Blame view
test/functional/data.txt
8.23 KB
44c17c423 Accents Ok |
1 2 |
Nous proposons dans cet article une méthode non supervisée pour l identification et la modélisation de concepts associés à une recherche d information. Nous utilisons l alloca- |
9ffd72ac1 ajout du test |
3 4 5 6 7 8 9 10 11 |
tion de Dirichlet latente (LDA), un modèle génératif probabiliste, pour détecter les concepts implicites de la requête en utilisant les documents obtenus par un processus de retour de perti- nence simulé (ou documents de feedback ). Notre approche estime automatiquement le nombre de concepts ainsi que le nombre de documents de feedback sans aucun apprentissage préalable ni paramétrage. Les concepts implicites sont pondérés afin de refléter leur importance relative |
44c17c423 Accents Ok |
12 13 |
par rapport à la requête et sont utilisés pour modifier l ordre des documents renvoyés à l utili- sateur. Nous utilisons quatre sources d information générales de natures différentes (web, jour- |
9ffd72ac1 ajout du test |
14 15 16 |
nalistique, encyclopédique) à partir desquelles les documents de feedback sont extraits. Nous |
44c17c423 Accents Ok |
17 |
comparons différentes approches état-de-l art sur deux collections |
9ffd72ac1 ajout du test |
18 19 |
ad-hoc de TREC, et les ré- |
44c17c423 Accents Ok |
20 |
sultats montrent que l utilisation de concepts implicites identifiés par notre méthode améliore |
9ffd72ac1 ajout du test |
21 22 23 24 25 26 27 28 29 30 31 32 33 34 |
significativement les performances de recherche documentaire. ABSTRACT. In this paper we introduce an unsupervised method for mining and modeling la- tent search concepts. We use Latent Dirichlet Allocation (LDA), a generative probabilistic topic model, to exhibit highly-specific query-related topics from pseudo-relevant feedback doc- uments. Our approach automatically estimates the number of latent concepts as well as the needed amount of feedback documents, without any prior training step. Latent concepts are then weighted to reflect their relative adequacy and are further used to automatically reformu- late the initial user query. We also explore the use of different types of sources of information for modeling the latent concepts. For this purpose, we use four general sources of information of various nature (web, news, encyclopedic) from which the feedback documents are extracted. We evaluate our approach over two large ad-hoc TREC collections, and results show that it signif- icantly improves document retrieval effectiveness while best results are achieved by combining latent concepts modeled from all available sources. |
44c17c423 Accents Ok |
35 36 37 38 |
Le but de la Recherche d Information (RI) est de satisfaire le besoin d information d un utilisateur, généralement en proposant des documents ou des passages provenant d une collection cible. Ce besoin est habituellement représenté par une requête com- posée de quelques mots-clés, qui est soumise au système de recherche d information. |
9ffd72ac1 ajout du test |
39 |
Le système cherche alors les documents qui contiennent les mots-clés, afin de fournir |
44c17c423 Accents Ok |
40 41 42 |
à l utilisateur une liste de documents ordonnée en fonction de leur pertinence esti- mée par rapport à la requête. Seulement, un besoin d information complet peut être trop complexe pour être exprimé en quelques mots, ou l utilisateur peut ne pas avoir |
9ffd72ac1 ajout du test |
43 |
le vocabulaire ou les compétences nécessaires pour formuler efficacement la requête. |
44c17c423 Accents Ok |
44 45 46 47 48 49 50 51 |
Ingwersen (1994) dit en effet que la formulation d une requête par un utilisateur est la représentation de son état cognitif actuel concernant un besoin d information. Une re- quête peut ne pas être correctement formulée si l utilisateur cherche des informations sur une thématique pour laquelle il n a pas de connaissances. Ainsi, sans contexte ad- ditionnel, le système de recherche d information peut manquer des nuances ou des détails que l utilisateur n a pas fourni dans la requête. Ce contexte peut prendre la forme d un modèle des intérêts de l utilisateur basé sur son historique personnel (ou ses interactions sociales), ou peut être composé d éléments extraits de documents si- |
9ffd72ac1 ajout du test |
52 53 |
milaires représentant les thèmes de la recherche (Finkelstein Ce deuxième type de contexte est plus généralement connu sous le nom de « re- |
44c17c423 Accents Ok |
54 55 |
cherche d information conceptuelle » et a reçu beaucoup d attention au cours de ces dernières années L idée générale est d étendre les requêtes avec des |
9ffd72ac1 ajout du test |
56 |
ensembles de mots ou de multi-mots extraits de documents de |
44c17c423 Accents Ok |
57 |
feedback. L ensemble de feedback est composé de documents qui sont pertinents ou pseudo-pertinents par |
9ffd72ac1 ajout du test |
58 |
rapport à la requête initiale, et qui sont à même de contenir des informations impor- |
44c17c423 Accents Ok |
59 |
tantes sur le contexte de la recherche. Les mots exprimant le plus d information par |
9ffd72ac1 ajout du test |
60 61 62 63 |
rapport à la requête sont traités comme des concepts implicites. Ils sont alors utilisés pour reformuler la requête. Le problème avec cette approche est que chaque mot re- présente un concept spécifique. Seulement un concept représente une notion et peut être vu comme un ensemble de connaissances. Stock (2010) donne une définition qui |
44c17c423 Accents Ok |
64 |
suit cette direction en affirmant qu un concept est défini comme une classe contenant |
9ffd72ac1 ajout du test |
65 |
des objets possédant certaines propriétés et attributs. |
44c17c423 Accents Ok |
66 |
L objectif du travail présenté dans cet article est de représenter avec précision les |
9ffd72ac1 ajout du test |
67 68 69 |
concepts sous-jacents associés à une requête, améliorant indirectement les informa- tions contextuelles liées à la recherche documentaire. Nous introduisons ainsi une méthode entièrement non supervisée qui permet de détecter les concepts implicites |
44c17c423 Accents Ok |
70 |
liés à une requête donnée et d améliorer les performances d un système de recherche |
9ffd72ac1 ajout du test |
71 |
documentaire en incorporant ces concepts à la requête initiale. Pour chaque requête, |
44c17c423 Accents Ok |
72 |
les concepts implicites sont extraits d un ensemble réduit de documents de |
9ffd72ac1 ajout du test |
73 74 75 76 77 |
initialement récupérés par le système. Ces documents de ous estimons la similarité entre deux modèles conceptuels en calculant les simi- larités entre toutes les paires de concepts des deux modèles. Seulement, deux modèles différents sont générés à partir de documents différents, ils ne partagent donc pas le même espace probabiliste. Les distributions de probabilités ne sont donc pas compa- |
44c17c423 Accents Ok |
78 |
rables, le calcul de similarité ne peut se faire qu en prenant en compte les mots des |
9ffd72ac1 ajout du test |
79 80 81 82 83 84 85 86 87 |
concepts. Les concepts sont donc ramenés à de simples sacs de mots, et nous utilisons une mesure de similarité basée sur la fréquence inverse des mots dans les documents de la collection. La figure 1 présente des histogrammes traçant le nombre de requêtes en fonction du nombre de concepts implicites estimé et du nombre de documents de feedback ,et ce pour les deux collections. On voit que le comportement est relativement identique sur les deux collections. Entre deux et trois concepts sont identifiés pour la grande |
44c17c423 Accents Ok |
88 |
majorité des requêtes. De même ces concepts sont généralement identifiés au sein d un |
9ffd72ac1 ajout du test |
89 90 |
nombre assez réduit de documents, entre deux et quatre pour les deux collections. Il est toutefois intéressant de noter la différence entre le nombre de documents de utilisés par les ressources Web et Wikipédia. On peut voir en effet que 2 |
44c17c423 Accents Ok |
91 |
ou 3 articles Wikipédia suffisent pour un très grand nombre de requêtes, alors qu un |
9ffd72ac1 ajout du test |
92 93 |
plus grand nombre est nécessaire pour la ressource Web. Ce comportement est très cohérent avec la nature même de Wikipédia, où les articles sont rédigés dans le but |
44c17c423 Accents Ok |
94 |
d être très précis et de ne pas trop s éparpiller. Il est d ailleurs fréquent qu un article |
9ffd72ac1 ajout du test |
95 96 97 |
devenu trop conséquent soit coupé en plusieurs autres articles traitant chacun un sujet très spécifique. Des idées empruntées à la physique ont déjà été utilisées dan |
44c17c423 Accents Ok |
98 99 |
s l analyse de textes. Les exemples plus notables sont l approche entropique de (Shannon, 1948 |
9ffd72ac1 ajout du test |
100 101 |
), les travaux de (Zipf, 1935; Zipf, 1949) et de (Mandelbrot, 1953) où les auteurs font des consid |
44c17c423 Accents Ok |
102 |
érations thermodynamiques d éner- |
9ffd72ac1 ajout du test |
103 104 105 106 |
gie et de température dans leurs études sur la Statistique Te xtuelle. Dernièrement se sont servi des notions de polarisation des système orientations sémantiques des mots (désirable ou indésirable) à partir de mots amorce. La sortie de ce système est une liste de mots indiquant leurs orientati |
44c17c423 Accents Ok |
107 |
ons estimés selon l approximation |
9ffd72ac1 ajout du test |
108 109 110 |
du champ moyen. Dans notre travail, nous avons utilisé diffé remment la notion de spin des mots dans les documents. À partir de cet image, on aperçoit le document comme un matéria |
44c17c423 Accents Ok |
111 112 |
ux composé d un ensemble de unités en interaction dont l énergie peut être calculée. No |
9ffd72ac1 ajout du test |
113 114 |
us avons étudié les problèmes du Trai- tement Automatique de la Langue Naturelle (TALN) en utilisa |
44c17c423 Accents Ok |
115 |
nt la notion d énergie textuelle. |