Détection et caractérisation des thèmes principaux d'un corpus sans connaissance a priori

Pascale Sébillot

Irisa / université de Rennes 1 Équipe TexMex

Le 14 juillet 2004 à 11 h 30

Salle C-9019, Pavillon Lionel-Groulx


Après avoir situé le travail dans le cadre d'une étude plus générale visant à extraire automatiquement des lexiques sémantiques à partir de corpus en se basant sur des principes de la théorie de la sémantique interprétative de F. Rastier, l'exposé se focalisera sur la description de la méthode non supervisée de détection/caractérisation des thèmes que nous avons développée, qui repose sur la notion de mots-clés, c'est-à-dire de mots dont l'apparition dans un segment de texte est symptomatique de la présence d'un thème particulier. Le système présenté extrait de manière totalement automatique, sans connaissance a priori sur la nature ou le nombre des thèmes majeurs abordés dans le corpus, une collection de classes de tels mots-clés, représentatives chacune d'un de ces thèmes. Il a pour objectif de répondre aux besoins d'applications nécessitant la connaissance de thèmes, mais sans recours à un expert humain et sans usage de données auxiliaires, sémantiques ou autres. La méthode mise en oeuvre se compose d'une série de traitements essentiellement statistiques, exploitant la répartition des mots du corpus sur ses paragraphes. Les listes de mots extraites permettent de détecter la présence d'un thème donné dans un paragraphe, révélée par une cooccurrence de mots- lés. L'évaluation de la méthode conclura la présentation.


Pour recevoir les annonces hebdomadaires par courriel, envoyez un message à l'adresse majordomo@iro.umontreal.ca

Liste des autres séminaires