Classification Non Supervisée Textuelle Descriptive En Langue Arabe

Résumé: Les problèmes causés par l’augmentation constante du volume de l’information textuelle dans la recherche et l’organisation de cette information n’est pas à démontrer. L’un des axes qui tentent de résoudre ces problèmes est la classification non supervisée textuelle (classification thématique pour certains). Cette classification, qui consiste à générer une partition de clusters homogènes, n’est pas suffisante pour subvenir au besoin de l’utilisateur tant pour l’organisation que dans l’exploration et la recherche de l’information voulue. La description des clusters générés reste un chemin incontournable pour la compréhension de ces derniers. La majorité des techniques de description présentes dans la littérature s’articulent sur le nombre d’apparitions des mots pour décrire les résultats de la classification non supervisée par les mots clés ou par les phrases, en plus, ces techniques sont généralement destinées à la description de la classification des textes courts (snippets ou fichiers entêtes) retournés par les moteurs de recherche sur le web. La présente étude présente une nouvelle approche intitulée LDK-Means (Latent Descriptive K-Means) qui combine deux techniques très célèbres en recherche de l’information, l’une pour la classification non supervisée et l’autre pour la description des résultats obtenus par cette classification. La description (labellisation) consiste à faire intervenir, en plus du nombre d’apparitions des mots dans le texte (approche statistique), la relation qui décrit l’apparition conjointe de ces mots dans ce texte. L’idée derrière cette approche est l’exploitation de l’une des méthodes probabilistes thématiques la plus connue à savoir LDA (Latent Dirichlet Allocation). L’approche présentée a été menée sur des collections en langue arabe, une langue connue pour par ses caractéristiques morphosyntaxiques très particulières qui nécessite plusieurs opérations de prétraitements.

Publié dans la revue: