a) Representation des documents textuels structures

Nous allons dans cette partie nous interesser particulierement a deux modeles de repre-sentation issus de deux systemes de recherche d'informations: le systeme IOTA et le systeme PIF. D'autres modeles de representation auraient pu avoir leur place ici tels que les approches cherchant a representer le contenu des donnees textuelles de maniere statistiques. Les deux systemes que nous avons choisis donnent une vision des possibilites de representation des do-cuments textuels structures: mesures statistiques, usage de thesaurus, usage des relations de structure, etc. Ces multiples possibilites de representation demontrent la richesse des donnees textuelles et la variete des approches qui en decoule.

Le systeme IOTA tire son originalite de l'adaptation aux documents structures des me-sures classiques de representativite des termes d'indexation [Sal71]. Le systeme PIF propose un langage destine a la representation des documents textuels structures en reprenant des proprietes provenant de theories du discours.

Nous presentons aussi, au travers du systeme HyperRIME [Khe95] et des travaux de Lee & al. [LYYB96], les strategies d'indexation plus generales dans lesquelles l'information se propage selon les relations de structure. Ces travaux presentent la particularite de pouvoir s'appliquer a d'autres types de donnees.

Le systeme IOTA

Le systeme IOTA [Ker84, Def86, CDBK86] est destine a l'interrogation de fonds documen-taires composes de documents textuels structures, en l'occurrence des normes d'exploitation et de fonctionnement du CNET. IOTA est un systeme de recherche d'informations integrant un module d'indexation automatique des documents textuels et un module d'interrogation. L'approche classique d'indexation consiste a donner une representation du contenu du docu-ment complet en ignorant la structure. Le corpus est alors constitue d'autant d'index qu'il y a de documents dans la base (un index par document). Le systeme IOTA n'adopte pas cette approche puisque le document n'est pas considere comme une entite atomique mais comme un ensemble de composants issus de la structure logique. Chaque composant de la structure, appele unite d'indexation, possede sa propre representation et le corpus est alors compose d'autant d'index qu'il y a d'unites d'indexation, c'est-a-dire qu'il comporte un index par composant structurel.

Nous ne detaillons pas la phase d'extraction des connaissances du processus d'indexation automatique des unites puisque la n'est pas notre propos (le lecteur pourra se referer a [Bru87, Ker84]), mais nous allons eclairer la phase d'exploitation de la structure logique dans ce processus.

De maniere simpliee, le processus d'indexation correspond a une analyse automatique du texte reposant sur l'extraction de groupes nominaux. Les groupes nominaux extraits qui sont reconnus dans le thesaurus sont alors consideres comme des termes d'indexation. Ces termes sont ponderes selon des criteres statistiques exprimant la representativite mutuelle entre le terme et l'unite d'indexation.

Soit le corpus

D

constitue de

N

D unites d'indexation

d

i:

D

=f

d

ig. Parmi ces unites, les

d

fi sont les unites d'indexation feuilles de la structure logique des documents. Soit

T

=f

t

jg

l'ensemble des termes d'indexation du corpus correspondant a des groupes nominaux. Soit

fonctions suivantes:

{

FDOC

(

t

j): nombre d'unites d'indexation dans le corpus

D

ou le terme d'indexation

t

j

existe.

{

FTOT

(

t

j): nombre total d'occurences du terme d'indexation

t

j dans le corpus

D

. {

FLOC

(

t

j

;d

i): nombre total d'occurences du terme d'indexation

t

j dans l'unite

d'in-dexation

d

i. Il s'agit de la frequence locale.

{

TAILLE

(

d

i): taille de l'unite d'indexation

d

i. Cette taille est denie en nombre total d'occurences des termes d'indexation de l'unite:

TAILLE

(

d

i) = X

tj2TI(di)

FLOC

(

t

j

;d

i)

Soit la representativite d'un terme d'indexation

t

j par rapport a une unite d'indexation

d

i

notee

REP

(

t

j

=d

i) et la representativite d'une unite d'indexation

d

i par rapport a un terme d'indexation

t

j notee

REP

(

d

i

=t

j).

REP

(

t

j

=d

i) = ^FLOC(tj;di)

TAILLE(di)

et REP

(

d

i

=t

j) = ^FLOC(tj;di)

FTOT(tj)

Comme nous l'avons dit precedemment, une unite d'indexation correspond a une sous-arborescence de l'sous-arborescence structurelle logique du document. Le processus d'indexation est applique sur les unites d'indexation constituant les feuilles de l'arborescence structurelle, les

d

fi. A partir de cette indexation initiale, les unites d'indexation correspondant a des elements non feuilles de l'arborescence structurelle sont calculees en utilisant les unites d'indexation des feuilles. Il y a donc remontee des informations extraites au niveau des feuilles vers la racine du document d'apres le processus recursif suivant:

1. Les unites d'indexation feuilles

d

fi sont indexees automatiquement et de maniere inde-pendantes. Elles admettent donc les deux representativites decrites precedemment. 2. Les unites d'indexation de niveau superieur sont alors indexees dynamiquement en

fonc-tion des representativites de leurs unites lles. Considerons l'unite

d

k ayant pour lles les unites

d

i,

i

= 1

;::: ;n

. REP(tj=dk) = P i=1;:::;nFLOC(tj=di) P i=1;:::;nTAILLE(di) et REP(di;tj) = X i=1;:::;nREP(di;tj)

Dans le systeme IOTA, les mesures de representativite des termes d'indexation sont des mesures classiques mais qui ont ete adaptees aux documents structures et qui sont calcu-les dynamiquement a partir des mesures de representativite calculees au niveau des unites d'indexation feuilles. Il s'agit ici d'une premiere etape vers un processus de propagation des informations en fonction des caracteristiques du document. Dans le systeme PIF et via son langage de representation, Francois Paradis va aller plus loin encore sur cette voie.

Le systeme PIF

Paradis [PB96] denit un langage de representation pour les documents textuels struc-tures en integrant des caracteristiques issues des theories du discours. Ce langage permet la specication des informations necessaires a la recherche des documents textuels. La plupart de ces informations sont extraites de la norme TEI [TEI94] (Text Encoding and Interchange). Ce langage permet a la fois de decrire le contenu du document textuel, les caracteristiques de ce document mais aussi les relations structurelles du document. Ce langage est complete par un ensemble de regles de derivation qui, a partir des informations decrites par le langage de representation, permettent de deduire une nouvelle forme d'information, les themes du document. Ces regles de derivation reposent sur les trois types de structure decrites dans le langage de representation :

Structure linguistique

: elle re ete l'organisation syntaxique des symboles du document textuel. Un symbole est un element qui appara^t dans le texte, par exemple un mot, un groupe nominal ou une phrase. La granularite du symbole n'est pas denie et reste donc libre.

Cette organisation des symboles est decrite a partir de deux relations de base: la relation de composition notee part et la relation de sequence notee seq. La composition permet de regrouper des symboles pour former des symboles de granularite superieure, par exemple la composition de mots forme un groupe nominal. La sequence determine le sens de lec-ture nalec-turel des symboles. Une troisieme relation vient completer la struclec-ture linguis-tique: la relation de dependance qui permet d'exprimer qu'une relation est subordonnee a une autre. Si l'identicateur

s

2 correspond a ((d')) et

s

3 correspond a ((information)), la relation de dependance exprime que

s

2 est dependant de

s

3: dependant(

s

2

;s

3). Les relation part et seq sont antisymetriques, non re exives et injectives. La relation de dependance est antisymetrique et non re exive. Les relations de la structure lin-guistique sont des regles syntaxiques pour l'organisation des symboles qui dependent principalement de la langue du document.

Structure logique

: elle re ete l'organisation d'abstractions logiques qui representent des parties du document. Il s'agit de parties du document d'une granularite plus grande que celle de la structure linguistique et donc d'une extension de la structure linguistique. La structure logique reprend les m^emes relations de composition et de sequence que celles de la structure linguistique mais cette fois-ci appliquees a des abstractions logiques. Une nouvelle relation liant des abstractions logiques est introduite. Il s'agit de la relation de reference, notee ref, qui permet d'introduire des renvois et des liens entre parties de document.

Les relations de la structure logique sont des regles syntaxiques pour l'organisation des abstractions logiques denies a priori par le type du document (chapitre, section, sous-section, etc).

Paradis denit une abstraction logique comme toute partie de document contenant su-samment d'informations pour ^etre comprehensible independamment des autres parties.

Structure de discours

: elle re ete l'organisation des idees contenues dans le document et que l'auteur souhaite transmettre au lecteur du document. C'est l'organisation de ces idees qui rend un document comprehensible.

Deux relations apparaissent dans la structure de discours: la relation de dominance, do-mine, et la relation d'intention intention. La relation de dominance exprime l'agregation des idees et elle repose completement sur la relation part de la structure logique. Les in-formations contenues dans les abstractions logiques, liees entre elles par la relation part, s'agregent en suivant la relation de dominance. Il y a donc a la fois la composition des abstractions logiques et composition des informations contenues dans ces abstractions. D'autre part, la relation d'intention designe explicitement les idees presentes dans une partie de document et qui se referent a une autre partie du document: les modeles de representation des documents textuels structures pour la RI sont decrits dans la section a). A partir du langage comportant ces diverses relations de structure, des regles de deriva-tion sont introduites an d'expliciter le contenu des documents textuels. Prenons quelques exemples de ces regles. Tout d'abord nous donnons la regle qui permet de deriver la relation de dominance a partir de la relation de composition de la structure logique:

Regle 1 (Structure de discours)

(part(



1

;

2) ^ division(



1) ^ division(



2))) domine(



1

;

2)

Les



1 et



2 sont des abstractions logiques et leur composition par la relation part (



1

est composee de



2) implique l'existence de la relation de discours domine entre les deux abstractions. Maintenant nous considerons les themes qui apparaissent dans ces abstractions et qui sont indiques a l'aide de la relation theme(



i,



) qui signie que le theme



appara^t dans l'abstraction logique



i.

Regle 2 (Heritage ascendant)

(8



i, domine(

;

i) theme(



i,



)f

g) ) theme(



i,



)f

H

6g

Cette regle signie qu'un theme



est propage vers les sections logiques meres uniquement s'il appara^t dans chacune des sections logiques lles. La notationf

H

6gindique la provenance du theme, c'est-a-dire l'identicateur de la regle qui a permis la propagation de ce theme.

La denition de ces regles permet a Paradis de representer dierentes strategies de pro-pagation des themes au sein du document structure selon la relation de composition. Il faut noter que la regle ayant permis la propagation d'une information est toujours conservee dans le resultat an de pouvoir ^etre utilisee par la suite lors de l'interrogation des documents. En eet, la conance dans chacune de ces regles n'est pas egale et donc le classement des reponses sera basee sur l'origine de l'information, c'est-a-dire la regle qui a produit le theme au niveau de l'abstraction logique.

Nous reviendrons sur ce langage de representation lorsque nous decrirons notre modele de representation des documents structures puisque nous nous sommes inspires de certaines de ces caracteristiques. Le systeme PIF comportant un module d'indexation automatique des documents demontre la faisabilite de cette approche.

Le systeme HyperRIME

L'approche proposee par IOTA a ete reprise par la suite de maniere plus generale dans les travaux de Kheirbek [Khe95] appliques a un corpus constitue de documents hypertextuels. La strategie d'indexation est assez similaire a celle de IOTA puisque ce sont les elements feuilles de structure qui sont indexes et le resultat de cette indexation se propage vers les elements parents

qui sont plus hauts dans la structure. Dans cette optique, chaque element de structure admet une representation de son contenu. Pour un element feuille, la representation est obtenue par un processus d'analyse du contenu. Pour un element non feuille, la representation est calculee en fonction de la representation de ses ls dans la structure logique. Deux operateurs de calcul denissant deux types de remontee sont proposees: le premier operateur, note , realise l'intersection du contenu des representations des elements ls pour calculer celle de l'element pere, le second operateur, note, realise l'union du contenu des representations des elements ls pour calculer celle de l'element pere.

Kheirbek privilegie le second operateur (union) qui correspond mieux selon lui a la seman-tique de la composition structurelle. Il explique ainsi que le fait qu'une partie

P

soit composee d'une partie

P

1 et d'une partie

P

2 implique que l'indexation de

P

doit tenir compte a la fois de l'indexation commune a

P

1 et a

P

2, mais aussi des parties de l'indexation specique a

P

1

et specique a

P

2.

Complementairement a ce choix, Kheirbek decrit une strategie de recherche generique reposant sur l'application du modele logique de recherche d'informations. Cette strategie utilise la propriete de l'operateur :

I

(

d

) =

I

(

d

1)

I

(

d

2)) 8 > < > :

I

(

d

)!

I

(

d

1)

et

I

(

d

)!

I

(

d

2)

Cette propriete signie que l'index d'un composant implique logiquement l'index de chacun des composants qui sont des descendants structurels de ce composant.

Dans les experimentations menees par Lee & al. [LYYB96] sur des techniques d'indexation de documents structures an de les comparer en terme de temps d'acces et d'espace requis par les index, la strategie de remontee des informations vers la racine selon l'operateur d'union est utilisee et representee de dierentes manieres. Trois methodes de representation sont presentees. A l'origine seuls les composants (noeuds) feuilles de la structure comportent des index et les index des composants non feuilles sont l'union des index de leurs composants ls. Les index prennent la forme d'ensemble de termes.

ANWR

(Inverted Index for All Nodes With Replication): pour chaque composant, feuille et non feuille, les index contiennent tout les termes d'indexation qui les concernent.

LNON

(Inverted Index for Leaf Nodes Only): seuls les index des composants feuilles contiennent des termes d'indexation. Les index des composants non feuilles sont calcules a l'inter-rogation.

ANOR

(Inverted Index for All Nodes Without Replication): cette strategie est basee sur le fait que des composants freres peuvent admettre des termes d'indexation commun. Dans ce cas ces termes sont remontes vers le composant pere. Les index des composants sont calcules a partir de la formule suivante:

Nous pouvons constater que cette technique ainsi que cette formule ne sont valables que si l'ensemble des freres admettent un m^eme terme d'indexation. Cela limite considera-blement la portee de cette strategie de representation.

De ces trois strategies, il ressort que la strategie ANOR est la plus ecace en terme d'espace pour le stockage des index, mais aussi en terme de temps d'acces. Cependant cette ecacite est conditionnee par le taux de termes d'indexation remontes des ls vers les parents. Un taux egal a

b

(0 

b

 1) signie qu'un terme d'indexation d'un composant a une probabilite

b

de remonter vers le composant pere. En pratique, lorsque ce taux est inferieur a 0,1 il n'y a pas gain de la methode ANOR vis-a-vis des autres methodes. Il s'agit donc d'estimer l'apport reel d'une telle strategie sur un corpus relativement representatif. Par ailleurs, cette technique repose ici sur une representation a base de termes d'indexation, nous pouvons nous interroger sur l'adaptation de cette technique a d'autres formalismes de representation tels que les graphes conceptuels [OP97a] ou les logiques descriptives.

Ces travaux ont le merite de montrer que le traitement des documents structures est co^uteux tant en terme d'espace requis par les index qu'en terme de temps d'acces. Le fait de ne plus considerer le document comme une entite indivisible mais comme une agregation de

n

composants multiplie d'autant le nombre d'index requis. C'est l'une des raisons pour lesquelles les travaux dans le domaine de l'interrogation des documents structures n'adressent pas le probleme de la representation du contenu des documents et preferent adopter des techniques de \pattern matching" plut^ot que des techniques de recherche d'informations.

Dans le document Modélisation, indexation et recherche de documents structurés (Page 51-56)