proche OntologyLike
Nous comparons dans cette section nos deux approches pour la recherche d’´el´ements multimedia. Chacune des m´ethodes a ses avantages et ses inconv´enients. La m´ethode CBA exploite le contexte textuel et structurel `a la fois, par cons´equent, il n’´etait pas possible d’´etudier l’int´erˆet de chaque type de contexte s´epar´ement. De plus, un pr´e-calcul des scores pour les nœuds internes des documents XML est n´ecessaire par un syst`eme de recherche XML textuel, ce qui rend cette m´ethode fortement d´ependante du syst`eme XML textuel utilis´e : la structure est exploit´ee en grande partie dans le calcul des scores des nœuds internes qui repr´esentent l’´el´ement multimedia. Par contre, cette m´ethode nous a permis d’´etudier l’impact de d´eterminer la pertinence des ´el´ements multimedia par chaque source d’´evidence, c’est `a dire l’impact d’utiliser seulement les nœuds descendants, les nœuds fr`eres et les nœuds ascendants, ainsi que la combinaison binaire et multiple de ces trois sources d’´evidence pour d´eterminer la pertinence des ´el´ements multimedia.
En ce qui concerne la m´ethode OntologyLike, nous avons pu ´etudier l’impact de calculer la pertinence des ´el´ements multimedia par le contexte textuel seul, par le contexte structurel seul, et par la combinaison des deux. De plus, cette m´ethode n’est pas param`etr´ee, ce qui la rend plus stable que la m´ethode CBA qui n´ecessite un bon param`etrage de degr´e de participation de chaque source d’´evidence `a la pertinence de l’image.
La comparaison exp´erimentale entre les deux m´ethodes est faite selon la base non filtr´ee pour INEX 2006 et 2007, et selon CLEFImage 2008. Le ta-
bleau 6.20 pr´esente les meilleurs MAP selon les deux m´ethodes.
Tableau 6.20 – Comparaison des r´esultats obtenus par les deux m´ethodes CBA et OntologyLike selon la mesure MAP
Jeu de test CBA OntologyLike
2006 0.4256 0.4205
2007 0.3030 0.2958
2008 0.1361 0.1167
Pour les deux jeux de test INEX 2006 et 2007, nous constatons que les deux m´ethodes permettent d’avoir des r´esultats presque identiques, mˆeme si la m´ethode CBA permet d’avoir des r´esultats l´eg`erement meilleurs. Pour le jeu de test WikipediaMM 2008, nous constatons que la m´ethode OntologyLike d´egrade les r´esultats, cependant cette d´egradation n’est pas significative (p > 0.1).
En r´esum´e, les deux m´ethodes sont similaires exp´erimentalement, cepen- dant, la m´ethode OntologyLike paraˆıt plus stable car elle n’a pas de param`etres, et elle est ind´ependante du type de requˆete (sp´ecifique ou g´en´erique).
En se basant sur les conclusions de cette comparaison, la deuxi`eme partie de notre probl´ematique, c’est `a dire la recherche de fragments multim´edia,
d´etaill´ee dans le chapitre suivant (chapitre5), sera bas´ee sur les r´esultats de la
m´ethode OntologyLike.
6.6
Conclusion
Nous avons propos´e dans ce chapitre une approche permettant de calculer la pertinence des ´el´ements multimedia par les nœuds textuels d’un mˆeme docu- ment. En effet, grˆace `a une analogie entre un document XML et une ontologie, nous avons pu nous inspirer des mesures de similarit´e s´emantique entre les concepts d’une ontologie pour proposer une mesure de participation de chaque nœud textuel dans le calcul de pertinence de l’´el´ement multim´edia.
Grˆace `a notre mesure, nous avons montr´e que l’utilisation conjointe du contexte textuel et structurel permet de bien d´eterminer la pertinence de l’´el´ement multim´edia, et que la structure joue un rˆole tr`es important dans la recherche d’´el´ements multimedia.
plicitement le contexte de l’´el´ement multimedia, et la m´ethode CBA qui utilise implicitement le contexte de l’´el´ement multimedia. Les r´esultats obtenus par les deux m´ethodes sont comparables, sans diff´erence significative. Par contre, au niveau stabilit´e, la m´ethode OntologyLike paraˆıt plus appropri´ee `a la recherche des ´el´ements multimedia dans des documents semi-structur´es puisqu’elle n’a pas de param`etres et qu’elle est applicable quelque soit le type de requˆete (g´en´erique ou sp´ecifique).
Dans le chapitre suivant, nous proposons une m´ethode pour la recherche de fragments multim´edia. En nous basant sur les r´esultats de l’une des deux m´ethodes permettant la recherche d’´el´ements multimedia (CBA ou Ontolo-
gyLike), nous proposons une m´ethode pour d´eterminer le meilleur fragment
Recherche de fragments
multimedia
7.1
Introduction
Comme nous l’avons mentionn´e dans le chapitre 4, dans le cadre d’une re-
cherche multimedia structur´ee, le besoin utilisateur est un ´el´ement multimedia sans ou avec du texte associ´e. Nous nous int´eressons dans ce dernier chapitre `a cette deuxi`eme partie de notre probl´ematique dont le but est de trouver les sous-arbres multimedia les plus pertinents `a retourner `a l’utilisateur.
Nous proposons dans ce chapitre une m´ethode pour d´eterminer les meilleurs fragments pertinents `a travers leurs scores initiaux calcul´es par un syst`eme de recherche XML classique et les scores des ´el´ements multimedia associ´es re- trouv´es grˆace `a l’une des deux m´ethodes propos´ees pr´ec´edemment (CBA ou
OntologyLike).
Ce chapitre s’organise comme suit : tout d’abord, nous pr´esentons notre
proposition pour la recherche des fragments multim´edia (section 7.2). Ensuite,
nous ´evaluons notre approche dans le cas de la strat´egie ”thorough”, o`u l’utili-
sateur souhaite avoir tous les fragments multimedia pertinents, et dans le cas de
la strat´egie ”focused”, o`u l’utilisateur veut seulement les fragments multimedia
les plus pertinents (section 7.3). Enfin, nous comparons les r´esultats obtenus
avec les r´esultats officiels de la campagne d’´evaluation INEX tˆache Multimedia