Les diff´erentes tˆ aches

La tˆache ad-hoc. La tˆache principale de la campagne INEX est la tˆache ad-hoc. Il s’agit de trouver les ´el´ements XML contenant les informations pertinentes quant aux besoins d’information exprim´es par les titres des requˆetes, et d’ordonner ces ´el´ements dans l’ordre suppos´e de leur pertinence. En 2005, plusieurs aspects de cette tˆache ont ´et´e explor´es, dans la but d’´etudier l’influence de l’utilisation de la structure (dans les requˆetes) sur l’efficacit´e de la recherche.

En effet, outre la distinction CO+S / CAS d´ej`a exprim´ee, les organisateurs ont s´epar´e la partie CAS en quatre sous-parties, qui distinguent le caract`ere strict ou souple de l’interpr´etation des contraintes structurelles dans la cible* et le support* : SSCAS correspond `a une interpr´etation stricte des deux ´el´ements, SVCAS `a une interpr´etation stricte de la cible et souple du support, et VSCAS et VVCAS repr´esentent les deux autres combinaisons.

La tˆache CO, elle, propose trois variantes : Focussed, dans laquelle le syst`eme doit trouver le meilleur ´el´ement dans un chemin donn´e (le chevauchement est donc interdit) ; Thorough autorise les chevauchements, mais bien entendu les meilleurs ´el´ements doivent ˆetre mieux class´es ; enfin, la strat´egie Fetch and Browse consiste `a renvoyer un article (un document) entier et `a lister `a la suite les ´el´ements les plus pertinents de cet article. Autres tˆaches. Des tˆaches annexes ont ´et´e ajout´ees au fil des ans `a la tˆache ad-hoc pour arriver au nombre de six en 2005 :

– Relevance Feedback, ou comment utiliser les r´esultats d’un moteur pour am´eliorer la requˆete.

– Heterogenous Collections, ou comment permettre aux utilisateurs de faire des recherches sur plusieurs collections diff´erentes (aux DTD diff´erentes). Pour cela d’autres ensembles de documents ont ´et´e mis `a la disposition des participants. – Interactive, ou comment rendre la recherche dans les collections XML accessibles

`

a tous les types d’utilisateurs, en termes d’interface de requˆete et de pr´esentation des r´esultats.

– Document Mining, ou comment appliquer les techniques de classification et de clusterisation aux collections XML.

– Multimedia, ou comment utiliser les contenus non textuels pour la recherche d’in- formation XML.

Chapitre 3

Traitement automatique de la

langue

Comme nous l’avons remarqu´e `a de nombreuses reprises au cours de ce rapport, l’ˆetre humain est au centre du processus de recherche d’information. Parmi tous ses charmes, nous avons d´ej`a d´etaill´e sa versatilit´e et sa subjectivit´e, qui ruinent les espoirs de parvenir `a la conception d’un syst`eme de RI “id´eal”1_{, et nous avons tent´e de montrer}

qu’un syst`eme, id´eal `a un moment donn´e pour un utilisateur donn´e, ne le serait plus le lendemain ou pour une autre personne.

Une autre caract´eristique embarrassante de l’humain est qu’il s’exprime, `a l’´ecrit langage naturel

comme `a l’oral, dans un langage dit naturel. On appelle ainsi le langage courant, vecteur de la communication quotidienne et notamment du pr´esent rapport, par opposition aux langages des machines (langages de programmation, protocoles de communication, etc.). Ainsi, qu’il soit dans une disposition plate ou semi-structur´ee (au moins dans l’approche orient´ee document*), et mˆeme souvent dans des bases de donn´ees, le contenu textuel des documents est compos´e d’´enonc´es en langage naturel. Ces textes sont ´ecrits par des humains, pour des humains, et bien entendu aucun effort particulier n’est fait pour faciliter l’analyse linguistique du texte par une machine2_.

Par ailleurs, lorsqu’un ˆetre humain cherche une information, il se pose d’abord une question en langage naturel, avec toutes les impr´ecisions et les subtilit´es que cela implique, mˆeme s’il sait qu’il devra par la suite la transcrire au moyen d’un choix de mots-cl´es ou d’un langage de requˆetes formel et sp´ecifique3.

On voit donc que le domaine du langage naturel et de son traitement automatique se trouve au cœur de la probl´ematique de la recherche d’information. Il semble ´evident que les progr`es des futurs moteurs de recherche passeront par une meilleure “compr´ehension” de la langue, aussi bien en ce qui concerne les documents que la question pos´ee.

L’´etat actuel de la recherche est loin de cette compr´ehension, et de nombreuses difficult´es se pr´esentent `a tous les niveaux de l’analyse de l’´ecrit. Les probl`emes peuvent ainsi ˆetre d’ordres morphologique*, syntaxique*, s´emantique* ou pragmatique*.

Dans un premier temps, de la section 3.1 `a la section 3.4, ce chapitre d´ecrira ces diff´erents niveaux d’´etude de la langue, et abordera quelques-uns des ´ecueils auxquels

1_{Voir la section2.5, page34.}

2_{Une indexation manuelle du document est parfois fournie, une structure (tables ou balisages) peut}

ˆetre mise en place, mais il ne s’agit pas l`a d’une aide `a la “compr´ehension” s´emantique ou syntaxique du texte.

3_{Nous ne nous attarderons pas sur deux autres points essentiels, qui sont d’une part que les humains}

ne s’expriment pas tous dans la mˆeme langue, et d’autre part que la majorit´e d’entre eux font des fautes d’orthographe et de grammaire en ´ecrivant.

se heurte particuli`erement toute tentative d’analyse automatique de textes.

Nous d´evelopperons par la suite les aspects du traitement automatique de la langue qui ont ´et´e explor´es dans les syst`emes de recherche d’information (section 3.5), puis nous aborderons le domaine des interfaces en langage naturel pour les bases de don- n´ees (section 3.6). Enfin, en guise de transition vers la seconde partie, nous donnerons un aper¸cu des enjeux et des premi`eres approches concernant les interfaces en langage naturel pour la recherche d’information semi-structur´ee (section 3.7).

3.1

Les diff´erents niveaux du langage

L’analyse du langage n´ecessite une connaissance de sa structure sur de nombreux niveaux : que sont les mots ? Que signifient-ils ? Comment se combinent-ils pour former la phrase ? Comment contribuent-ils au sens de la phrase ? Et, par ailleurs, comment fonctionnent le monde et le raisonnement de l’humain dans le monde ?

De la r´eception des sons (ou leur prononciation) jusqu’`a la compr´ehension appro- fondie des mots prononc´es dans l’environnement o`u ils sont prononc´es, les linguistes distinguent plusieurs palliers permettant l’analyse ou la g´en´eration d’un ´enonc´e en langage naturel. Ces niveaux de connaissance restent bien entendu toujours valables lorsque l’on aborde l’analyse automatique de la langue. Les grandes sp´ecialit´es sont :

– la phon´etique et la phonologie, ou comment les mots et les phrases sont li´es aux sons qui les r´ealisent `a l’oral [38,123]. Ne traitant que l’´ecrit, nous ne reviendrons pas sur ce domaine.

– la morphologie, ou comment les mots sont construits et quels sont leurs rˆoles

morphologie

dans la phrase [157].

– la syntaxe*, ou comment les mots se combinent pour former des syntagmes*,

syntaxe

puis des propositions et enfin des phrases correctes.

– la s´emantique*, ou comment les mots font du sens lorsqu’ils sont ins´er´es dans

s´emantique

une phrase (ind´ependamment du contexte) [111].

– la pragmatique*, ou comment les phrases peuvent ˆetre interpr´et´ees selon leur

pragmatique

contexte d’´enonciation (interlocuteurs, phrases pr´ec´edentes, connaissance com- mune du monde, . . .) [142,58].

Allen [9] donne les exemples suivants pour faire la distinction entre syntaxe, s´e- mantique et pragmatique. Consid´erons que les phrases suivantes sont candidates pour figurer en tˆete du pr´esent m´emoire, c’est-`a-dire qu’elles sont ´enonc´ees en l’absence totale de contexte :

(3.1) La recherche d’information automatis´ee permet `a un utilisateur de formuler un besoin d’information.

(3.2) Les grenouilles vertes ont des gros nez. (3.3) Les id´ees vertes ont des gros nez. (3.4) Vertes des ont les id´ees nez gros.

La premi`ere phrase semble ˆetre un d´ebut raisonnable pour un tel rapport. Elle correspond `a tout ce qui est connu en mati`ere de syntaxe, de s´emantique et de pragma- tique. La phrase 3.2 est bien form´ee sur les plans syntaxique et s´emantique, mais pas pragmatique. En effet, elle conviendrait mal comme premi`ere phrase d’un m´emoire de th`ese, et le lecteur ne verrait aucune raison valable de la voir utilis´ee.

Mais l’exemple3.3 serait pire encore : il est `a la fois pragmatiquement et s´emanti- quement mal form´e. On remarque en effet qu’il est possible d’affirmer que la phrase3.2

Morphologie 49 est vraie ou fausse, tandis que c’est impossible pour 3.3 dans une conversation coh´e- rente. La structure en est pourtant correcte, mais des id´ees ne peuvent pas ˆetre vertes et, mˆeme si elles le peuvent dans certains contextes, elles n’ont certainement pas de nez, ni gros ni maigre1_.

Enfin, la phrase 3.4 est tout simplement inintelligible : elle contient pourtant les mˆemes mots que la pr´ec´edente, mais ne respecte aucune des structures grammaticales (syntaxiques) admises en Fran¸cais.

Dans le cadre de notre travail, nous nous basons uniquement sur la langue ´ecrite2, ce qui implique que les entit´es les plus petites que nous allons ´etudier (les unit´es gram- maticales) sont les mots. Cela ne signifie pourtant pas que la structure interne du mot, en particulier les diff´erentes flexions*, n’est pas prise en compte. Mais le mot comporte l’avantage d’ˆetre une unit´e relativement facile `a distinguer dans un texte (en tout cas dans les langues fran¸caise et anglaise, qui vont nous int´eresser plus particuli`erement), ce qui n’est pas le cas pour la langue orale.