Résumé. Ce paper décrt une approche d ndexaton conceptuelle basée sur les CP-Nets (Condtonal Preferences Networks). Nous proposons d'utlser le formalsme CP-Net comme langage d ndexaton afn de représenter les concepts et les relatons condtonnelles entre eux d'une manère relatvement compacte. Les noeuds du CP-Net sont les concepts représentatfs du contenu du document et les relatons entre ces nœuds exprment les assocatons condtonnelles qu les lent. Notre contrbuton porte sur un double aspect: d une part, nous proposons une approche d extracton des concepts en utlsant WordNet. Les concepts résultants forment les noeuds du CP-Net. D autre part, nous proposons d étendre et d utlser la technque de règles d'assocaton afn de découvrr les relatons condtonnelles entre les concepts nœuds du CP-Nets. Mots-clés: Recherche d nformaton, Indexaton conceptuelle, CP-Nets, WordNet, Règles d assocaton 1 Introducton Le but prncpal d'un système de recherche d'nformaton (SRI) est de retrouver l'nformaton pertnente pour une requête utlsateur. Requêtes et documents sont généralement exprmés par un ensemble de mots-clés (sacs de mots) smples sensés représenter au meux leurs contenus sémantques. Les termes sont automatquement extrats ou manuellement assgnés aux documents et aux requêtes. L évaluaton consste alors à apparer requête et documents pour retrouver les documents qu correspondent au meux à la requête. Une caractérstque clé de tels systèmes est que le degré d apparement de la requête et du document dépend du nombre de termes communs. Il est ben connu qu'une requête est habtuellement une descrpton vague et ncomplète du beson en nformaton de l utlsateur et les auteurs des documents utlsent un vocabulare très dversfé pour exprmer les mêmes concepts. Cec mène aux problèmes crucaux de dsparté des termes (term msmatch) et d'ambguïté en recherche d nformaton (RI). Ce paper trate ces problèmes en proposant une soluton au nveau de l'ndexaton des documents. Plus précsément, nous proposons d'utlser (1) l ontologe générale WordNet afn d dentfer les concepts représentatfs d'un document, (2) les règles d'assocaton pour découvrr des relatons

2 440 COSI 08 condtonnelles entre ces concepts, (3) les CP-Nets pour organser concepts et relatons en une représentaton graphque. Le formalsme CP-Net est utlsé comme langage d'ndexaton, pour deux rasons. D'abord, les CP-Nets offrent un cadre unfé pour organser de manère compacte et ntutve les concepts et les relatons qu les lent. Ensute, les CP-Nets permettent une représentaton plus rche des documents pusqu ls supportent les relatons contextuelles et sémantques entre concepts. Les concepts et les relatons assocées sont susceptbles de résoudre les problèmes de dsparté et d'ambguïté des termes et d amélorer ans les résultats de la RI. Le paper est structuré comme sut : en secton 2, nous présentons les problèmes que nous souhatons aborder, à savor la dsparté des termes et l'ambguïté en RI, ans que les travaux qu permettent d y apporter des solutons. Un résumé de notre contrbuton suvra. En secton 3, nous détallons notre approche d'ndexaton conceptuelle basée sur les CP-Nets. Une llustraton de notre approche est présentée en secton 4. La secton 5 conclut le paper. 2 Problématque La représentaton des documents et requêtes est un problème fondamental en RI. La plupart des modèles de RI classques utlsent touours la technque usuelle en sac de mots. Cette technque présente cependant deux nconvénents maeurs qu mènent à de mauvases performances du SRI: - La dsparté des termes: Les utlsateurs de SRI utlsent souvent pour décrre les concepts de leurs requêtes, des termes dfférents de ceux qu utlsent les auteurs pour décrre les mêmes concepts dans leurs documents. Ans, un document peut être pertnent même s l n utlse pas les mêmes mots que ceux de la requête. Cependant, dans les SRI classques, un document pertnent ne sera pas retrouvé en réponse à une requête s les représentatons du document et de la requête ne partagent pas au mons un terme [7]. C est ans par exemple qu un document sur la peur pourtant pertnent pour une requête sur la crante, ne sera pas retrouvé s le mot crante est absent de ce document. La dsparté des termes mplque un slence documentare. - L ambguïté: La plupart des SRI représente les documents et les requêtes par les termes qu'ls contennent. Cependant, les termes sont ambgus. Cette ambguïté est dvsée en homonyme et polyséme. L homonyme tradut la proprété qu ont certans termes à être représentés par une même chaîne de caractères, et assocés à dfférents sens. La polyséme est lée à la proprété qu ont certans termes à exprmer dfférents sens. The bark of a dog versus the bark of a tree est un exemple d homonyme, openng a door versus openng a book est un exemple de polyséme [7]. Dans les SRI classques, l'ambguïté mplque que des documents non pertnents sont retrouvés. Ans, un document qu trate de l aboement des chens (bark of dogs) sera retrouvé comme pertnent pour une requête portant sur l écorce des arbres (bark of trees) s le mot bark fgure dans le document et la requête. L ambguïté des termes mplque un brut documentare. Les SRI basés sur la technque classque en " sacs de mots " présentent ans de séreux problèmes au nveau performance du fat de leur ncapacté à trater avec l ambguïté de la langue et l mprécson sémantque des mots smples. Dans les

3 Tz-Ouzou, Algére 441 dernères décennes, de nombreux travaux de recherche en RI se sont orentés vers la prse en compte de la sémantque des mots dans le processus d ndexaton. Les méthodes utlsées sont sensées amélorer les performances d un SRI en termes de rappel et de précson en le rendant capable de trater avec l ambguïté des mots. Deux grandes tendances exstent : l ndexaton sémantque et l ndexaton conceptuelle. L'ndexaton sémantque se base sur des technques de désambguïsaton contextuelle des mots dans les documents et requêtes. L dée est que le sens d un mot est complètement détermné par les autres mots occurrant dans le même contexte. Yarowsky dans [11], assoce aux mots d ndex, des mots du contexte qu adent à détermner leur sens. Tands que Voorhees dans [10], en se basant sur WordNet comme outl de désambguïsaton des mots, calcule la dstance sémantque entre chaque synset (sens assocé dans WordNet) possble du mot à désambguïser avec les synsets des mots occurant dans la même phrase. Le synset qu est le plus proche des autres mots de la phrase est alors chos. L'ndexaton conceptuelle se base sur des concepts trés d'ontologes et de taxonomes pour ndexer les documents contrarement aux lstes de mots smples. Une ontologe souvent utlsée dans ce sens est l ontologe générale WordNet. Khan dans [6], utlsant la noton de concept, propose un algorthme permettant d'attacher les termes d'un texte aux concepts de l'ontologe en se basant sur la noton de régon d'ontologe et de dstance sémantque entre concepts. Une approche smlare est proposée dans [2], dans laquelle les termes d'un texte sont attachés aux concepts de Wordnet en se basant sur la noton de smlarté sémantque entre concepts. Un document est fnalement représenté par un réseau sémantque de concepts et de relatons sémantques entre eux. L'utlsaton des relatons entre termes est une ssue prometteuse pour de melleures performances de RI. Prncpalement, l utlsaton des relatons entre termes permet d amélorer le rappel du SRI, c.-à-d. le nombre de documents pertnents retrouvés. Le SRI retrouvera non seulement les documents qu contennent les mots de la requête mas également des documents contenant les mots qu sont en relaton avec les mots de la requête. Les relatons entre termes étant extrates d ontologes [6], [2], ou découvertes dans le contexte du document, au moyen de règles d'assocaton [5]. Nous proposons, dans ce paper, une approche d'ndexaton conceptuelle de documents basée sur les CP-Nets. Les nœuds du CP-Net sont des concepts. Les relatons du CP-Net tradusent des dépendances contextuelles entre concepts. Nous défnssons alors : (1) une approche d extracton des termes du document, (2) une formule de pondératon des termes tenant compte de leur sémantque, (3) une méthode de désambguïsaton des termes basée sur l'utlsaton de WordNet, (4) une approche pour découvrr les relatons contextuelles entre concepts par les règles d assocaton et (5) une approche pour combner les concepts et les relatons correspondantes dans une représentaton graphque compacte, à savor le CP-Net. 3 Approche d Indexaton Conceptuelle Basée sur les CP-Nets Nous utlsons WordNet et les règles d assocaton afn de construre le graphe CP- Net représentatf du document. Le processus d'ndexaton du document est effectué en quatre étapes prncpales. Nous les décrvons dans les paragraphes suvants.

4 442 COSI 08 Notons prélmnares. Le but du processus d'ndexaton est d'dentfer et d extrare les termes qu sont susceptbles de représenter le contenu sémantque du document. Les termes sont généralement représentés comme lstes de mots. La longueur d'un terme t notée t est alors défne comme le nombre de mots dans t. Un terme mono-mot consste en une lste d'un seul mot. Un mult-terme est une lste de pluseurs mots. Sot t un terme représenté comme lste de mots w, t = [ w1, w2, K, w n ]. Les éléments dans t peuvent être dentques, représentant dfférentes occurrences d'un même mot. On note w le ème mot dans t. Nous défnssons la poston du mot w dans la lste t comme sut: post ( w1 ) = 1; pos ( w+ 1 ) = post ( w ) + 1, = 1.. l. t Défnton 1. Soent L = [ w w, ], L [ y y, ] 1 1, 2, K w m 2 = 1, 2, K y n, deux lstes de mots données. L 2 est une sous lste de L 1 s la séquence de mots dans L 2 apparaît auss L sub L, p l s w L tel que p = pos et dans L 1. Formellement: 2 = ( 1, ) 1 ( w ), 0 ( l 1), w p + = y + 1. Soent t 1, t 2 deux termes donnés par les lstes de mots respectves L 1 et L 2 : t 2 est un sous-terme de t 1 s L 2 est une sous lste de L 1. t 1 est un sur-terme de t 2 t 2 est un sous-terme de t 1. Identfcaton des Termes du Document. Etant donné un document d, nous procédons dans cette étape à l extracton de l ensemble de ses termes représentatfs. Pour cela, et avant toute élmnaton de mots vdes, nous procédons à une analyse mot par mot du document d. Sot w, le prochan mot, non vde, à analyser dans d. On extrat de WordNet l ensemble S des termes C qu contennent (au sens ncluson de chaînes de caractères) le mot w. Sot donc S { C, C2,, C } = 1 K m cet ensemble. S est composé de mono et de mult-termes. On ordonne alors S comme sut : donc S = S = { C() 1, C( 2), K, C( m) } tel que ()=(1) (m), est une permutaton d ndces telle que m C() 1 C( 2) K C( ). Les termes ayant des longueurs égales sont ndfféremment placés l un à côté de l autre. Pour chaque élément C( ) de S, = 1..m, on note Pos la poston de w dans la lste de mots ( ) C ( w ) ( ) C. Sot ( ) pos la poston de d w w dans d. On appellera contexte relatf du mot w dans d par rapport au terme C ( ), la sous p = ( ) d pos w 1 C( ). On extrat alors le contexte relatf de w dans d, sot CH = sub(d, p,l) (Fgure 1), pus on compare les lstes de mots CH et C ( ). S CH C( ), le terme suvant chaîne de caractères CH = sub( d, p, l), l= C () et pos ( w ) C( +1 ) S est analysé, snon le terme t k = C( ), est dentfé. S t k recouvre totalement un ou pluseurs termes adacents le précédant (t k-1 à t, k-1), ces termes sont

5 Tz-Ouzou, Algére 443 élmnés de la descrpton du document. Le prochan mot de d à analyser est w, tel que pos ( w ) = p l. d + Fg. 1. Extracton du contexte relatf d un terme A l ssue de cette premère étape, nous aurons dentfé les termes t qu caractérsent le document d. En assocant chacun d eux à sa fréquence d occurrence, on obtent l ensemble T(d) = {( t 1,Occ 1 ), (t 2,Occ 2 ),, (t n,occ n ) / t d, Occ = Occ(t ) la fréquence d occurrence de t dans d, 1 n }. Pondératon des Termes d Index. La pondératon permet d assgner à chaque terme de l ndex son pods d mportance dans le document. Dans le cas des monotermes (mots smples), des varantes de tf*df sont utlsées. Le pods d un terme t dans le document d est alors exprmé par : W t,d = tf(t)*df(t), tf est la fréquence du N terme, df sa fréquence documentare nverse telle que df () t = log df () t, N étant le nombre de documents dans le corpus et df(t), fréquence documentare du terme t, le nombre de documents du corpus qu contennent t. Dans le cas des mult-termes, les approches de pondératon des termes proposées dans la lttérature s appuent en général sur une analyse statstque et/ou syntaxque. Globalement, l s agt d addtonner les fréquences de mots smples, ou multpler le nombre d'occurrences du terme par le nombre de mots smples qu l content. Bazz et al. dans [2], proposent de calculer la fréquence d un mult-terme t dans un document d, en addtonnant le nombre d occurrences du terme lu-même et le nombre d occurrences de ses sous - termes. Formellement, s sub(t ) est l ensemble de tous les sous-termes possbles t qu peuvent être dérvés de t, et long(t ) le nombre de mots dans t, alors : long( t ) tf () t = Occ() t + Occ( t ). t sub() t long () t Pour notre part, nous proposons une nouvelle approche de pondératon qu se base sur une analyse statstque et une analyse sémantque. Nous défnssons alors une varante de tf*df qu combne: (1) une mesure statstque des occurrences lexcales du terme lu-même, (2) une mesure statstque des occurrences lexcales du terme dans ses sur-termes, (3) une mesure probablste des occurrences du terme dans les sens de ses sous-termes. La formule proposée est défne comme sut : Sot T(d) l'ensemble des termes descrpteurs de d ; t, t' T(d) ; Sub (t) T(d) un sous-terme de t, et Sur (t) T(d) un sur-terme de t. On pose S(t) l'ensemble des concepts (synsets ou

6 444 COSI 08 sens) assocés à t dans WordNet et C un synset donné. Nous défnssons la probablté que t sot un sens possble de Sub (t) par : { ( ( )) } C S Sub t / t C (1) P(t S(Sub (t))) = S( Sub () t ) Le pods W t,d du terme t dans le document d est alors défn par: W t,d = tf(t) * df(t), tel que : W t, d = Occ( t) + Occ( Sur ( t)) + [ ( ( ) ( )] N P t S Sub ( t) Occ Sub ( t) *ln df ( t) Où : N est le nombre de documents dans le corpus, df(t) (fréquence documentare) est le nombre de documents du corpus qu contennent le terme t. L'ndex, Index(d), du document d sera construt sur la base des seuls termes dont les pods sont supéreurs à un seul fxé. Désambguïsaton des Termes. Tout terme t dans Index(d) peut avor pluseurs sens (synsets de WordNet) lu correspondant. Sot S { = C1, C2, K, Cn } l ensemble des synsets assocés au terme t. Ans, t possède S = n sens. Nous admettons que chaque terme contrbue à la représentaton du contenu de d avec seulement un sens. Ans, nous devons chosr, pour chaque t Index( d ), son melleur sens dans d. C est la désambguïsaton. Parm les dfférentes méthodes de désambguïsaton proposées dans la lttérature, nous nous sommes ntéressés à l'approche proposée dans [2] pour sa smplcté. Cette approche se base sur le calcul d un score (C_Score) pour chaque concept (ou sens) lé à un terme d'ndex. Ans, pour un terme t, le score de son ème sens, noté C est l donné par C _ Score( C ) = Dst( C, Ck ) l [ 1.. m] k [ 1.. n ] l l Où m est le nombre de termes dans Index(d), nl représente le nombre de sens de l Dst C, C est une mesure de smlarté WordNet propres à chaque terme tl et ( ) sémantque entre les concepts C et k (2) l C k telle que défne dans [9] et [8]. Le concept C qu maxmse le score est alors retenu comme melleur sens du terme t. Notre approche dffère prncpalement de celle en [2] dans la formule utlsée pour le calcul du score d un concept. En effet, nous pensons que l utlsaton de la seule smlarté sémantque entre concepts est nsuffsante pour détermner le melleur sens d'un terme car cette mesure est ndépendante du contexte (elle ne tent pas compte de la représentatvté des termes dans le contexte de document). Nous croyons que le melleur sens pour un terme t dans le document d est celu qu fortement corrélé avec les sens des termes mportants dans d. Pour cela, nous défnssons d'abord le pods

7 Tz-Ouzou, Algére 445 d'un concept (sens) C S, W = W C, d t, d C S comme pods du terme correspondant t : Nous proposons alors de calculer le score comme sut: Score C ( ) = [,.., m] l 1 1 k nl l W l ( C C ) l C, d WC, d Dst k, Le concept C m S tel que Score (C m ) = max (Score (C )) sera retenu comme melleur sens du terme t dans d. L ensemble des concepts retenus consttuera le noyau sémantque N(d) du document d. Représentaton CP-Net d un Document. Le but de cette étape est de construre l ndex conceptuel CP-Net. Les CP-Nets ont été ntroduts dans [4] comme outl de représentaton compacte des relatons de dépendances préférentelles condtonnelles entre des varables (caractérstques) données. Nous proposons d'utlser le formalsme CP-Net comme langage d'ndexaton, d une part car les CP-Nets supportent naturellement les dépendances contextuelles, d autre part les CP-Nets permettent une représentaton compacte des relatons sémantques et contextuelles entre concepts, dans un formalsme graphque unfé. Dans ce qu sut, nous décrvons le processus de constructon des noeuds et des relatons du CP-Net. Les Noeuds du CP-Net. Sot N ( d ) { C, C2,, } 1 K C n k (3) = le noyau sémantque du document d. Notre approche pour construre les noeuds du CP-Net est basée sur les prncpes suvants : - Les noeuds du CP-Net sont des varables attachées aux concepts C du noyau sémantque du document d. Dans ce qu sut, nous désgnerons une varable noeud du CP-Net par le concept correspondant. - Chaque varable C prend des valeurs dans l'ensemble Dom ( C ) = { C1, C2, C3,... }. - Chaque valeur dans Dom(C ) est un concept C N( d ) tel que C est un C (est-un défnt la relaton de subsumpton de WordNet). A l ssue de cette étape, nous aurons construt l ensemble η(d) = {(C, Dom(C )}, on notera plus smplement η(d) = {(X, Dom (X))}, des nœuds du CP-Net document. Les Relatons du CP-Net. Nous proposons d'utlser les règles d'assocaton pour découvrr les relatons contextuelles latentes entre les concepts noeuds du CP-Net. Les règles d assocaton furent ntalement ntrodutes dans [1], dans le but de générer les assocatons sgnfcatves entre ensembles d tems dans une base de données transactonnelle. Elles ont été utlsées en RI pour découvrr des relatons sgnfcatves entre termes d ndexaton [5]. Dans notre contexte, les règles d assocaton sont utlsées pour découvrr les relatons sgnfcatves entre concepts représentatfs du contenu d un document. Le formalsme des règles d'assocaton est alors étendu pour supporter les assocatons entre concepts. Le modèle formel est défn dans ce qu sut : sot η(d) = {(X, Dom(X))} l ensemble des concepts nœuds du X, Y η d. CP-Net document. ( )

8 446 COSI 08 Défnton 2. Une règle d'assocaton sémantque entre les concepts X et Y, notée X Y, est défne comme sut : sem ( X ) Y Dom ( Y ) X Y X sem Y X Dom, /, tel que X Y est une assocaton entre les termes X et Y. La sgnfcaton ntutve de la règle X sem Y est que s un document porte sur (s about) le concept X, l tend également à porter sur le concept Y. L aboutness du document exprme le focus de son contenu. Cette nterprétaton s applquant auss à la règle X Y. Ans, la règle R : X Y exprme la probablté que le document sot autour de Y sachant qu l est autour de X. La confance assocée à R se rapporte alors au degré d mportance de Y dans le document d, sachant le degré d mportance de X dans d. Elle est formellement défne dans ce qu sut. Défnton 3. La confance de la règle Confance ( R) Support = Support R : X Y est formellement donnée par: ( X Y ) ( X ) mn = ( W W ) X, d, Défnton 4. La confance de la règle d assocaton sémantque Rsem : X sem Y est défne comme sut: Confance( X ) sem Y = max Confance R : X X, ( ) ( ) X Dom X, Y Dom Y Remarque. Confance ( X Y ) sem est touours égale 1. Dans notre contexte, le support de la règle d assocaton sémantque X sem Y se rapporte à la proporton de règles d assocatons Y X Dom X et X ( ( ) Y Dom( Y ), qu ont une confance supéreure ou égale à un seul mnmal de W X, d Y, d confance mnconf=1. Le support est formellement défn dans ce qu sut. Défnton 5. Le support de la règle R : X Y est donné par: Support ( R) = sem { X Y / Confance( X Y ) mn conf } { X Y, ( X, Y ) Dom( X ) Dom( Y )} Nous proposons de découvrr les relatons entre concepts de η(d) au moyen de règles d'assocaton sémantques. Les règles d'assocaton sémantques sont basées, dans notre contexte, sur les prncpes suvants: (1) une transacton est un document, (2) les tems sont les valeurs des concepts noeuds du CP-Net (3) un temset est un concept représentant un nœud du CP-Net, (4) une règle d assocaton X Y défnt dans le CP-Net, un arc orenté du noeud X vers le sem

9 Tz-Ouzou, Algére 447 noeud Y. En utlsant les règles d'assocaton, nous vsons la constructon d une structure hérarchque condtonnelle du focus du contenu de document. C'est-à-dre que nous vsons à structurer des concepts décrvant le document, dans une hérarche condtonnelle correspondant à la sémantque des règles d assocaton extrates. Le problème de découverte des règles d'assocaton entre les concepts est dvsé en deux étapes, suvant le prncpe de l'algorthme A-pror (ntrodut en [1]). D abord dentfer les 1-temsets fréquents, correspondant à des concepts fréquents. Un concept fréquent est dans notre contexte, un concept qu a un pods plus grand qu'un seul mnmum fxé. Ensute, extrare les règles d assocatons entre les temsets fréquents. L'obectf est de ne garder que les seules règles qu ont un support et une confance supéreurs à un seul mnmal de support mnsup et un seul mnmal de confance mnconf respectvement. Des problèmes peuvent surgr lors de la découverte des règles d'assocaton, tels que les redondances et les cycles. Les règles redondantes découlent généralement des proprétés transtves : X sem Y, Y sem Z et X sem Z. Pour élmner la redondance, nous proposons de construre la couverture mnmale de l'ensemble de règles extrates (l s agt de l ensemble mnmal de règles d assocaton non transtves). L'exstence des cycles dans le graphe est due à la découverte smultanée des règles d'assocaton X sem Y et Y sem X, ou des règles d'assocaton telles que X sem Y, Y sem Z et Z sem X. Pour résoudre ce problème, nous élmnons la règle de plus fable support parm celles qu ont condut au cycle. Dans le cas de support égal, nous élmnons aléatorement une règle dans le cycle. Une fos le CP-Net construt, les noeuds du CP- Net sont annotés par une table ncondtonnelle notée CPT(Y) dont les valeurs défnssent les pods (ncondtonnels) d mportance des termes dans le document correspondant : ( X ), CPT ( X ) = W X d (4) X Dom, 4 Illustraton Sot d ((Toulouse, 0.9), (Pars, 0.5), (Center, 0.1), (Studo, 0.4), (Suburbs, 0.7)...) un document décrt par les concepts pondérés donnés. Toulouse et Pars appartennent au domane de valeurs du concept noeud Cty. De même, Center et Suburbs appartennent au domane du concept nœud Place, tands que Studo est assocé au concept noeud Housng. Ans η(d) = {(Cty, Dom (Cty)), (Place, Dom(Place)), (Housng, Dom(Housng))}/ Dom(Cty) ={Toulouse, Pars}, Dom(Place) = {Suburbs, Center}, Dom(Housng) = {Studo}. Nous vsons à découvrr des assocatons entre les noeuds Cty, Housng, et Place. L applcaton de l'algorthme Apror mène à: (1) l extracton des temsets fréquents, et (2) la génératon des règles d'assocaton entre les 1-temsets fréquents. Nous nous ntéressons aux relatons entre les concepts ndvduels dans le document (plutôt qu'entre les ensembles de concepts), ans nous calculons seulement les k- temsets pour k = 1, 2. En supposant un seul mnmum de support mnsup = 0.1, les k-temsets (k = 1, 2) fréquent extrats sont donnés en Table 1. Support(Center) <

10 448 COSI 08 mnsup, ans le 1-temset Center n'est pas fréquent, l est alors élmné. Les règles d'assocaton extrates sont données en Table 2. Table 1. Gératon des k-temsets fréquents 1-temset fréquent 2-temsets fréquents Itemset Support Toulouse 0.9 Pars 0.5 Center 0.1 Suburbs 0.7 Studo 0.4 Toulouse, Studo 0.4 Toulouse, Suburbs 0.7 Pars, Studo 0.4 Pars, Suburbs 0.5 Studo, Suburbs 0.4 Table 2. Les règles d assocaton découvertes R 1 : Toulouse Studo R 3 : Toulouse Suburbs R 5 : Pars Studo R 7 : Pars Suburbs R 9 : Studo Suburbs R 2 : Studo Toulouse R 4 : Suburbs Toulouse R 6 : Studo Pars R 8 : Suburbs Pars R 10 : Suburbs Studo En applquant la formule donnée en défnton 3, les confances des règles produtes sont calculées condusant aux résultats de la Table 3. Table 3. Confances des règles d assocaton générées R R 1 R 3 R 5 R 7 R 9 Confance(R ) R 2 R 4 R 6 R 8 R S nous supposons un seul de confance mnmal mnconf =1, nous retenons seulement les règles dont la confance est supéreure ou égale à mnconf. Les règles ans sélectonnées sont données en Table 4. Ces règles sont d abord utlsées pour construre les règles d assocaton sémantques qu correspondent aux relatons entre les noeuds du CP-Net. Ans, on dédut : - de R 2 : Studo Toulouse et R 6 : Studo Pars: Housng sem Cty - de R 4 : Suburbs Toulouse : Place sem Cty - de R 7 : Pars Suburbs : Cty sem Place - de R 9 : Studo Suburbs : Housng sem Place

11 Tz-Ouzou, Algére 449 Nous calculons alors le support de chaque règle sémantque. Les résultats sont donnés en Table 5. Table 4. Règles d assocaton sélectonnées R 2 : Studo Toulouse R 4 : Suburbs Toulouse R 6 : Studo Pars R 7 : Pars Suburbs R 9 : Studo Suburbs Table 5. Supports des règles d assocaton sémantques Housng sem Cty 1 Place sem Cty 0.5 Ct y sem Place 0.5 Housng sem Place 1 Nous retenons évdemment les règles Housng sem Cty et Housng sem Place dont le support égale 1. Deux assocatons exstent entre les concepts Cty et Place avec un même support. Nous gardons aléatorement l une des deux règles correspondantes. Supposons Place sem Cty est retenue. Il est clar que retenr les tros règles ans obtenues mènerat à un cycle dans le graphe CP-Net. Pour évter cec, nous élmnons la règle la plus fable (C est à dre possédant le plus pett support), sot Place sem Cty. En concluson, les seules règles sémantques sélectonnées sont les suvantes: Housng sem Cty et Housng sem Place. Les tables CPT sont alors assocées aux nœuds correspondants, en utlsant la formule (4), ce qu mène au CP-Net document donné en Fgure 2. Fg. 2. Le CP-Net document 5 Concluson Nous avons présenté dans ce paper, une approche d ndexaton conceptuelle basée sur les CP-Nets. Le formalsme CP-Net supporte naturellement concepts et assocatons contextuelles entre concepts, permettant ans une représentaton plus rche et plus précse des documents. Cec est susceptble de résoudre les problèmes de dsparté et d'ambguïté des termes en RI. En vue de paller ces problèmes, nous

12 450 COSI 08 avons tenté de présenter des défntons formelles de contexte de terme, de conceptnoeud, de relaton entre concepts-noeuds, et de règles d'assocaton sémantques. Nous avons également présenté des technques en vue d une ndexaton conceptuelle graphque des documents. Notre contrbuton porte sur deux aspects prncpaux. Le premer consste en l ndexaton conceptuelle basée sur l'ontologe WordNet. L'approche n'est certes pas nouvelle mas nous avons proposé de nouvelles technques pour dentfer, pondérer et désambguïser les termes. Le deuxème aspect de notre contrbuton consste en une nouvelle approche d'organsaton et de représentaton de l ndex conceptuel d un document, en un graphe compact basé sur le formalsme CP- Net. Pour découvrr les assocatons entre concepts nous avons proposé une varante des règles d'assocaton à savor les règles d assocaton sémantques. Les règles d'assocaton sémantques entre concepts permettent la découverte de relatons dépendantes du contexte mplquant une représentaton plus expressve du document. En perspectve, nous proetons de valder emprquement notre approche sur une collecton de test de RI. Références 1. Agrawal R., Imelnsk T., Swam A. : «Mnng assocaton rules between sets of tems n large databases», In Proceedngs of the ACMSIGMOd Conference on Management of data, Washngton, USA, ACM Press, 1993, (p ). 2. Bazz M., Boughanem M., Aussenac-Glles N. : «The Use of Ontology for Semantc Representaton of documents», In The 2nd Semantc Web and Informaton Retreval workshop(swir), SIGIR 2004, Sheffeld UK., Yng dng, Keth van Rsbergen, Iad Ouns, Joemon Jose (Eds.), 2004, (p ). 3. Boubekeur F., Boughanem M., Tamne L. : «Towards Flexble Informaton Retreval Based on CP-Nets». Dans : Flexble Query Answerng (FQAS), Mlan, Itale, 07/01/06-10/06/06, Henrk Legnd Larsen, Gabrella Pas, Danel Ortz-Arroyo (Eds.), World Scentfc Publshng, Advances n Artfcal Intellgence, p , un Boutler C., Brafman R., Hoos H., Poole D. : «Reasonng wth Condtonal Ceters Parbus Preference Statements», In Proceedngs of UAI-1999, (p.71 80). 5. Haddad M.H. : Extracton et Impact des connassances sur les performances des Systèmes de Recherche d'informaton, Thèse de Doctorat en Informatque de L'Unversté Joseph Fourer, Grenoble, Khan L.R: Ontologe-based Informaton Selecton, Phd Thess, Faculty of the Graduate School, Unversty of Southern Calforna, Krovetz R.: «Homonomy and Polysemy n Informaton Retreval», In the Proceedngs of the COLING/ACL '97 conference. 8. Ln D.: «An nformaton-theoretc defnton of smlarty», In Proceedngs of 15th Internatonal Conference On Machne Learnng, Resnk P. : «Semantc Smlarty n a Taxonomy: An Informaton-Based Measure and ts Applcaton to Problems of Ambguty n Natural Language», Journal of Artfcal Intellgence Research (JAIR), 11, 1999, (p ). 10. Voorhees E.M.: «Usng WordNet to dsambguate Word Senses for Text Retreval», In Proceedngs of the 16thAnnual Conference on Research and development n Informaton Retreval, SIGIR'93, Pttsburgh, PA, Yarowsky D. : «Unsupervsed word sense dsambguaton rvalng supervsed methods», In 33rd Annual Meetng, Assocaton for Computatonal Lngustcs, Cambrdge, Massachusetts, USA, 1995, (p ).

2. Loi de propagation des erreurs (cas simples)

2. Loi de propagation des erreurs (cas simples) Lycée Blase-Cendrars/Physque/Labos/DC///04 Labos de physque : Mesures - Propagaton d erreurs - Mesures répéttves - Statstques. Prncpe de la mesure en physque Une mesure est toujours mprécse. La précson

Plus en détail

T.P. 5 Exercice 1 Distribution normale

T.P. 5 Exercice 1 Distribution normale T.P. 5 Exercce 1 Dstrbuton normale Connassances préalables : Buts spécfques : Outls nécessares : Noton de moyenne, varance et écart type. Acquérr la noton de dstrbuton normale et ses caractérstques. Paper,

Plus en détail

L ANOVA (complements)

L ANOVA (complements) L ANOVA (complements) On utlse le t de Student pour comparer deux moyennes. Cependant s on veut comparer tros moyennes ou plus l devent nécessare d utlser l Analyse de Varance smple ou l ANOVA 1. L applcaton

Plus en détail

CUEEP Département Mathématiques T902 : Méthode des moindres carrés p1/16

CUEEP Département Mathématiques T902 : Méthode des moindres carrés p1/16 Méthode des mondres carrés Stuaton Le lancer de pods Dx adolescents droters s exercent à lancer le pods, du bras drot pus du bras gauche. Les résultats (dstances en mètres) obtenus sont les suvants : Adolescent

Plus en détail

FACTORISATION DE POLYNÔMES SUR DES CORPS FINIS

FACTORISATION DE POLYNÔMES SUR DES CORPS FINIS FACTORISATION DE POLYNÔMES SUR DES CORPS FINIS 1. Introducton La factorsaton est l un des ponts où l analoge entre nombres enters et polynômes se rompt. Par exemple, en caractérstque nulle, on peut trouver

Plus en détail

Contribution à la définition de modèles de recherche d information flexibles basés sur les CP-Nets

Contribution à la définition de modèles de recherche d information flexibles basés sur les CP-Nets Contrbuton à la défnton de modèles de recherche d nformaton flexbles basés sur les CP-Nets Fatha Boubekeur To cte ths verson: Fatha Boubekeur. Contrbuton à la défnton de modèles de recherche d nformaton

Plus en détail

Fiche technique : diagonalisation, trigonalisation.

Fiche technique : diagonalisation, trigonalisation. Fche technque 4 : dagonalsaton trgonalsaton - - Fche technque : dagonalsaton trgonalsaton Dagonalsaton de matrces le prncpe pour dagonalser en pratque une matrce est smple : calculer les espaces propres

Plus en détail

Mathématiques B30. Les nombres complexes Module de l élève

Mathématiques B30. Les nombres complexes Module de l élève Mathématques B30 Les nombres complexes Module de l élève 00 Mathématques B30 Les nombres complexes 10 y axe magnare Module de l élève 4+6 x -10 10 axe réel --4 Bureau de la mnorté de langue offcelle 00-10

Plus en détail

IFT1575 Modèles de recherche opérationnelle (RO) 7. Programmation non linéaire

IFT1575 Modèles de recherche opérationnelle (RO) 7. Programmation non linéaire IFT575 Modèles de recherche opératonnelle (RO 7. Programmaton non lnéare Fonctons convees et concaves Sot et deu ponts dans R n Le segment de drote jognant ces deu ponts est l ensemble des ponts + λ( -

Plus en détail

Leçon 1. Statistiques

Leçon 1. Statistiques Leçon 1 Statstques Lors d une séance de saut en hauteur, le professeur d EPS a relevé, en centmètres, les performances c-dessous : 110-115-10-110-100-110-15-15-100-95-135-105-1-110-95-100-110-85-85-105-140-15-100-135-105-1-135-115-10-135

Plus en détail

Estimateurs MCD de localisation et de dispersion: définition et calcul. Fauconnier Cécile Université de Liège

Estimateurs MCD de localisation et de dispersion: définition et calcul. Fauconnier Cécile Université de Liège Estmateurs MCD de localsaton et de dsperson: défnton et calcul Fauconner Cécle Unversté de Lège Plan de l eposé 2 Introducton: Pourquo les estmateurs robustes? Estmateur MCD : défnton Algorthmes appromatfs

Plus en détail

T.P. 5 Exercice 1 Distribution normale

T.P. 5 Exercice 1 Distribution normale T.P. 5 Exercce 1 Dstrbuton normale Corrgé Connassances préalables : Buts spécfques : Outls nécessares : Noton de moyenne, varance et écart type. Acquérr la noton de dstrbuton normale et ses caractérstques.

Plus en détail

Cours 2. Méthode des différences finies Approche stationnaire

Cours 2. Méthode des différences finies Approche stationnaire Cours Méthode des dfférences fnes Approche statonnare Technque de dscrétsaton en D Constructon du système Prse en compte des condtons aux lmtes Noton de convergence Extenson au D Verson 09/006 (E.L.) NF04

Plus en détail

Résumé. Sommaire. «Toute théorie n est bonne qu à condition de s en servir pour passer outre». André Gide in «Journal».

Résumé. Sommaire. «Toute théorie n est bonne qu à condition de s en servir pour passer outre». André Gide in «Journal». «Toute théore n est bonne qu à condton de s en servr pour passer outre». ndré Gde n «Journal». Résumé L usage des los de Krchhoff permet de toujours trouver les tensons et courants dans un réseau électrque

Plus en détail

Analyse en Composantes Principales (ACP) asymétrique

Analyse en Composantes Principales (ACP) asymétrique Analse en Composantes Prncpales (ACP) asmétrque A. El Orrak 1, Drss Aboutadne, M. Elhachlouf 1, M.N. Kaddou 1 1 Faculté des scences Semlala, Dept Informatque, LISI, Marrakech, Maroc orrak@ahoo.fr Faculté

Plus en détail

Méthode des résidus pondérés

Méthode des résidus pondérés Produt propre d un opérateur Méthode des résdus pondérés Ecrture d un opérateur u avec Ω les coordonnées spatales x, y, z p dans Ω Pour un opérateur lnéare u u u u avec α, β des nombres quelconques Pour

Plus en détail

Régulation PID par les méthodes empiriques

Régulation PID par les méthodes empiriques Régulaton PID par les méthodes emprques. Introducton à la synthèse des régulateurs PID et objectf du TP Les systèmes asservs peuvent présenter quelques contre performances : une précson permanente nsuffsante,

Plus en détail

Une introduction à la théorie de la NP-Complétude

Une introduction à la théorie de la NP-Complétude Chaptre 8 Une ntroducton à la théore de la P-Complétude. Introducton: u chaptre, nous avons dscuté l mportance d avor des solutons de complexté polynomale. Dans l étude de la complexté des problèmes, le

Plus en détail

EC 2 Étude des circuits linéaires en régime continu

EC 2 Étude des circuits linéaires en régime continu Étude des crcuts lnéares en régme contnu PS 2016 2017 Objet du chaptre : donner des outls pour détermner l état électrque d un crcut : potentels des dfférents nœuds par rapport à un nœud chos comme référence

Plus en détail

Terminale S Les ROC : complexe/géométrie à connaître.

Terminale S Les ROC : complexe/géométrie à connaître. Termnale S Les ROC : complexe/géométre à connaître Vous trouvere c les démonstratons que vous ave offcellement dues fare en cours (dans le programme) Il est mportant de précser que cela ne sgnfe en aucun

Plus en détail

L ensemble des modalités ou des classes des modalités de X

L ensemble des modalités ou des classes des modalités de X Module statstque et probabltés_ parte 2 Zahra ROYER B _ Etude des dstrbutons d un caractère quanttatf : Sans perte de généralté : à la place de varable statstque, on va utlser le terme courant chez les

Plus en détail

Loi binomiale - Echantillonnage

Loi binomiale - Echantillonnage Lo bnomale - Echantllonnage I Epreuve de Bernoull Lo de Bernoull 1. Epreuve de Bernoull Une épreuve de Bernoull est une expérence aléatore qu n'a que deux ssues : - S appelé succès avec une probablté p.

Plus en détail

1 2 i. ; z10 = 1 + i + i 2 + i 3 + i 4 + i 5 + i 6.

1 2 i. ; z10 = 1 + i + i 2 + i 3 + i 4 + i 5 + i 6. EXERCICES TERMINALE S LES NOMBRES COMPLEXES PREMIERS EXERCICES: 1 Calculs dans : Ecrre les nombres complexes suvant sous la forme a + b où a et b sont des réels : 1 = ; = ; = ( + )( + ) ; = 6 = 1 1+ ;

Plus en détail

CHAPITRE 7. CALCUL DES INDICATEURS DU SOUTIEN AUX CONSOMMATEURS

CHAPITRE 7. CALCUL DES INDICATEURS DU SOUTIEN AUX CONSOMMATEURS Chaptre 7 : Calcul des ndcateurs du souten aux consommateurs CHAITRE 7. CALCUL DES INDICATEURS DU SOUTIEN AUX CONSOMMATEURS 313. À l nstar du chaptre 6, le présent chaptre décrt en détal la méthode à applquer

Plus en détail

Mémoire associative. Chapitre La tâche

Mémoire associative. Chapitre La tâche 151 Chaptre 6 Mémore assocatve 61 La tâche Le but de la mémore assocatve est de retrouver un motf mémorsé auparavant Contrarement à la mémore dans l archtecture de von eumann de l ordnateur classque, les

Plus en détail

Proposition d'une solution au problème d initialisation cas du K-means

Proposition d'une solution au problème d initialisation cas du K-means Proposton d'une soluton au problème d ntalsaton cas du K-means Z.Guelll et L.Zaou, Unversté des scences et de la technologe d Oran MB, Unversté Mohamed Boudaf USTO -BP 505 El Mnaouer -ORAN - Algére g.zouaou@gmal.com,

Plus en détail

Chapitre 4 : Modèles booléen, vectoriel

Chapitre 4 : Modèles booléen, vectoriel Chaptre 4 : Modèles booléen, vectorel 1 Qu est ce qu un modèle de RI? Un modèle est une abstracton d un processus (c recherche d nfo) Les modèles mathématques sont souvent utlsés pour formalser les proprétés

Plus en détail

Les Codes Convolutionnels

Les Codes Convolutionnels Les Codes Convolutonnels Code Convolutíonnel : codage à partr des bts d'nformaton de pluseurs blocs Plus smples à coder et à décoder que les codes de blocs lorsque n est élevé m m m m Codes pour applcatons

Plus en détail

SIMILARITÉS POUR DONNÉES TEXTUELLES

SIMILARITÉS POUR DONNÉES TEXTUELLES SIMILARITÉS POUR ONNÉES TEXTUELLES Martn Raman LIA Laboratore d'intellgence Artfcelle Ecole Polytechnque Fédérale CH-05 Lausanne, Susse e-mal: raman@la.d.epfl.ch Ludovc Lebart CNRS Ecole Natonale Supéreure

Plus en détail

NOMBRES COMPLEXES EXERCICE 1. EXERCICE 2. EXERCICE 3. EXERCICE 4. 3 i ; 1. Déterminer (x + y i), représentation cartésienne du nombre complexe : i 1

NOMBRES COMPLEXES EXERCICE 1. EXERCICE 2. EXERCICE 3. EXERCICE 4. 3 i ; 1. Déterminer (x + y i), représentation cartésienne du nombre complexe : i 1 NOMBRES COMPLEXES EXERCICE 1 Détermner (x + y ), représentaton cartésenne du nombre complexe : 11 (5 ) ; ( + ) ; (1 5 ) 1 (5 4 )( + 6 ); (4 + ) (4 ) 1 14 15 ; 1 ; + 7 + + + 1 α ( α + β ) α + ( α ; ; (α,β)

Plus en détail

REPRESENTATION DU COMPORTEMENT D'UN SYSTEME LOGISTIQUE PAR UNE RELATION ETATS / INDICATEURS DE PERFORMANCE

REPRESENTATION DU COMPORTEMENT D'UN SYSTEME LOGISTIQUE PAR UNE RELATION ETATS / INDICATEURS DE PERFORMANCE 3 e Conférence Francophone de Modélsaton et SIMulaton «Concepton, Analyse et Geston des Systèmes Industrels» MOSIM 0 du 25 au 7 avrl 200 Troyes (France) REPRESENTATION DU COMPORTEMENT D'UN SYSTEME LOGISTIQUE

Plus en détail

METHODE AUTOMATIQUE POUR CORRIGER LA VARIATION LINGUISTIQUE LORS DE L INTERROGATION DE DOCUMENTS XML DE STRUCTURES HETEROGENES

METHODE AUTOMATIQUE POUR CORRIGER LA VARIATION LINGUISTIQUE LORS DE L INTERROGATION DE DOCUMENTS XML DE STRUCTURES HETEROGENES METHODE AUTOMATIQUE POUR CORRIGER LA VARIATION LINGUISTIQUE LORS DE L INTERROGATION DE DOCUMENTS XML DE STRUCTURES HETEROGENES Ourda Boudghaghen(*),Mohand Boughanem(**) yugo_doudou@yahoo.fr, bougha@rt.fr

Plus en détail

Utilisation du solveur d Excel

Utilisation du solveur d Excel Cycle ICM : 1A Pôle nformatque Cours applcatons nformatques Auteur : Bertrand Jullen 22/12/04 Utlsaton du solveur d Excel Le but de ce TP est de famlarser les élèves avec la foncton Solveur d Excel, dans

Plus en détail

Le débat autour de la convergence. Chapitre 4

Le débat autour de la convergence. Chapitre 4 Le débat autour de la convergence Chaptre 4 1 Baumol AER (1986) «Productvt Growth, Convergence and Welfare: what the Long-Run Data Show» Porte le nom de convergence absolue 2 Intuton Les pas plus élognés

Plus en détail

SIMNUM : Simulation de systèmes auto-gravitants en orbite

SIMNUM : Simulation de systèmes auto-gravitants en orbite SIMNUM : Smulaton de systèmes auto-gravtants en orbte sujet proposé par Ncolas Kelbasewcz : ncolas.kelbasewcz@ensta-parstech.fr 14 janver 2014 1 Établssement du modèle 1.1 Approxmaton de champ lontan La

Plus en détail

Leçon 3 Les statistiques, révisions

Leçon 3 Les statistiques, révisions Leçon 3 Les statstques, révsons Pour cette parte, je reprends d abord toutes les notons vues en seconde. Il y a un vocabulare de base à connaître. Les statstques sont utlsées dans tous les domanes, scences,

Plus en détail

classification non supervisée : pas de classes prédéfinies Applications typiques

classification non supervisée : pas de classes prédéfinies Applications typiques Qu est ce que le clusterng? analyse de clusterng regroupement des obets en clusters un cluster : une collecton d obets smlares au sen d un même cluster dssmlares au obets appartenant à d autres clusters

Plus en détail

Méthodes d étude des circuits linéaires en régime continu

Méthodes d étude des circuits linéaires en régime continu Méthodes d étude des crcuts lnéares en régme contnu Cadre d étude : n réseau électrque (ensemble de dpôles électrocnétques relés par des conducteurs flformes de résstance néglgeable) consttue un crcut

Plus en détail

Méthodes en Sciences-Physiques. Programme de Première S.

Méthodes en Sciences-Physiques. Programme de Première S. Méthodes en Scences-Physques. Programme de Premère S. Comment réalser et utlser les tableaux d avancement en Premère S Équaton de la réacton 3Ag + aq + AsO 3 4 aq Ag 3 AsO 4 s quanttés de matère en mol

Plus en détail

Contrôle du lundi 19 novembre 2012 (45 minutes) 1 ère S1

Contrôle du lundi 19 novembre 2012 (45 minutes) 1 ère S1 1 ère S1 Contrôle du lund 19 novembre 01 (45 mnutes) Compléter le tableau c-dessous donnant la dstrbuton de fréquences pour cet échantllon (calculs au broullon, fréquences sous forme décmale) : Prénom

Plus en détail

Editions ENI. Access Collection Référence Bureautique. Extrait

Editions ENI. Access Collection Référence Bureautique. Extrait Edtons ENI Access 2010 Collecton Référence Bureautque Extrat Relatons entres les tables Tables Établr une relaton entre deux tables Les dfférents types de relaton entre les tables Établr une relaton entre

Plus en détail

Problématique. Approche fréquentiste (objective) Théorie des probabilités. Approche subjective. Représentation des imperfections 18/01/2011

Problématique. Approche fréquentiste (objective) Théorie des probabilités. Approche subjective. Représentation des imperfections 18/01/2011 8/0/0 Problématque THÉORIE DES PROBABILITÉS Mchèle ROMBAUT Département Images et Sgnal Estmer X Ω à partr d'nformatons données par les sources S, S, Informatons mprécses ncertanes Modélsaton mperfecton

Plus en détail

Exercice 1 : Classification, d un point de vue général (4 points)

Exercice 1 : Classification, d un point de vue général (4 points) Corrgé du Devor survellé de Reconnassance de Formes I3 Informatque Mard 8 anver 003 - durée : heures Tous documents autorsés Noté sur 30 ponts (/0 Exercce : Classfcaton, d un pont de vue général ( ponts

Plus en détail

UE MAT234. Notes de cours sur l algèbre linéaire

UE MAT234. Notes de cours sur l algèbre linéaire UE MAT234 Notes de cours sur l algèbre lnéare Matrces - Systèmes lnéares - Détermnants - Dagonalsaton Dans tout ce document, K désgne ndfféremment le corps des nombres réels IR, ou celu des nombres complexes

Plus en détail

Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie. A. Arfaoui

Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie. A. Arfaoui Mnstère de la Jeunesse et des Sports Insttut Royal de Formaton des Cadres Département des Scences de la Ve A. Arfaou Défntons La statstque est l ensemble des méthodes et technques permettant de trater

Plus en détail

Réseaux linéaires. C Fig 1-a Fig 1-b Fig 1-c Fig 1-d

Réseaux linéaires. C Fig 1-a Fig 1-b Fig 1-c Fig 1-d etour au menu éseaux lnéares Défntons Un réseau électrque lnéare est un ensemble de dpôles lnéares, relés par des conducteurs de résstance néglgeable. On suppose que le réseau content au mons un générateur.

Plus en détail

Editions ENI. Excel Collection Référence Bureautique. Extrait

Editions ENI. Excel Collection Référence Bureautique. Extrait Edtons ENI Excel 2010 Collecton Référence Bureautque Extrat Tableau crosé dynamque Tableau crosé dynamque Excel 2010 Créer un tableau crosé dynamque Un tableau crosé dynamque permet de résumer, d analyser,

Plus en détail

2. Demi Additionneur. 1. Les Circuits combinatoires. Chapitre 4 : Les circuits combinatoires. Exemple de Circuits combinatoires

2. Demi Additionneur. 1. Les Circuits combinatoires. Chapitre 4 : Les circuits combinatoires. Exemple de Circuits combinatoires haptre : Les crcuts combnatores Object Les rcuts combnatores Un crcut combnatore est un crcut numérque dont les sortes dépendent unquement des entrées F(E F(E E E n pprendre la structure de quelques crcuts

Plus en détail

Corrélation et régression linéaire

Corrélation et régression linéaire Chaptre 9 Corrélaton et régresson lnéare 1. La corrélaton lnéare Chap 9. 1. La corrélaton lnéare. La régresson lnéare 1.1) Défntons L étude statstque d'une populaton peut porter smultanément sur pluseurs

Plus en détail

A =

A = Exercces avec corrgé succnct du chaptre 2 (Remarque : les références ne sont pas gérées dans ce document, par contre les quelques?? qu apparassent dans ce texte sont ben défns dans la verson écran complète

Plus en détail

CHAPITRE V. Formes différentielles sur les variétés. I. Espace tangent

CHAPITRE V. Formes différentielles sur les variétés. I. Espace tangent CHAPITRE V Formes dfférentelles sur les varétés I. Espace tangent Sot M une varété dfférentable de dmenson n et U = (U, ϕ ) I un atlas de M. On note par ϕ j := ϕ ϕ 1 j le dfféomorphsme entre les ouverts

Plus en détail

Texte Urnes et particules

Texte Urnes et particules Unverstés Rennes I Épreuve de modélsaton - Agrégaton Externe de Mathématques 2009. Page n 1. Texte Urnes et partcules À la fn du 19 ème sècle et au début du suvant, la tempête fat rage autour de la théore

Plus en détail

VI INERTIE GEOMETRIE DES MASSES

VI INERTIE GEOMETRIE DES MASSES VI INERTIE EOMETRIE DE ME Dans l étude de la dynamque des systèmes matérels et des soldes l est mportant d étuder la répartton géométrque des masses, afn d exprmer smplement les concepts cnétques qu apparassent

Plus en détail

UNIVERSITE DE BOURGOGNE MM5: Analyse Numérique Elémentaire FichedeTDno2

UNIVERSITE DE BOURGOGNE MM5: Analyse Numérique Elémentaire FichedeTDno2 1 UNIVERSITE DE BOURGOGNE MM5: Analyse Numérque Elémentare FchedeTDno2 1 Que peut-on dre d une méthode tératve dont la matrce a un rayon spectral nul? 2 Etuder les méthodes de Jacob et Gauss-Sedel pour

Plus en détail

Déformations - méthode du travail - énergie et méthode du travail virtuel.

Déformations - méthode du travail - énergie et méthode du travail virtuel. TS CM MCANQU Page sur 9 Déformatons - méthode du traval - énerge et méthode du traval vrtuel. Problème posé : Détermner le déplacement d'un pont quelconque d'un système sostatque. ntroducton : es méthodes

Plus en détail

Ecole Nationale d Ingénieurs de Brest. Module Qualité et Fiabilité. Les Plans d Expériences

Ecole Nationale d Ingénieurs de Brest. Module Qualité et Fiabilité. Les Plans d Expériences Notes de cours Ecole Natonale d Ingéneurs de Brest Module Qualté et Fablté Les Plans d Expérences Cours proposé par M. Parenthoën année 2002-2003 enb c mp2003....... 1 Plan du cours Plans d Expérences

Plus en détail

CIRCUITS LOGIQUES COMBINATOIRES

CIRCUITS LOGIQUES COMBINATOIRES CIRCUITS LOGIQUES COMBINTOIRES Fonctons combnatores ttenton! Ce produt pédagogque numérsé est la proprété exclusve de l'uvt Il est strctement nterdt de la reprodure à des fns commercales Seul le téléchargement

Plus en détail

( ), dans les conditions standards, va

( ), dans les conditions standards, va THERMOCHIMIE R. Duperray Lycée F.BUISSON PTSI U T I L I S A T I O N D E S T A B L E S D E S G R A N D E U R S T H E R M O D Y N A M I Q U E S S T A N D A R D Dans le chaptre précédent, nous avons vu l

Plus en détail

CAHIER DE STATISTIQUE

CAHIER DE STATISTIQUE CAHIER DE STATISTIQUE Statstque 31411 Module 4 Les mesures de dsperson MODULE 4 LES MESURES DE DISPERSION Les mesures de tendance centrale nous ont perms de caractérser le centre des données d une dstrbuton.

Plus en détail

Q(t) Figure 2.1 : Intervalle Temps-Ressource. Dans notre cas, la capacité Q(t) est considéré comme constante Q.

Q(t) Figure 2.1 : Intervalle Temps-Ressource. Dans notre cas, la capacité Q(t) est considéré comme constante Q. INTODUCTION : Tenr compte smultanément du temps et des ressources permet d ntrodure le concept d énerge et le concept d un rasonnement basé sur des blans énergétque. Ce chaptre donne tout d abord des rappels

Plus en détail

( ) ( ) ( ) ( ) ( ) Terminales S Exercices sur les nombres complexes Page 1 sur 6. Exercice 1 :

( ) ( ) ( ) ( ) ( ) Terminales S Exercices sur les nombres complexes Page 1 sur 6. Exercice 1 : Termnales S Exercces sur les nombres complexes Page sur 6 Exercce : ) Calculer, et 05 06 07 ) En dédure, et ) Détermner les enters n pour lesquels n est a) un réel, b) est un magnare pur, c) égal à Exercce

Plus en détail

Chapitre 2. Distillation flash Points de bulle et de rosée de systèmes multicomposants

Chapitre 2. Distillation flash Points de bulle et de rosée de systèmes multicomposants haptre 2 Dstllaton flash Ponts de bulle et de rosée de systèmes multcomposants 2. Vaporsaton flash et condensaton partelle La dstllaton flash est l'opératon de dstllaton la plus smple qu consste à amener

Plus en détail

Segmentation d images couleur par analyse d histogrammes couleur compacts

Segmentation d images couleur par analyse d histogrammes couleur compacts Segmentaton d mages couleur par analyse d hstogrammes couleur compacts Sé Ouattara, Alan Clément, Bertrand Vgouroux, Julo Rojas Varela Laboratore d Ingénere de Systèmes automatsés UPRES EA 4094 Insttut

Plus en détail

Chapitre I Les pourcentages. Exemples : Il y a 20 arbres dans le verger, donc 30% de poiriers. Combien y a-t-il de poiriers? =6 Il y a 6 poiriers.

Chapitre I Les pourcentages. Exemples : Il y a 20 arbres dans le verger, donc 30% de poiriers. Combien y a-t-il de poiriers? =6 Il y a 6 poiriers. Chaptre I Les pourcentages Extrat du programme : - Expresson en pourcentage d une augmentaton ou d une basse. / coeff multplcateur - Augmentatons et basses successves - aratons d un pourcentage. - Pourcentages

Plus en détail

Clôture transitive (accessibilité) Clôture transitive des graphes. Clôture par produits. Représentations matricielles

Clôture transitive (accessibilité) Clôture transitive des graphes. Clôture par produits. Représentations matricielles Clôture transtve (accessblté) Problème G = (S, A) graphe (orenté) Calculer H = (S, B) où B est la clôture réflexve et transtve de A. Clôture transtve des graphes et tous les plus courts chemns Note : (s,t)

Plus en détail

NOMBRES COMPLEXES. L addition et la multiplication de 2 entiers naturels donnent un entier naturel.

NOMBRES COMPLEXES. L addition et la multiplication de 2 entiers naturels donnent un entier naturel. NOMRES OMPLEXES RPPELS SUR LES ENSEMLES DE NOMRES Ensemble N : ensemble des enters naturels. L addton et la multplcaton de enters naturels donnent un enter naturel. La soustracton et la dvson de enters

Plus en détail

Les transformations élémentaires

Les transformations élémentaires Les transformatons élémentares ransformatons Utlsatons : Déplacement d'un objet dans une scène Déplacement d'un observateur par rapport a une scène éplcaton d'un motf ou d'un objet Déformaton d'un objet

Plus en détail

Une approche neuronale pour la classification d actions de sport par la prise en compte du contenu visuel et du mouvement dominant

Une approche neuronale pour la classification d actions de sport par la prise en compte du contenu visuel et du mouvement dominant Une approche neuronale pour la classfcaton d actons de sport par la prse en compte du contenu vsuel et du mouvement domnant Moez Baccouche 1,2 Franck Mamalet 1 Chrstan Wolf 2 Chrstophe Garca 1 Atlla Baskurt

Plus en détail

texte source 3/59 Quoi d autre? 5/59

texte source 3/59 Quoi d autre? 5/59 Front-end d un complateur parte avant (analyse) Bureau 332 - M3 mrabelle.nebut at lfl.fr texte source analyseur lexcal analyseur syntaxque analyse sémantque rep sémantque 2012-2013 2/59 Analyse sémantque

Plus en détail

Un modèle stochastique pour les systèmes de recommandation

Un modèle stochastique pour les systèmes de recommandation Un modèle stochastque pour les systèmes de recommandaton Gérard Bau, Benoît Cadre, Laurent Rouvère To cte ths verson: Gérard Bau, Benoît Cadre, Laurent Rouvère. Un modèle stochastque pour les systèmes

Plus en détail

ANNEXE : Rappels sur les notions de dérivée et différentielle

ANNEXE : Rappels sur les notions de dérivée et différentielle NNEXE : Rappels sur les notons de dérvée et dfférentelle Pente d une drote Eamnons géométrquement les drotes dans le plan cartésen La prncpale caractérstque qu dstngue une drote d une autre est son nclnason,

Plus en détail

Circuits en courant continu

Circuits en courant continu Crcuts en courant contnu xercce On consdère les tros montages suvants : montage montage montage ) Montrer que le premer montage équvaut à une résstance unque eq telle que : + eq ) Montrer que le deuxème

Plus en détail

Établir une relation entre deux tables

Établir une relation entre deux tables Access 2013 Tables Relatons entre les tables Access 2013 Établr une relaton entre deux tables Les dfférents types de relaton entre les tables Établr une relaton entre les tables de la base de données va

Plus en détail

Chapitre 1: Les choix du consommateur Chapitre 4 du livre de Perloff

Chapitre 1: Les choix du consommateur Chapitre 4 du livre de Perloff Chaptre : Les chox du consommateur Chaptre 4 du lvre de Perloff. La contrante budgétare (CB. Introducton. L ensemble budgétare.3 Le taux margnal de transformaton (TMT du consommateur.4 Effets de changements

Plus en détail

L'INDUCTION ON5WF (MNS)

L'INDUCTION ON5WF (MNS) 'IDUCTIO ème parte / O5WF (MS) Dans la ère parte de cet artcle, nous avons vu qu'un courant électrque donnat leu à un champ magnétque (expérence d'oersted). ous avons ensute vu comment Faraday, après avor

Plus en détail

Traitement automatique de textes juridiques

Traitement automatique de textes juridiques 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

Plus en détail

TD6 : groupe linéaire, homographies, simplicité

TD6 : groupe linéaire, homographies, simplicité École Normale Supéreure 1ère année Année 2015-2016 Algèbre 1 TD6 : groupe lnéare, homographes, smplcté Exercces : à préparer à la mason avant le TD, seront corrgés en début de TD. Exercces : seront tratés

Plus en détail

Le théorème du viriel

Le théorème du viriel Le théorème du vrel On se propose de démontrer le théorème du vrel de deux manères dfférentes. La premère fat appel à deux "trcks" qu l faut vor. Cette preuve met en avant une quantté, notée S c, qu permet

Plus en détail

Faculté des sciences. DEA d'informatique. Coopération dans les sciences de traitement de l'information. Année universitaire 2005/2006

Faculté des sciences. DEA d'informatique. Coopération dans les sciences de traitement de l'information. Année universitaire 2005/2006 No : / 2006 Unversté lbanase Faculté des scences Unversté Paul Sabater I.R.I.T. DEA d'informatque Coopératon dans les scences de tratement de l'nformaton Année unverstare 2005/2006 Reformulaton de requêtes

Plus en détail

CONTROLE CONTINU DE STATISTIQUES DESCRIPTIVES L1 AES - Correction - Fréquence cumulée [ [ [ [ [ [ [1600-y[ [y-2400[ [2400-x[

CONTROLE CONTINU DE STATISTIQUES DESCRIPTIVES L1 AES - Correction - Fréquence cumulée [ [ [ [ [ [ [1600-y[ [y-2400[ [2400-x[ CONTROLE CONTINU DE STATISTIQUES DESCRIPTIVES L AES - Correcton - EXERCICE (8,5 pts) Les deux partes sont ndépendantes et peuvent être tratées séparément. Une étude sur le budget consacré aux vacances

Plus en détail

Introduction aux réseaux de neurones artificiels

Introduction aux réseaux de neurones artificiels Introducton aux réseaux de neurones artfces A. Introducton Le cerveau capabe d apprendre et de réaser des rasonnements compexes est consttué d un très grand nombre de neurones (envron 10 15 ) reés entre

Plus en détail

compétences en entreprise

compétences en entreprise annexeb GUIDE grlles d ade à l évaluaton des compétences en entreprse Certfcat de Qualfcaton Professonnelle (CQP) Relaton commercale à dstance en commerces de gros RELATION COMMERCIALE À DISTANCE Commsson

Plus en détail

Code_Aster. Critères multi-axiaux d amorçage en fatigue

Code_Aster. Critères multi-axiaux d amorçage en fatigue Ttre : Crtères mult-axaux d amorçage en fatgue Date : 1/10/013 Page : 1/45 Crtères mult-axaux d amorçage en fatgue Résumé : Dans cette note nous proposons une formulaton des crtères de MATAKE, de DANG

Plus en détail

Chap.4 Application du 2 e principe aux réactions chimiques Evolution et équilibre d un système chimique

Chap.4 Application du 2 e principe aux réactions chimiques Evolution et équilibre d un système chimique Chap.4 Applcaton du e prncpe aux réactons chmques Evoluton et équlbre d un système chmque 1. Entrope standard de réacton 1.1. (Rappels) e prncpe de la thermodynamque 1.. Défnton et méthodes de calcul de

Plus en détail

Etude des méthodes d'optimisation Multicritères

Etude des méthodes d'optimisation Multicritères Etude des méthodes d'optmsaton Multcrtères. Introducton : Les ngéneurs se heurtent quotdennement à des problèmes technologques de complexté grandssante, qu surgssent dans des secteurs très dvers. Le problème

Plus en détail

I. Comment caractériser un phénomène périodique? I.1. Phénomène périodique

I. Comment caractériser un phénomène périodique? I.1. Phénomène périodique Chaptre 2 : Les ondes au servce du dagnostc médcal (Physque SANTÉ) Objectfs : Connaître et utlser les défntons de pérode et de fréquence d un sgnal pérodque ; Extrare et exploter des nformatons concernant

Plus en détail

N - ANNEAUX EUCLIDIENS

N - ANNEAUX EUCLIDIENS N - ANNEAUX EUCLIDIENS Dans ce qu sut A est un anneau untare, mun de deux opératons notées addtvement et multplcatvement. Le neutre de l addton est noté 0, celu de la multplcaton est noté e. On pose A

Plus en détail

Les corrigés des examens DPECF - DECF

Les corrigés des examens DPECF - DECF 1 er centre de formaton comptable va Internet. Les corrgés des examens DPECF - DECF 2004 48h après l examen sur www.comptala.com L école en lgne qu en fat + pour votre réusste Préparaton aux DPECF et DECF

Plus en détail

Chapitre 9 : Un système chimique évolue spontanément vers l état d équilibre

Chapitre 9 : Un système chimique évolue spontanément vers l état d équilibre Classe de TS Parte CChap 9 Chme PRTIE C : LE SENS «SPONTNE D EOLUTION D UN SYSTEME ESTIL PREISILE? LE SENS D EOLUTION D UN SYSTEME CIMIQUE PEUTIL ETRE INERSE? Chaptre 9 : Un système chmque évolue spontanément

Plus en détail

V FORMATION DES IMAGES DANS L EXEMPLE DU MIROIR PLAN

V FORMATION DES IMAGES DANS L EXEMPLE DU MIROIR PLAN Chaptre V page V-1 V FORMTION DES IMGES DNS L EXEMPLE DU MIROIR PLN Le but de ce chaptre est d ntrodure la noton d mage { travers l exemple du mror plan. Vous vous êtes sûrement déjà regardé(e) dans un

Plus en détail

Contrôle du mardi 21 janvier 2014 (3 heures 30) 1 ère S1. Partie B

Contrôle du mardi 21 janvier 2014 (3 heures 30) 1 ère S1. Partie B 1 ère S1 ontrôle du mard 1 janver 01 ( heures 0) Le barème est donné sur 0. Parte B Pour la fabrcaton d un lvre, un mprmeur dot respecter sur chaque page des marges de cm à drote et à gauche, cm en haut

Plus en détail

Equilibres chimiques et loi d action des masses

Equilibres chimiques et loi d action des masses Cnétque et thermodynamque chmques CHI305 Chaptre 8 Equlbres chmques et lo d acton des masses CHI305 Chaptre 9 : Equlbres chmques et lo d acton des masses I. Equlbres chmques II. Affnté chmque, monôme des

Plus en détail

1 ère S Exercices sur les limites (3)

1 ère S Exercices sur les limites (3) ère S Exercces sur les lmtes () n donne c-dessous la courbe représentatve d une oncton déne sur l ntervalle ]0 ; + [ Dre s : - l axe des ordonnées semble asymptote à la courbe ; - la drote semble asymptote

Plus en détail

Reconnaissance des commandes vocales d un robot mentor dans un environnement bruité à base HMM

Reconnaissance des commandes vocales d un robot mentor dans un environnement bruité à base HMM Reconnassance des commandes vocales d un robot mentor dans un envronnement bruté à base HMM Khenfer-koummch fatma, Mesbah Larb, Hendel Fatha امللخ ص تعرض هذه الد راسة نظام الت عر ف اآللي على الكالم املنجز

Plus en détail

1. Principales matrices d expériences

1. Principales matrices d expériences Annexes Prncpales matrces d expérences Annexes. Prncpales matrces d expérences On rappelle les dfférences observées entre les expressons «lste» d expérences, «matrce» d expérences et «plan» d expérences.

Plus en détail

1 ère S Le plan muni d un repère

1 ère S Le plan muni d un repère 1 ère S Le plan mun d un repère Ce chaptre fat sute à celu des vecteurs du plan bectf : consolder et compléter les bases de géométre analtque dans le plan de seconde (repérage des ponts dans le plan) I

Plus en détail

LA MESURE EN SCIENCES PHYSIQUES

LA MESURE EN SCIENCES PHYSIQUES MP LA MESURE EN SCIENCES PHYSIQUES En général, on dot donner avec le résultat d une mesure expérmentale effectuée en TP une évaluaton de l ncerttude de mesure, cec dans le but : - d estmer correctement

Plus en détail

DETERMINATION DE LA CINETIQUE DE SORPTION DES PARTICULES DE GEL DE SILICE A PARTIR DES MESURES D HUMIDITE RELATIVE

DETERMINATION DE LA CINETIQUE DE SORPTION DES PARTICULES DE GEL DE SILICE A PARTIR DES MESURES D HUMIDITE RELATIVE DETERMINATION DE LA CINETIQUE DE SORPTION DES PARTICULES DE GEL DE SILICE A PARTIR DES MESURES D HUMIDITE RELATIVE I. MTIMET a, L. ZILI-GHEDIRA A, S. BEN NASRALLAH B a LESTE, Ecole Natonale d'ingéneurs

Plus en détail

, ainsi l indice i représente la grappe et l indice j l individu dans la grappe.

, ainsi l indice i représente la grappe et l indice j l individu dans la grappe. Chaptre 5 (parte 1) ÉCHATILOAGE PAR GRAPPES ET À DEUX DEGRÉS AVEC DES PROBABILITÉS DE SÉLECTIO ÉGALES Souvent les untés de la populaton se présentent sous en groupes d untés ou «grappes» et ce sont ces

Plus en détail

Percolation presque-critique en deux dimensions, et

Percolation presque-critique en deux dimensions, et matapl89 2009/6/1 15:29 page 67 #67 Percolaton presque-crtque en deux dmensons, et quelques modèles lés Percolaton presque-crtque en deux dmensons, et quelques modèles lés par Perre Noln, Courant Insttute

Plus en détail