Défini9on. Introduc9on à la fouille de textes. Forage de textes, extrac9on de connaissances à par9r de textes, text mining

Transcription

1 Introduc9on à la fouille de textes Dominic Forest, Ph.D. École de bibliothéconomie et des sciences de l informa9on Université de Montréal SCI6060 Méthodes de recherche en sciences de l'informa>on 4 avril 2014 Défini9on Forage de textes, extrac9on de connaissances à par9r de textes, text mining «La fouille de textes est la découverte (à l aide d ou9ls informa9ques) de nouvelles informa9ons en extrayant différentes données provenant de plusieurs documents textuels. Un élément fondamental de ce processus réside dans les rela9ons iden9fiées entre les informa9ons extraites afin d iden9fier de nouveaux faits ou de nouvelles hypothèses à explorer.» (Hearst, 2003, notre traduc9on) Dominic Forest, École de bibliothéconomie et des sciences de l'informa9on, Université de Montréal 1

2 Origines Domaine mul9disciplinaire Intelligence ar9ficielle, appren9ssage machine, informa9que, linguis9que, sciences de l'informa9on Fouille de données (data mining) Par9cularité : applica9on sur des données structurées Bases de données, entrepôts de données, etc. Exemple typique d applica9on : panier d achats Text analy.cs Modélisa9on du domaine Tiré de Forest (2008) Dominic Forest, École de bibliothéconomie et des sciences de l'informa9on, Université de Montréal 2

3 Démarche méthodologique Démarche méthodologique inspirée de la fouille de données (data mining) Inspirée de Fayyad et al. (1996) Dis9nc9ons préliminaires Deux grandes familles de techniques de fouille : Techniques supervisées Projec9on d informa9ons connues Techniques non supervisées Extrac9on d informa9ons Deux grandes familles d applica9ons : Applica9ons prédic9ves Prédic9on de caractéris9ques Applica9ons descrip9ves Explora9on de patrons récurrents Dominic Forest, École de bibliothéconomie et des sciences de l'informa9on, Université de Montréal 3

4 Opéra9on non supervisée visant à regrouper des documents dans un certain nombre de classes sur la base d un ou de plusieurs critères de similarité Cluster analysis is the organiza9on of a collec9on of paferns into clusters based on similarity. Intui9vely, paferns within a valid cluster are more similar to each other than they are to a pafern belonging to a different cluster. (Jain et al., 1999, p. 265) Dominic Forest, École de bibliothéconomie et des sciences de l'informa9on, Université de Montréal 4

5 Dominic Forest, École de bibliothéconomie et des sciences de l'informa9on, Université de Montréal 5

6 Enjeux : Choix et descrip9on des documents Extrac9on, filtrage, normalisa9on Fonc9on discriminante Méthode de classifica9on Classifica9ons rigides vs classifica9ons souples Classifica9ons plates vs classifica9ons hiérarchiques Dominic Forest, École de bibliothéconomie et des sciences de l'informa9on, Université de Montréal 6

7 Tiré de Forest (2006) Catégorisa9on automa9que Processus d organisa9on supervisé dans le cadre duquel une ou plusieurs catégories théma9ques sont afribuées à chacun des documents Projec9on d un plan de classifica9on (un ensemble de catégories structurées) sur des documents afin d afribuer à chaque document une ou plusieurs é9quefes théma9ques représentant le contenu de chacun de ces documents Dominic Forest, École de bibliothéconomie et des sciences de l'informa9on, Université de Montréal 7

8 Catégorisa9on automa9que Cuisine Fouilles de textes Catégorisa9on automa9que Cuisine Fouilles de textes Dominic Forest, École de bibliothéconomie et des sciences de l'informa9on, Université de Montréal 8

9 Catégorisa9on automa9que Cuisine Fouilles de textes Catégorisa9on automa9que Enjeux : Choix et descrip9on des documents Extrac9on, filtrage, normalisa9on Fonc9on discriminante Taxinomie de catégories adaptées au contenu des documents à traiter Méthode d assigna9on des catégories Manuelle vs automa9que (semi- automa9que) Catégorisa9on exclusive vs catégorisa9on mul9ple Ensemble de données d appren9ssage Dominic Forest, École de bibliothéconomie et des sciences de l'informa9on, Université de Montréal 9

10 Applica9ons Filtrage de courriels Routage d'informa9on Veille Scien9fique Technologique Détec9on de la fraude Personnalisa9on de l'informa9on Organisa9on de l'informa9on (ontologies) Marke9ng Sen9ment analysis Découverte scien9fique Recherche d'informa9ons Web OPAC (Endeca, Ex Libris) Pour en savoir plus Forest, D. et Grouin, C. (éditeurs) (2012). Expérimenta9ons et évalua9ons en fouille de textes. Paris : Hermès. DÉfi Fouille de Textes (DEFT) Dominic Forest, École de bibliothéconomie et des sciences de l'informa9on, Université de Montréal 10