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

Transcription

1 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 flexbles basés sur les CP-Nets. Computer Scence [cs]. Unversté Paul Sabater - Toulouse III, French. <tel > HAL Id: tel Submtted on 25 Jan 2009 HAL s a mult-dscplnary open access archve for the depost and dssemnaton of scentfc research documents, whether they are publshed or not. The documents may come from teachng and research nsttutons n France or abroad, or from publc or prvate research centers. L archve ouverte plurdscplnare HAL, est destnée au dépôt et à la dffuson de documents scentfques de nveau recherche, publés ou non, émanant des établssements d ensegnement et de recherche franças ou étrangers, des laboratores publcs ou prvés.

2 THÈSE En vue de l'obtenton du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délvré par l'unversté Toulouse III - Paul Sabater Dscplne ou spécalté : Informatque Présentée et soutenue par Fatha BOUBEKEUR-AMIROUCHE Le 01/ 07/ 2008 Ttre : Contrbuton à la défnton de modèles de recherche d'nformaton flexbles basés sur les CP-Nets JURY Florence SEDES : Professeur à l'unversté Paul Sabater (Présdente) Erc GAUSSIER : Professeur à l Unversté Joseph Fourer Grenoble I, France (Rapporteur) Mohand-Saïd HACID : Professeur à l Unversté Claude Bernard Lyon 1, France (Rapporteur) Gabrella PASI : Professeur à l'unversté de Mlan Bcocca, Itale (Examnatrce) Mohand BOUGHANEM : Professeur à l'unversté Paul Sabater (Drecteur de recherche) Lynda TAMINE-LECHANI : Maître de Conférences à l'unversté Paul Sabater (Co-encadrante) Ecole doctorale : MITT Unté de recherche : CNRS, 5505 Drecteur(s) de Thèse : Mohand BOUGHANEM : Professeur à l'unversté Paul Sabater (Drecteur de recherche) Lynda TAMINE-LECHANI : Maître de Conférences à l'unversté Paul Sabater (Co-encadrante) Rapporteurs :

3

4 A mes enfants Amne et Nassm A Boualem

5

6 Remercements Je tens à remercer en tout premer leu M. Mohand Boughanem qu a drgé cette thèse d une man de maître. Tout au long de ces quatre années, l a su orenter mes recherches aux bons moments, toujours dans les bonnes drectons. Malgré l élognement, l a toujours été dsponble pour prodguer des consels et des orentatons ô comben pertnentes. Pour tout cela, pour m avor offert la chance d en être là aujourd hu, pour sa confance et pour sa préceuse ade technque je le remerce du fond du coeur. Mes plus vfs remercements vont également à Mme Lynda Tamne-Lechan qu a codrgé cette thèse avec toute la grandeur et la générosté qu sont les sennes. Tout au long de ces années de thèse, malgré l élognement, avec une régularté horlogque elle a toujours été là par ses consels, par son suv mnuteux de toutes mes propostons dans le cadre de cette thèse, par ses correctons, par ses orentatons et suggestons, par de rches et longues dscussons. Et même au-delà de cet aspect scentfque, dans les plus pénbles moments de doute et de lasstude, elle a toujours été l ame qu m a adée à me relever, qu m a encouragée à persévérer. Pour tout cela, pour son ade ô comben préceuse, pour sa générosté, pour son amté qu elle trouve c l expresson de ma plus profonde reconnassance et de ma sncère amté. Je remerce les rapporteurs de cette thèse M. Mohand-Saïd Hacd et M. Erc Gausser pour la lecture et la correcton de mon manuscrt et pour l ntérêt qu ls ont porté à mon traval. Je remerce également les autres membres du jury, Mme Florence Sedes et Mme Gabrella Pas qu ont accepté de juger ce traval. Je n oublera pas de remercer le premer Responsable de l équpe SIG, M. Claude Chrsment, qu sans même me connaître, a fat confance à ceux qu m ont fat confance, à mon Drecteur de thèse en l occurrence que je remerce encore une fos, et qu m a admse au sen de son équpe, et m a offert la chance de poursuvre des études doctorales. Je remerce également M. Mustapha Bazz pour sa coopératon scentfque, pour son ade préceuse et pour sa gentllesse. Mes remercements auss à Maram Daoud, doctorante au sen de l équpe SIG, pour son ade, sa dsponblté et pour sa gentllesse exemplare.

7 Je n oublera pas les ades reçues du personnel admnstratf et du servce nformatque de l IRIT, n les sourres accuellants et la convvalté des membres de l équpe SIG. J a sûrement oublé de remercer beaucoup d autres personnes mértantes, des personnes qu m ont offert leur amté, qu m ont ouvert leur cœur, qu m ont ouvert leur porte, qu elles trouvent c l expresson de ma profonde grattude et de mon amté la plus sncère. Je tens à remercer également mes collègues et ams de l unversté de Tz-Ouzou (Algére) en les personnes de M. Samr Redaou, M. Yassne Djouad et Mme Sama Fellag grâce à qu j a pu effectuer un ultme séjour à l IRIT durant lequel j a boosté ce traval de thèse. Merc également à mes ames Malka et Soraya pour leur ade et leur souten. Merc à vous d avor été là pour mo à un moment crucal de cette thèse. Mes remercements fnaux et non les mondres vont à mon mar qu a supporté mes humeurs au gré de cette thèse, qu m a adée sur les nombreux fronts de la ve quotdenne, qu m a encouragée jusqu au bout, qu m a remplacée auprès de mes enfants les fos où j a du m absenter, qu a été mon appu tout smplement. Merc auss à vous mes enfants pour avor comprs, malgré votre jeune âge, les mpératfs de cette thèse pour mo et pour m avor adée à y arrver.

8 Résumé Ce traval de thèse adresse deux prncpaux problèmes en recherche d nformaton : (1) la formalsaton automatque des préférences utlsateur, (ou la pondératon automatque de requêtes) et (2) l ndexaton sémantque. Dans notre premère contrbuton, nous proposons une approche de recherche d nformaton (RI) flexble fondée sur l utlsaton des CP-Nets (Condtonal Preferences Networks). Le formalsme CP-Net est utlsé d une part, pour la représentaton graphque de requêtes flexbles exprmant des préférences qualtatves et d autre part pour l évaluaton flexble de la pertnence des documents. Pour l utlsateur, l'expresson de préférences qualtatves est plus smple et plus ntutve que la formulaton de pods numérques les quantfant. Cependant, un système automatsé rasonnerat plus smplement sur des pods ordnaux. Nous proposons alors une approche de pondératon automatque des requêtes par quantfcaton des CP-Nets correspondants par des valeurs d utlté. Cette quantfcaton condut à un UCP-Net qu correspond à une requête booléenne pondérée. Une utlsaton des CP-Nets est également proposée pour la représentaton des documents dans la perspectve d une évaluaton flexble des requêtes ans pondéreés. Dans notre seconde contrbuton, nous proposons une approche d ndexaton conceptuelle basée sur les CP-Nets. 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 noeuds 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. Nous proposons enfn un mécansme d évaluaton des requêtes basé sur l apparement de graphes (les CP-Nets document et requête en l occurrence). Mots clés : Recherche d nformaton flexble, pondératon des requêtes, ndexaton sémantque, WordNet, Règles d assocaton, CP-Nets.

9

10 Table des matères Introducton générale...17 Contexte Problématque Contrbuton Publcatons dans le cadre de la thèse Organsaton du mémore PARTIE 1 De la RI classque à la RI sémantque Chaptre 1 Recherche d'nformaton Introducton La RI classque L'ndexaton Taxonome des modèles de RI Reformulaton de requêtes Concluson La RI flexble Indexaton floue des documents Formulaton de requêtes flexbles Evaluaton flexble des requêtes Evaluaton d un SRI La campagne d évaluaton TREC Autres mesures d évaluaton d un SRI Concluson Chaptre 2 Indexaton sémantque en RI Introducton Problématque L ndexaton conceptuelle L ndexaton sémantque basée sur la désambguïsaton Les approches de désambguïsaton des sens des mots (WSD) Les approches d ndexaton sémantque Concluson PARTIE 2 Modèles de RI flexbles basés sur les CP-Nets Chaptre 3 Modèle de RI flexble basé sur les CP-Nets

11 3.1 Introducton Problématque et motvatons Les CP-Nets Notatons et défntons prélmnares Le modèle CP-Net Les UCP-Nets Modèle de RI basé CP-Nets Représentaton CP-Net des requêtes préférentelles Pondératon automatque de la requête Evaluaton de la requête CP-Net Concluson Chaptre 4 Approche de RI sémantque Introducton Motvatons Les outls d ade à l ndexaton sémantque WordNet Les règles d assocaton Approche d ndexaton sémantque Aperçu général Identfcaton de concepts représentatfs du document Découverte des relatons entre concepts Constructon de l ndex conceptuel du document Illustraton Evaluaton des requêtes basée CP-Nets Défnton formelle Illustraton Évaluaton expérmentale Collecton Muchmore Protocole d évaluaton Résultats expérmentaux Concluson Concluson générale Synthèse Perspectves Valdaton expérmentale : Améloratons futures REFERENCES BIBLIOGRAPHIQUES ANNEXES Annexe A Evaluaton des technques de désambguïsaton Annexe B Les CP_Nets

12 B.1 Introducton B.2 Descrpton avancée B.2.1 Un exemple llustratf B.2.2 La sémantque du CP-Net B.2.3 Rasonner avec les CP-Nets B.2.4 Utlsaton des graphes CP-Nets Annexe C Les règles d assocaton en RI C.1 Introducton C.2 Extracton de connassances dans les bases de données (ECBD) C.2.1 Généraltés C.2.2 Le Data Mnng (DM) C.3 Extracton de connassances dans les bases de données textuelles (ECT) C.3.1 Introducton C.3.2 La foulle de texte C.3.3 Découverte de règles d assocaton C.4 CONCLUSION

13

14 Table des fgures FIGURE 1.1 : Processus en U de la RI FIGURE 1.2 : Taxonome des modèles en RI FIGURE 1.3 : Dstrbuton des documents dans une collecton face à une requête FIGURE 2.1 : Un exemple de taxonome conceptuelle FIGURE 2.2 : Exemple de vosnage du mot house FIGURE 3.1: Un exemple de CP-Net FIGURE 3.2 : Graphe de préférences ndut FIGURE 3.3 : Un exemple de UCP-Net FIGURE 3.4 : Famlle étendue de X FIGURE 3.5 : Représentaton CP-Net d une requête booléenne FIGURE 3.6 : L UCP-Net requête FIGURE 3.7 : D 1 vu comme un UCP-Net FIGURE 4.1: Sous hérarche de WordNet correspondant au concept "dog" FIGURE 4.2 : Extracton des temsets fréquents FIGURE 4.3 : Les étapes de l ndexaton conceptuelle basée CP-Nets FIGURE 4.4 : Identfcaton du context relatf d un mot dans d FIGURE 4.5 : Identfcaton des termes FIGURE 4.6 : Le CP-Net document FIGURE B.1 : Le CP-Net FIGURE B.2 : Exemple de CP-Net FIGURE B.3 : Exemple de reconfguraton du contenu FIGURE C.1 : Trells des partes assocé à I

15

16 Lste des tableaux TABLEAU 1.1 : Dstrbuton de probabltés de pertnence des termes d un corpus d apprentssage TABLEAU 3.1 : Document retourné TABLEAU 3.2 : Sous-requêtes conjonctves TABLEAU 3.3 : Pertnences partelles et totale du document D TABLEAU 4.1 : Les concepts de WordNet correspondants au mot dog TABLEAU 4.2 : Le nombre de mots et de synsets dans WordNet TABLEAU 4.3 : pseudo-code de l algorthme Apror TABLEAU 4.4 : Base transactonnelle D, avec 4 des transactons T TABLEAU 4.5 : Règles d'assocaton à 1 tem en conséquent TABLEAU 4.6 : Règles d'assocaton à 1 tem en conséquent TABLEAU 4.7 : Règles d'assocaton à 2 tems en conséquent TABLEAU 4.8 : Génératon des k-temsets fréquents TABLEAU 4.9 : Règles d assocaton générées TABLEAU 4.10 : Confances des règles TABLEAU 4.11 : Règles d assocaton sélectonnées TABLEAU 4.12 : Supports des règles d assocaton sémantques TABLEAU 4.13 : Calcul de smlarté entre les CP-Nets document et requête TABLEAU 4.14 : Résultats d évaluaton de la méthode de détecton de concepts TABLEAU 4.15 : Résultats d évaluaton de la méthode de pondératon de concepts : mpact de la méthode d ndexaton par les concepts

17

18 Introducton générale Contexte Le but prncpal d un système de recherche d nformaton (SRI) est de retrouver les documents pertnents en réponse à une requête utlsateur. Ces documents sont typquement retrournés sous forme d une lste ordonnée, où l ordre est basé sur des estmatons de pertnence. Le modèle de recherche pour un SRI ndque comment les documents et requêtes sont représentés et comment ces représentatons sont comparées pour évaluer la pertnence. Les SRI classques représentent les documents et les requêtes par les mots qu'ls contennent, et basent souvent cette comparason sur le nombre de mots qu ls ont en commun, c est l apparement lexcal. Dans cette approche, des documents pertnents, ne partageant pas de mots avec la requête ne sont pas retrouvés. Tands que des documents non pertnents, contenant des mots de la requête sont retournés à l utlsateur. Ces problèmes sont dus au fat que l apparement lexcal ne tent pas compte des sens des mots du document et de la requête. L ndexaton sémantque tente de paller ces problèmes en offrant le moyen de dstnguer ces sens, et de les utlser lors du processus d apparement. Notre traval s nscrt prncpalement dans ce contexte. En partculer, nous proposons une approche de RI sémantque basée sur l ndexaton des documents et requêtes, par les sens des mots plutôt que par les mots euxmêmes. L approche offre en outre le moyen de prendre en compte les préférences utlsateur sur les crtères de recherche, et d évaluer la pertnence d un document pour une requête en tenant compte de ces préférences. Problématque Dans les SRI classques, l évaluaton de la pertnence d un document pour une requête est basée sur la mesure de correspondance du document pour la requête. Plus la requête et le document ont de mots en commun, plus le document est consdéré comme étant pertnent. Ces systèmes présentent des nsuffsances à dfférents nveaux : au nveau du langage de requête, de la représentaton des documents et requêtes et de l apparement. 17

19 INTRODUCTION GENERALE Au nveau du langage de requêtes : une requête tradut le beson en nformaton de l utlsateur mas auss ses préférences sur les nformatons recherchées. La pondératon des termes de la requête par des pods numérques [Buell et al., 81; Bordogna et al., 91; Pas, 99] a perms d exprmer les préférences utlsateur sur les crtères de recherche. Cependant, les pods numérques des requêtes forcent l'utlsateur à quantfer le concept qualtatf et vague d'mportance. Cette tâche n est pas smple, en partculer s la requête exprme des préférences condtonnelles. D une part, car l n exste pas une bonne méthode pour pondérer correctement les termes de la requête, d autre part, lorsque le nombre de valeurs sur lesquelles portent les préférences est élevé, l est quasment mpossble d'énumérer un pods valde pour tous les termes de la requête. Ces problèmes sont d autant plus accrus que la requête exprme des préférences condtonnelles. Même s ce type de préférences n est pas spécfquement prs en charge par les SRI, l est toujours possble de les tradure en expressons booléennes. Cependant, une pondératon aléatore ou ntutve de telles requêtes préférentelles, peut condure à des énoncés qu sont complètement contradctores avec la sémantque qu elles tentent d exprmer. De ce fat, pour paller les dffcultés de la pondératon numérques des requêtes, des travaux se sont orentés vers l'utlsaton de préférences qualtatves plus smples et plus ntutves, formulées à partr de termes lngustques tels que : mportant, très mportant [Bordogna et al., 93; Bordogna et al., 95]. Cependant, le problème de la défnton des pods numérques des termes est reporté sur la défnton de la sémantque du concept flou mportant et des modulateurs lngustques très, peu, moyennement Au nveau de la représentaton des documents et requêtes, et de l apparement correspondant : dans les SRI classques, documents et requêtes sont représentés comme des lstes de mots clés, généralement pondérés. L apparement document-requête est lexcal et se base sur la présence ou l absence d un mot de la requête dans le document. Or l est ben connu que les mots de la langue sont ambgus. Un même mot peut désgner dfférents concepts (et donc exprmer dfférents sens) et dfférents mots peuvent avor une même sgnfcaton. L apparement lexcal ne consdère pas ces aspects. De ce fat, des documents pourtant pertnents, contenant des mots sémantquement équvalents mas lexcalement dfférents (synonymes) des mots de la requête, ne seront pas retrouvés. Par alleurs, des documents non pertnents, contenant des mots lexcalement dentques mas sémantquement dfférents (homonymes) des termes de la requête seront retournés à l utlsateur. L'ndexaton sémantque (ou ndexaton par les sens des mots) tente de paller les problèmes de l'apparement lexcal en utlsant pour la recherche, des ndex conceptuels ou sémantques au leu de smples mots clés. De tels ndex portent sur la sémantque des mots. Ils sont construts à partr (1) des concepts explctes des textes eux-mêmes (ndexaton conceptuelle), (2) de la sémantque latente des textes des documents (ndexaton par sémantque latente LSI [Deerwester et al., 90]), ou (3) extrats de la sémantque explcte des mots telle que défne dans les dctonnares, thésaurus ou ontologes (ndexaton sémantque). L approche d ndexaton par la sémantque latente résout les sens des mots par un clusterng des mots 18

20 INTRODUCTION GENERALE sémantquement proches va une technque de réducton de la dmensonnalté de la matrce termes-documents. L ndexaton conceptuelle tente à partr d une taxonome conceptuelle extrate du texte, de construre sa sémantque. Les lens entre les dfférents concepts d une telle taxonome sont des lens fonctonnels entre enttés lexcales. L ndexaton sémantque tente de retrouver, parm les dfférents sens possbles d un mot tels que défns dans les dctonnares, ontologes et autres ressources lngustques, le sens correct du mot dans le texte à ndexer. Les mots d un texte donné défnssent mplctement une sémantque orentée sujet (topc), du texte correspondant. Le sujet prncpal du document est porté par les termes les plus mportants. Des sujets connexes secondares sont portés par des termes mons mportants, qu s agencent dans le document en foncton de la sémantque même du topc du texte. Cet agencement des mots (et surtout des sens) dans le texte des documents défnt une dmenson sémantque du document orentée topc. Or, les approches d ndexaton sémantque classques gnorent cette dmenson. Nous nous sommes ntéressés aux problèmes partculers posés par la pondératon des termes de la requête, la représentaton basée mots-clés des documents et requêtes et l apparement lexcal, et avons proposé des technques et méthodes pour tenter d y reméder. Notre contrbuton globale consste en la défnton de deux nouvelles approches de recherche d nformaton (RI) flexble basées sur les CP-Nets. Chacune des deux approches proposées focalse sur les tros aspects d un SRI : la représentaton des documents (ndexaton), le langage de requêtes et l évaluaton. Contrbuton Notre premère contrbuton consste en un nouveau modèle de RI flexble basé sur les CP- Nets. Dans ce modèle, nous avons : 1. ntrodut un nouveau langage de requêtes exprmant les préférences qualtatves de l utlsateur. La spécfcté de ce langage concerne la prse en charge ntutve des préférences condtonnelles. Pour cela, nous explotons les CP-Nets pour la représentaton de telles requêtes préférentelles condtonnelles. 2. proposé un algorthme pour la pondératon automatque de requêtes qualtatves. L algorthme se base sur le formalsme UCP- Net, extenson des CP-Nets par des valeurs numérques de préférences (dtes valeurs d utltés). L'utlsateur est ans déchargé de cette lourde et non mons mprobable tâche, et les pods produts sont certfés corrects pusque basés sur les fondements théorques des UCP-Nets. 19

21 INTRODUCTION GENERALE 3. défn une approche de représentaton des documents par des CP-Nets. L approche est basée sur la projecton des documents sur chaque requête soumse. Le document est alors représenté par un CP-Net de même topologe que celu de la requête, facltant ans l évaluaton de la pertnence 4. proposé une approche d évaluaton des requêtes basée sur le paradgme booléen. Nous explotons pour cela l nterprétaton des CP-Nets dans le formalsme booléen, pus l évaluaton de la requête booléenne obtenue, au moyen de l opérateur d agrégaton du mnmum pondéré [ Dubos et al., 86; Yager, 87]. Notre seconde contrbuton se rapporte à la RI sémantque. Cette approche est proposée comme améloraton de notre premère contrbuton, au nveau de la représentaton des documents et au nveau de l évaluaton. En partculer, le modèle de RI proposé s affrancht d une part des lmtes de la représentaton basées mots-clés en proposant une approche d ndexaton sémantque, d autre part des lmtes de l apparement lexcal et du paradgme booléen en proposant un apparement entre représentatons sémantques des documents et requêtes. En partculer: 1. notre approche d ndexaton sémantque a pour objectf d amélorer la représentaton des documents, en se basant sur les sens des mots dans les textes correspondants, et sur les lens entre ces sens dans le texte du document consdéré. Notre approche est fondée sur deux étapes prncpales : une premère étape d extracton des sens des termes d ndexaton et une seconde étape de découverte des relatons entre ces sens. La premère étape se base sur l utlsaton de l ontologe lngustque WordNet pour dentfer, pondérer et désambguïser les sens des termes d ndexaton. La seconde étape est fondée sur l utlsaton des règles d'assocaton pour dérver des relatons de dépendance contextuelle entre les concepts menant à une représentaton plus expressve des documents. Le prncpe même de l approche n'est pas nouveau mas nous avons proposé : une nouvelle technque pour dentfer les termes d ndexaton (smples ou composés) par projecton sur l ontologe WordNet, une nouvelle approche de pondératon des termes d ndexaton tenant compte de la sémantque des termes, une approche de désambguïsaton des sens des mots basée sur la noton de dstance sémantque et tenant compte de l mportance du mot dans le texte, une nouvelle technque pour découvrr des relatons entre les concepts correspondants au moyen des règles d'assocaton sémantques proposées. Les règles d'assocaton sémantques permettent de découvrr des relatons contextuelles entre les concepts amenant à une représentaton plus expressve du document. 20

22 INTRODUCTION GENERALE 2. Notre approche d évaluaton des requêtes a pour objectf d évaluer la pertnence des documents et des requêtes représentés par des graphes CP-Nets. La requête CP-Net dérve de notre approche proposée en premère contrbuton. Tands qu un CP-Net document est construt à partr de l ndex conceptuel du document, ssu de l étape d ndexaton sémantque présentée en (1), en organsant l ensemble formé des concepts représentatfs du document d une part et des assocatons correspondantes d autre part, en un graphe condtonnel, le CP- Net document. L approche d évaluaton proposée calcule alors la pertnence d un document pour une requête donnée sur la base d'une mesure proposée de smlarté des graphes CP-Nets correspondants. L ensemble des technques ans défnes consttue alors la base théorque de notre modèle de RI sémantque basée sur les CP-Nets. 3. La valdaton expérmentale de notre approche concerne prncpalement deux aspects : la valdaton de l approche de détecton de concepts la valdaton de l approche de pondératon la valdaton du modèle de RI basé sur les CP-Nets la valdaton de l approche d ndexaton sémantque dont : - valdaton de l approche de désambguïsaton - valdaton de l approche d extracton des règles d assocaton sémantques La valdaton expérmentale de notre modèle de RI proposé dans notre premère contrbuton, nécesste l utlsaton d un cadre d évaluaton supportant des requêtes CP-Nets. Un tel envronnement est à notre connassance nexstant. Sa constructon relève d un traval de recherche à part entère, qu ndépendamment du modèle proposé peut servr de base à la prse en compte des préférences condtonnelles dans le processus de RI. Nous avons par alleurs testé notre approche d ndexaton sémantque. Les résultats expérmentaux obtenus ont montré l ntérêt d une ndexaton sémantque par les concepts de WordNet. Nous n avons cependant pas expérmenté le modèle dans sa totalté. En partculer, la technque de découverte des règles d assocaton sémantques n a pas été expérmentée. Publcatons dans le cadre de la thèse 1. Dans le cadre de notre proposton d un modèle de RI flexble basé sur les CP-Nets 1. Fatha Boubekeur, Lynda Tamne. Recherche d Informaton flexble basée CP-Nets. Dans : Conférence francophone en Recherche d'informaton et Applcatons (CORIA 2006), Lyon, 15/03/06-17/03/06, 21

23 INTRODUCTION GENERALE Assocaton Francophone de Recherche d'informaton et Applcatons (ARIA), p , mars Fatha Boubekeur, Mohand Boughanem, Lynda Tamne. Towards Flexble Informaton Retreval Based on CP-Nets. Dans : Flexble Query Answerng (FQAS 2006), 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 , jun Lynda Tamne, Fatha Boubekeur, Mohand Boughanem. On Usng Graphcal Models for Supportng Context-Aware Informaton Retreval. Dans : Internatonal Conference on the Theory of Informaton Retreval (ICTIR 2007), Budapest (Hungary), 18/10/07-20/10/07, Foundaton for Informaton Socety, p , octobre Dans le cadre de notre proposton de modèle de RI sémantque basé sur les CP-Nets Fatha Boubekeur, Mohand Boughanem, Lynda Tamne. Semantc Informaton Retreval Based on CP-Nets. Dans : IEEE Internatonal Conference on Fuzzy Systems (FUZZ-IEEE 2007), London, 23/07/07-26/07/07, IEEE, (support électronque), jullet Fatha Boubekeur, Mohand Boughanem, Lynda Tamne. Une approche d ndexton conceptuelle de documents basée sur les graphes CP_Nets. Dans: cnquème édton du colloque sur l optmsaton et les systèmes d nformaton COSI 08, 8-10 jun 08, Tz-Ouzou, Algére. 6. Fatha Boubekeur, Mohand Boughanem, Lynda Tamne. Explotng assocaton rules and ontology for semantc document ndexng. Dans: 12th Internatonal conference IPMU08, Informaton Processng and Management of Uncertanty n knowledge-based Systems, Malaga, 22-27, june 08, Span. Organsaton du mémore Ce mémore est organsé en deux partes prncpales. La premère parte, composée de deux chaptres, est dédée à la présentaton de la RI classque (chaptre 1) et de l ndexaton sémantque (chaptre 2). La seconde parte présente nos contrbutons. Elle est dvsée en deux 22

24 INTRODUCTION GENERALE chaptres 3 et 4, dédés respectvement à la présentaton de notre modèle de RI flexble et de notre modèle de RI sémantque basés sur les CP-Nets. Le détal de cette organsaton est donné comme sut : Dans le chaptre 1, nous présentons les dfférents aspects lés à la RI et aux SRI. Nous nous attacherons en partculer à défnr les modèles de recherche tant classques (booléen, vectorel et probablste) que des modèles plus flexbles (extensons floues du modèle booléen). L ndexaton automatque est auss explctée ans que les mécansmes de raffnement des requêtes. Enfn, nous rappellerons les mesures d évaluaton courantes d un SRI et présenterons les technques d évaluaton des SRI mses en œuvre dans le cadre des campagnes d évaluaton. Le chaptre 2 sera dédé à la présentaton des approches d ndexaton sémantque des documents. L objectf de telles approches est d ndexer les documents par les sens des mots ou par les concepts, plutôt que par les mots eux-mêmes. Le but est de paller les problèmes d apparement lexcal des SRI classques et pouvor ans trater avec l ambguïté naturelle de la langue. L approche d ndexaton basée sur les concepts (ndexaton conceptuelle) est présentée en secton 2.2. Les approches d ndexaton basées sur les sens des mots (ndexaton sémantque) sont présentées en secton 2.3. Ces dernères s appuent sur des technques lngustques de désambguïsaton des sens des mots. Nous dédons alors la secton à la présentaton des travaux en désambguïsaton lngustque avant de présenter l état de l art sur l ndexaton sémantque en secton En chaptre 3, nous présentons notre premère contrbuton à la défnton d un modèle de RI flexble basé sur les CP-Nets. Le chaptre s artcule autour de tros sectons. La secton 3.1 présente nos motvatons. En secton 3.2, nous présentons le formalsme CP-Net sur lequel se basent nos modèles. La secton 3.3 présente notre modèle de RI basé sur les CP-Nets. En partculer, nous y défnssons (1) notre approche de pondératon automatque de requêtes qualtatves, (2) la technque de représentaton CP-Net des documents et (3) notre méthode d évaluaton des requêtes CP-Nets. Le chaptre 4, présente notre seconde contrbuton à travers un nouveau modèle de RI sémantque basé sur les CP-Nets. Le chaptre s artcule autour de 4 sectons. En secton 4.2, nous présentons les motvatons qu ont été à l orgne de nos propostons. En secton 4.3, nous présentons les outls sur lesquels est basée notre approche d ndexaton sémantque, à savor WordNet et les règles d assocaton. Les fondements théorques de notre approche d ndexaton sémantque, un exemple llustratf ans que quelques résultats expérmentaux sont donnés en secton 4.4. La secton 4.5 présente notre approche d évaluaton des requêtes CP-Nets. Quelques résultats expérmentaux sont donnés en secton 4.6. Enfn, en concluson générale, nous présentons les perspectves de nos présentes propostons. 23

25

26 PARTIE 1 De la RI classque à la RI sémantque

27

28 Chaptre 1 Recherche d nformaton 1.1 Introducton La recherche d nformaton (RI) trate de la représentaton, du stockage, de l organsaton et de l accès à l nformaton. Le but d'un système SRI est de retrouver, parm une collecton de documents préalablement stockés, les documents qu répondent au beson utlsateur exprmé sous forme de requête. Pour cela, un SRI met en oeuvre un ensemble de processus de sélecton des documents pertnents pour la requête. Le but de ce chaptre est de présenter les concepts de base de la RI. Dans une premère parte, nous nous ntéressons aux approches de RI classque, pus nous présentons les approches de RI basées sur la logque floue. Ce chaptre est organsé comme sut : en secton 1.2, nous présentons les concepts de base de la RI classque. Nous y décrvons notamment le processus d ndexaton en paragraphe 1.2.1, pus la taxonome de modèles en paragraphe Les technques de reformulaton des requêtes sont présentées en paragraphe Le paragraphe présente les outls et méthodes d évaluaton d un SRI. En secton 1.3, nous présentons les approches de RI flexble. 1.2 La RI classque De manère générale, la recherche dans un SRI consste à comparer la représentaton nterne de la requête aux représentatons nternes des documents de la collecton. La requête est formulée, par l utlsateur, dans un langage de requêtes qu peut être le langage naturel, un langage à base de mots clés ou le langage booléen. Elle sera transformée en une représentaton nterne équvalente, lors d un processus d nterprétaton. Un processus smlare, dt ndexaton, permet de construre la représentaton nterne des documents de la base documentare. Le processus de recherche consste alors à mettre 27

29 CHAPITRE 1. RECHERCHE D INFORMATION en correspondance et à calculer le degré d apparement des représentatons nternes des documents et de la requête. Les documents qu correspondent au meux à la requête, ou documents dts pertnents, sont alors retournés à l utlsateur, dans une lste ordonnée par ordre décrossant de degré de pertnence lorsque le système le permet. Afn d amélorer les résultats de la recherche, le système peut être doté d un mécansme d améloraton et de raffnement de la requête par reformulaton. Le fonctonnement général d'un SRI est donnée au travers du processus de recherche communément appelé processus en U [Belkn et al., 92], présenté en fgure 1.1. Ce processus fat ressortr tros mécansmes de base : le processus d ndexaton (quelques fos dt processus d nterprétaton pour les requêtes), le processus de recherche et le processus de reformulaton des requêtes. Nous les détallons dans les paragraphes suvants. FIGURE 1.1 : Processus en U de la RI L'ndexaton L'ndexaton est une phase très mportante pour un SRI car de sa qualté dépend la qualté des réponses du système et donc les performances de ce derner. Une bonne ndexaton dot permettre de retrouver tous les documents pertnents au beson de l'utlsateur et pas (ou peu) de documents non pertnents pour celu-c. 28

30 CHAPITRE 1. RECHERCHE D INFORMATION En phase d'ndexaton, le document (ou la requête) est analysé(e) et les mots clés caractérsant son contenu nformatonnel, sont extrats. Un mot clé peut-être sot un mot smple ou un groupe de mots. Les mots-clés descrptfs du contenu sémantque d'un document sont dts termes d'ndexaton. L ensemble de tous les termes d'ndexaton consttue le langage d'ndexaton. Ce langage peut être lbre ou contrôlé. Un langage ndexaton lbre est construt à partr des termes extrats du document analysé. Un langage d ndexaton contrôlé est construt à partr d un ensemble de termes préalablement défns et organsés généralement dans un thésaurus. Lorsqu'un document est analysé, on ne garde que les mots clés qu appartennent à ce thésaurus Approches d ndexaton Technquement, l'ndexaton peut-être manuelle, automatque ou sem-automatque [Salton, 88; Salton et al., 88]. En ndexaton manuelle, c'est un opérateur human, généralement expert du domane, qu se charge de caractérser, selon ses connassances propres, le contenu sémantque d'un document. Cette approche présente deux nconvénents : 1. elle est subjectve, pusque le chox des termes d'ndexaton dépend de l'ndexeur et de ses connassances du domane, 2. elle est pratquement napplcable aux corpus de textes volumneux. Néanmons, tel que rapporté dans [Savoy, 05], elle est plus performante que l'ndexaton automatque en termes de précson moyenne des documents retrouvés en réponse à une requête utlsateur donnée. En ndexaton automatque [Luhn, 57; Maron, 60; Salton, 68], c'est un processus complètement automatsé qu se charge d'extrare les termes caractérstques du document. L'ntérêt d'une telle approche résde dans sa capacté à trater les textes nettement plus rapdement que l'approche précédente, et de ce fat, elle est partculèrement adaptée aux corpus volumneux. L'ndexaton automatque est l approche la plus étudée en RI, nous la détallons en secton suvante. L ndexaton sem-automatque [Manez et al., 91; Balpe et al., 95; Jacquemn et al., 02], appelée auss ndexaton supervsée, est une combnason des deux approches d ndexaton précédentes. Dans ce cas, les ndexeurs utlsent un vocabulare contrôlé sous forme de thésaurus ou de base termnologque. Le chox fnal des termes d ndexaton à partr du vocabulare fourn, est lassé ans à l ndexeur human (généralement spécalste du domane). 29

31 CHAPITRE 1. RECHERCHE D INFORMATION Dans la secton suvante, nous nous ntéressons partculèrement à l approche d ndexaton automatque, plus répandue, pusque c est celle qu nous ntéresse dans le cadre de notre traval L ndexaton automatque L'ndexaton automatque classque est fondée sur l'analyse des documents en vue de l'extracton des termes (mots-clés smples ou composés) représentatfs de leur contenu nformatonnel. Elle repose sur les étapes suvantes : l'extracton des termes d'ndexaton, la réducton du langage d ndexaton et la pondératon des termes d'ndexaton. 1. L'extracton des termes d ndexaton repose sur une analyse lngustque du texte du document. Pluseurs nveaux d analyse peuvent être dstngués : le nveau lexcal, syntaxque et sémantque. - En analyse lexcale, les mots composant le texte sont extrats et les mots vdes (prépostons, pronoms personnels, ) élmnés. Une étape supplémentare peut être nécessare en vue d'élmner les varantes morphologques (genre, nombre, dérvatons,...) des mots. Le tratement assocé repose sur deux procédures : la lemmatsaton et la troncature (ou racnsaton). La racnsaton consste à supprmer le suffxe (et plus rarement le préfxe) des mots sgnfcatfs du texte ndexé. La lemmatsaton (stemmng en anglas) a pour objectf de prendre la forme canonque du mot. Des expérences ont montré que la racnsaton et la lemmatsaton amélorent sgnfcatvement les performances pour les langues rches morphologquement (ex. le franças, l talen, etc.) [Gausser et al., 1997; Gausser et al., 2000]. - En analyse syntaxque, l s'agt de repérer les groupes de mots ou des mots composés [Fagan, 87; Salton, 88]. L'utlsaton des termes composés dot permettre d'augmenter la précson de réponse dans la mesure où le crtère possède une sgnfcaton plus précse et un usage plus restrent (plus spécfque) que les mots qu le composent. Les approches d analyse syntaxque se basent en général sur l'utlsaton de patrons (templates) syntaxques [Bourgault, 96; Aussenac-Glles et al., 00; Jacquemn, 01; Jones et al., 02] pour détecter les termes composés. - L'analyse sémantque s'ntéresse à reconnaître les sens des mots, les mots synonymes, les concepts représentatfs de ces mots, et plus généralement les relatons sémantques entre les mots. Le chaptre 2 sera dédé à cette dernère approche (.e. l ndexaton sémantque) pusque c'est celle qu nous ntéresse dans le cadre de notre traval de thèse. 30

32 CHAPITRE 1. RECHERCHE D INFORMATION La réducton du langage d ndexaton vse à rédure le nombre de termes d ndexaton en élmnant tous les mots non mportants (mots rares ou mots trop fréquents) du langage d ndexaton. Pour mesurer l'mportance d'un mot dans un document, l'ndexaton s appue sur la fréquence d'occurrence de ce mot dans le document. Les mots de fréquences quas nulles et les mots à fréquences trop élevées peuvent être élmnés de l'ndex. Cette hypothèse tre ses orgnes de la conjecture de Luhn [Luhn, 58] qu, pratquement, défnt un seul de fréquence mnmal S mn et un seul de fréquence maxmal S max tels que, tout terme d ndexaton t de fréquence ntermédare ( Smn freq( t) Smax ), est consdéré comme sgnfcatf et appartent donc au langage d ndexaton. La pondératon des termes d ndexaton consste à assocer un pods d mportance (ou valeur de représentatvté) w j à chaque terme t j d un document d. De manère générale, les formules de pondératon utlsées sont basées sur la combnason d un facteur de pondératon local quantfant la représentatvté locale du terme dans le document, et d un facteur de pondératon global quantfant la représentatvté globale du terme vs-à-vs de la collecton de documents. Pluseurs formules exstent, dont : tf j 1 w j = = tf j = tf j df df df j j j [Salton et al., 73] Où : tf j est la fréquence d occurrences du terme t j dans le document d. df j est la fréquence documentare du terme t j (.e. la proporton de documents de la collecton qu contennent t j ) et df j sa fréquence documentare nverse. La mesure tf* df est une bonne approxmaton de l'mportance d'un terme dans un document, partculèrement dans des corpus de documents de talles ntermédares. Pour des documents plus longs des normalsatons ont été proposées, dont : - La normalsaton pvotée de Snghal [Snghal et al., 96] Où : w j = 1+ ( 1 slope) tf j * df slope * * pvot j ( tf j * df j ) tf j est le nombre d occurrences du terme t j dans l unté documentare d df j est la fréquence documentare nverse défne classquement par : log(n/n j ) tel que n est le nombre de documents de la collecton et N j le nombre de documents ndexés par le terme t j. j 2 31

33 CHAPITRE 1. RECHERCHE D INFORMATION pvot est une constante qu représente l écart nul entre la probablté de pertnence et la probablté de sélecton des documents. slope est un facteur de normalsaton fxé emprquement, de sorte à mnmser l écart entre la pertnence et la sélecton. La formule de Robertson [Robertson et al., 97] w j = K 1 tf j * ( K + 1) dl l ( 1 b) + b * + tf j Où : w j est le pods du terme t j dans le document d. K 1 constante qu permet de contrôler l nfluence de la fréquence du terme t j dans le document d. Sa valeur dépend de la longueur des documents dans la collecton. Le plus souvent, sa valeur est fxée à 1,2. b constante qu permet de contrôler l effet de la longueur du document. Sa valeur la plus souvent utlsée est : 0,75. dl est la longueur du document d. l est la longueur moyenne des documents dans la collecton entère Taxonome des modèles de RI S c est l ndexaton qu permet de détermner les termes représentatfs des documents et requêtes, c est le modèle qu assure leur nterprétaton dans un formalsme de représentaton propre et qu offre le mécansme de leur apparement en vue de calculer les degrés de pertnence des documents pour les requêtes. La fgure 1.2 présente une classfcaton des dfférents modèles de RI [Baeza-Yates et al., 99]. Les modèles de RI se déclnent en tros grandes catégores qu sont les modèles booléens, les modèles vectorels et les modèles probablstes. Les modèles vectorels sont des modèles algébrques. Les documents et requêtes sont représentés par des vecteurs de pods dans un espace vectorel composé de tous les termes d ndexaton. La pertnence d'un document vs à vs d'une requête est défne par des mesures de dstances entre vecteurs. Pluseurs modèles proposés en RI se basent sur le modèle vectorel, dont : le modèle connexonnste et le modèle LSI (Latent Semantc Indexng). Les modèles probablstes s'appuent sur la théore des probabltés. La pertnence d'un document vs à vs d'une requête est vue comme une probablté de pertnence document/requête. Les modèles de RI basés sur le modèle probablste sont le modèle BIR (Bnary Independance retreval), le modèle nférentel Bayésen et le 1 32

34 CHAPITRE 1. RECHERCHE D INFORMATION modèle de langue. Dans ce qu sut, nous décrvons pour chacune de ces classes, le modèle de base et quelques modèles assocés. FIGURE 1.2 : Taxonome des modèles en RI Les modèles booléens Le modèle booléen de base Dans ce modèle, basé sur la théore des ensembles, le document est représenté par un ensemble de termes. La requête est représentée par un ensemble de mots clés relés par des opérateurs booléens (AND, OR et NOT). L apparement requête-document est strct et se base sur des opératons ensemblstes selon les règles suvantes : RSV RSV RSV RSV ( d, t ) = 1 s t d, snon ( d, t AND t j ) = 1 s ( t d ) ( t j d ), ( d, t OR t ) = 1 s ( t d ) ( t d ), ( d, NOT t ) = 1 s t d, 0 snon. j 0 j 0 snon 0 snon Ben que ce modèle sot smple à mettre en oeuvre, l présente néanmons tros nconvénents majeurs : l'apparement est strct et ne permet de classer les documents que dans deux catégores, l ensemble des documents pertnents et l ensemble des documents non pertnents, dont les éléments ne sont pas ordonnables, tous les termes d un document ou d'une requête sont d égales mportances (pondérés à 0 ou 1), ce qu n est pas le cas en réalté, 33

35 CHAPITRE 1. RECHERCHE D INFORMATION les expressons booléennes ne sont pas accessbles à un large publc et des confusons exstent du fat de la dfférence de «sens» des opérateurs logques AND et OR et de leurs connotatons respectves en langage naturel. Le modèle booléen étendu et modèle basé sur les ensembles flous dérvent du modèle booléen Modèle booléen étendu Le modèle booléen étendu a été ntrodut par Salton [Salton et al., 1983]. C est une extenson du modèle précédent qu vse à tenr compte d une pondératon des termes dans le corpus. Cela permet de paller les problèmes du modèle de base en ordonnant les documents retrouvés par le SRI. La requête demeure une expresson booléenne classque. Tands que les termes d un document sont mantenant pondérés. En général le pods d un terme dans un document est foncton du nombre d occurrences de ce terme dans le document. L apparement requête_document est le plus souvent détermné par les relatons ntrodutes dans le modèle p-norm basées sur les les p-dstances, avec 1 p. La valeur de p est ndquée au moment de la requête. S m est le nombre de termes dans la requête, les fonctons de smlarté se calculent comme sut : RSV RSV ( d, Q ) ou ( d, Q ) et p p x1 + x2 + K+ x = m = 1 S p = 1, on se ramène au modèle booléen Les modèles vectorels Le modèle vectorel de base p m 1 p p p p p ( 1 x ) + ( 1 x ) + K+ ( 1 x ) 1 Dans ce modèle, un document est représenté sous forme d un vecteur dans l espace vectorel composé de tous les termes d ndexaton. Les coordonnées d un vecteur document représentent les pods des termes correspondants. Formellement, un document d est représenté par un vecteur de dmenson n, d = (w 1, w 2,..., w n ) pour = 1, 2,, m. Où w j est le pods du terme t j dans le document d, m est le nombre de documents dans la collecton, n est le nombre de termes d ndexaton. 2 m m 1 34

36 CHAPITRE 1. RECHERCHE D INFORMATION Une requête Q est auss représentée par un vecteur de mots-clés défn dans le même espace vectorel que le document. Q = (w Q1, w Q2,..., w Qn ) Où w Qj est le pods de terme t j dans la requête Q. Ce pods peut être sot une forme de tf*df, sot un pods attrbué manuellement par l utlsateur. La pertnence du document d pour la requête Q est mesurée comme le degré de corrélaton des vecteurs correspondants. Cette corrélaton peut être exprmée par l une des mesures suvantes : Le produt scalare : n Sm d, Q = w * w ( ) Sm d, Q La mesure du cosnus: ( ) 1/ 2 1/ 2 La mesure de Dce : Sm( d, Q) La mesure de Jacard : Sm( d, Q) j= 1 = n j= 1 Qj w n 2 Qj n j= 1 2 * w j w Qj j j= 1 = n 2 wqj n j= 1 j= 1 = n * w * * w Qj + w n j= 1 n w 2 j n j j= 1 w Qj 2 j 2 2 wqj + wj j= 1 j= 1 j= 1 j * w n w j * w Qj Le coeffcent de superposton : Sm( d, Q) = mn n j= 1 n n 2 wqj, j= 1 j= 1 w j * w Qj w 2 j L un des avantages du modèle vectorel résde dans sa smplcté conceptuelle et de mse en oeuvre. En outre, l permet de trer les résultats d une recherche à travers une mesure de smlarté document/requête, en plaçant en tête les documents jugés les plus smlares à la requête. Cependant, ce modèle ne permet pas de modélser les assocatons entre les termes 35

37 CHAPITRE 1. RECHERCHE D INFORMATION d ndexaton. Chacun des termes est consdéré comme ndépendant des autres. Le modèle vectorel généralsé (Generalzed Vector Space Model) [Wong et al, 1985] permet cependant de résoudre le problème d ndépendance des termes Le modèle connexonnste Les SRI basés sur l'approche connexonnste utlsent le fondement des réseaux de neurones, tant pour la modélsaton des untés textuelles que pour la mse en œuvre du processus de RI. L dée de base est que la RI est un processus assocatf qu peut être représenté par les mécansmes de propagaton d actvaton des réseaux de neurones. De plus, les capactés d apprentssage de ces modèles peuvent permettre d obtenr des SRI adaptatfs. Deux modèles théorques ont été utlsés : les modèles à auto-organsaton et les modèles à couches. Les modèles à auto-organsaton [Ln et al., 91] permettent à partr de la descrpton des documents, d en réalser une classfcaton par l apprentssage du réseau de neurones. Ces modèles sont basés sur les cartes auto-organsatrces de Kohonen [Kohonen, 89]. Les modèles à couches : Les SRI basés sur un modèle connexonnste à couches [Kwok, 89; Belew, 89; Boughanem, 92a-b; Mothe, 94] sont représentés par un mnmum de tros couches de neurones nterconnectées : la couche requête (Q), la couche termes (T) et la couche documents (D). Le mécansme de recherche est basé sur une actvaton ntale des neurones termes ndute par une requête, et qu se propage vers les documents à travers les connexons du réseau. Dans le modèle MERCURE [Boughanem, 92], une requête Q est représentée par un vecteur de pods sous forme : Q = ( t) u ( t) ( t) ( t) ( q, q,..., q ) u1 Les pods des termes dans la requête sont affectés aux lens requête-termes. L'actvté ntale du réseau correspond à l'actvaton d'un nœud requête en envoyant un sgnal de valeur 1 à travers les lens requête-termes. Chaque neurone terme t j affecté par la requête, reçot une entrée In(t j ) et fournt une sorte Out(t j ) respectvement défnes par : u2 ( t) ( t ) = q Out( t ) g( In( t ) In = j uj Un document d qu a des termes t j en commun avec la requête recevra une entrée In(d) et calculera sa sorte Out(d) telles que : j ut j 36

38 CHAPITRE 1. RECHERCHE D INFORMATION T ( d ) Out( t )* w Out( d ) g In( d ) In = j j = =1 Où w j est le pods du terme t j dans le document d. ( ) Les valeurs de sorte des dfférents documents correspondent à leurs degrés de pertnence pour la requête donnée Modèle d ndexaton sémantque latente (LSI) L objectf du modèle LSI est de construre des ndex conceptuels portant sur la sémantque des mots dans les documents. Ces ndex sont trés à partr de la structure sémantque latente des textes des documents. Pour ce fare, partant de l espace vectorel de tous les termes d ndexaton, le modèle LSI construt un espace d ndexaton de talle rédute k, par applcaton de la décomposton en valeurs sngulères (SVD) de la matrce termes-documents [Deerwester et al., 90]. Ces k dmensons capturent une parte mportante de la structure sémantque des documents [Berry et al., 94 ] portée par les assocatons des termes et documents, et élmnent le brut dû à la varablté dans l'usage des mots. Chaque vecteur document est au fnal représenté dans l'espace k-dmensonnel rédut des termes non brutés. Les documents qu partagent des termes co-occurrents ont des représentatons proches. La requête utlsateur est auss représentée par un vecteur dans l'espace k-dmensonnel. Une mesure de smlarté est ensute calculée entre le k-vecteur requête et chacun des k-vecteurs documents de la collecton. A l ssue de la recherche, le système sélectonne les documents pertnents même s ls ne contennent aucun mot de la requête Les modèles probablstes Le modèle probablste de base Le premer modèle probablste a été proposé par Maron et Kuhns [Maron et al., 60] au début des années 60. Le prncpe de base consste à présenter les résultats d un SRI dans un ordre basé sur la probablté de pertnence d un document vs-à-vs d une requête. Robertson [Robertson, 77] défnt son modèle PRP (Probablty Rankng Prncple), sur ce même prncpe. Etant donné une requête utlsateur notée Q et un document d, le modèle probablste tente d estmer la probablté que le document d appartenne à la classe des documents pertnents (non pertnents). Un document est alors sélectonné s la probablté qu l sot pertnent à Q, notée P(R/d), est supéreure à la probablté qu l sot non pertnent à Q, notée P(NR/d). Le score d apparement entre le document d et la requête Q, noté RSV (d,q), est donné par [Robertson, 94b]: 37