Les travaux qui ont utilisé les arbres

Les arbres sont des structures de données qui permettent de représenter les objets à structure hiérarchique. Ils sont communément utilisés pour représenter l’information d’une façon organisée. Les arbres ont été utilisés pour représenter les schémas XML, les documents ou des parties de documents, etc.

Ali Idarrou

-71-

Les travaux de [Termier A. et al., 2002], [Costa G. et al., 2004], [Razo L.F. et al., 2006], [Saleem k., 2008] et [Kutty S. et al., 2008] ont utilisé les sous-arbres fréquents (sous-arbres qui apparaissent fréquemment dans les collections d’arbres considérés) pour classer les documents. Dans le processus de classification structurelle de [Termier et al., 2002], Il s’agit d’associer un document à une classe en cherchant dans un corpus d’arbres, un ensemble de sous-arbres fréquents pour mieux caractériser le document. L’algorithme TreeFinder, utilisé dans cette approche, permet une classification structurelle des documents en associant à chaque classe une structure représentative. Dans les travaux de [Razo L.F. et al., 2006], il s’agit d’intégrer des schémas XML en vue de construire un schéma médiateur pour l’interrogation de documents XML. Les travaux de [Nierman A. et Jagadish, 2002] et [Francesca F.D. et al. 2003], [Dalamagas T. et al. 2004], sont fondés sur les résumés d’arbres pour classer structurellement les documents. Dans ces approches, la similarité peut être basée sur la distance d’édition entre arbres. Le coût de calcul, nécessaire à ces algorithmes, augmente en fonction de la taille des sous-arborescences et du nombre de documents manipulés. Il a été montré dans [Wisniewski et al., 2005] que les algorithmes utilisés dans [Nierman A. et Jagadish, 2002] sont complexes et ne permettent pas de traiter des données de grande taille.

Dans leur approche de classification structurelle des documents, les auteurs de [Dalamagas T. et al., 2006] utilisent les résumés d’arbres obtenus par transformations (réduction de la profondeur, élimination des nœuds répétés, etc). Cependant, ces transformations peuvent être à l’origine d’une perte d’information sémantique et contextuelle. Par exemple, la réduction de la profondeur (figure II.16) implique la suppression des composants et des relations entre ces composants. En effet la relation (A,P) de T1 peut ne pas jouer le même rôle que la relation (A,P) de T2.

Figure II.16 - Extraction du résumé structurel [Dalamagas T. et al., 2006]

Dans leur approche de classification sémantique des documents XML, [Tagarelli A. et al., 2010] ont proposé un modèle de représentation de données qui exploite la notion de tuple-arbre pour identifier les sous-structures sémantiquement cohérentes dans les documents XML.

Dans [Vercoustre A.M. et al., 2006], les documents XML sont représentés sous forme d’une arborescence, laquelle est considérée comme un ensemble de chemins. Ainsi, la classification est basée sur le calcul de la fréquence de ces chemins. L’idée, de linéarisation des arbres proposée dans ces travaux est très intéressante. En revanche, les étapes de prétraitement, qui consistent à réduire le nombre de chemins, et celle de filtrage des balises qui peut être à l’origine de perte d’informations ; ce qui peut avoir un impact négatif sur la qualité du classifieur. [Sanz I. et al., 2005] ont défini formellement les notions de fragment

Ali Idarrou

-72-

et de région (ensemble de fragments) dans les documents XML représentés à l’aide d’arbres. Pour identifier les fragments et les régions, les auteurs ont proposé l’inclusion approximative entre les sous-arbres d’arbre de motif et l’arbre de la collection hétérogène de documents.

Dans l’approche de [Mbarki M., 2008], les structures logiques et sémantiques des documents XML à classer sont représentées sous forme d’arborescences. Dans cette arborescence, chaque nœud représente un élément de la structure logique, un composant de cet élément, un attribut rattaché à un élément générique ou une métadonnée qui décrit un composant générique. L’auteur a proposé un modèle qui permet une description logique et

une description sémantique des documents multimédia. La description logique traduit la structure logique du document en décrivant les éléments structurels et leurs attributs. La description sémantique permet plusieurs descriptions des métadonnées des composantes multimédia. Ainsi, un même élément de la structure logique peut être décrit de plusieurs manières. Le modèle proposé est composé deux niveaux : un niveau générique contenant des structures génériques et un niveau spécifique représentant la structure d’un document particulier. Chaque structure générique représente un ensemble de structures spécifiques du niveau spécifique. Ce modèle a servi de base pour définir un entrepôt de documents multimédia. L’un des objectifs de cet entrepôt est de permettre un accès facile un l’information multimédia, dans une masse importante de données, afin d’exploiter cette information d’une manière aisée. Plus précisément, le modèle dans ces travaux permet une description riche des documents multimédia numériques. Cette richesse permet l’accès à l’information fine (granules documentaires) et l’analyse des informations de l’entrepôt selon plusieurs dimensions. Il a proposé une mesure qui permet d’évaluer le degré d’inclusion entre deux structures arborescentes :

 12 ( ) ( , ') 1 ( ) j j v j v j Danc Sim T T Panc v v  





Danc(vj) : représente la distance, d’alignement, des ancêtres du nœud vj.

Panc(vj) : représente le poids des ancêtres du nœud vj.

Dans [Aitelhadj A. et al., 2009], les auteurs ont utilisé les arbres pour représenter les documents en format XML afin de les classer et ont proposé une méthode de classification de structures arborescentes des documents. Pour cela, ils ont introduit une mesure permettant d’évaluer la similarité entre deux arborescences T1 et T2 :

  1 2 1 2 1 1 ( , ) 13 (| ) 1 2 ( , ) |,| | n m i j i j im e e Max T T Similarité T T S   

 

|T1| : la taille de T1, Sim(e1i,e2j) représente la similarité des nœuds e1i et e2j appartenant respectivement à T1 et T2.

Le calcul de la mesure proposée engendre une explosion combinatoire car il s’agit d’explorer toutes les combinaisons possibles permettant la mise en correspondance des nœuds des deux arbres comparés.

Ali Idarrou

-73-

Les approches utilisant les arbres pour représenter les documents multimédia sont confrontées au problème de la limite de représentation de relations multiples entre deux mêmes nœuds d’un document. Pour pallier ce problème, il est donc nécessaire de trouver un modèle de représentation en adéquation avec les documents multimédias.