Utilisation raisonnée de connaissances sémantiques pour la Recherche d’Information

1. Utilisation raisonnée de connaissances sémantiques pour la Recherche d’Information Le cas de l’expansion de requêtes par « voisins distributionnels » Mardi 11 Octobre 2005 Aurélie Picton

2. Plan • Contexte de l’expérimentation • Outils • Démarche et Résultats • Discussion • Perspectives

3. Contexte de l’expérimentation

4. Projet ARIEL • ARIEL : Adaptation d’une chaîne de Recherche d’Information à l’Expression des besoins sur la base de traitements Linguistiques. • Collaboration IRIT/ERSS • Complémentarité des connaissances des domaines informatiques et linguistiques • Étude de différentes techniques et ressources linguistiques pour la Recherche d’Information

5. Problématique (?) • La requête = quelques mots clefs (moyenne = 2.21 selon Jansen, Spink et Saracevic, 2000) • Ex : Révolte au Chiapas • Problème : souvent incomplet ou inadéquat • Traitement possible : l’expansion de requêtes

6. Définition • l’expansion de requêtes : • « A process of adding new terms to a given query in attempt to provide better contextualization (and hopefully retrieve documents which are more useful to the user) » (Baeza-Yates, Ribeiro-Neto, 1999, p449).

7. Objectif • Mise en place d’un premier contexte d’expérimentation d’expansion de requêtes par ressources linguistiques : • Reproductible • Ressources inédites : les « voisins distributionnels » • Les données issues de l’analyse distributionnelle automatique sont-elles de bonnes candidates dans le cadre de l’expansion de requêtes?

8. Outils

9. Upery : outil d’analyse distributionnelle automatique (1) • Analyse Distributionnelle (Z.S. Harris) « On peut décrire toute langue par une structure distributionnelle, c’est-à-dire par l’occurrence des parties (et, en dernière analyse, des sons), relativement les unes aux autres, et cette description n’exige pas que l‘on fasse appel à d’autres caractéristiques, telles que l’histoire ou le sens. » (« La Structure Distributionnelle », 1952, repris par D. Maingueneau, 1991, p71).

10. Upery (2) • L’analyse distributionnelle automatique • « Rapprochement des couples d’unités retrouvées dans des contextes syntaxiques identiques » • Analyse syntaxique d’un gros corpus (LM10) avec Syntex (D. Bourigault et al., 2005) • Prédicats qui se construisent avec les mêmes arguments et vice-versa • Exemple : troupe/intervention : envoi des troupes en Tchétchénie, intervention en Tchétchénie, troupes russes, intervention russe

11. Plate-forme RFIEC • Plate-forme RFIEC (Recherche d’information, Filtrage d’Information, Extraction de Connaissances) • Développée dans le cadre du projet ARIEL • www.irit.fr/RFIEC • Modules paramétrables • Indexation de requêtes • Recherche et Évaluation :: évaluation « à la TREC »

12. Démarche et Résultats

13. Données • Corpus • Corpus CLEF 2001 (français) • Collection : 45000 documents Le Monde 94 • 50 requêtes CLEF associées • 44 exploitables et exploitées • 2 sources de voisins • Adgc et Upery 4 • Traitement (par défaut) • Suppression des mots vides (liste par défaut) • Troncation à 7 • Suppression des accents • Principalement sur les requêtes Titres

14. Exemple de requête expansée • Requête 80 Totale : DF 20.10 <num>80 </num> <title> Grèves de la faim Grèves de la faim</title> <desc> Les documents contiendront des informations sur une grève de faim menée afin d'attirer l'attention pour une cause. Les documents contiendront des informations sur une grève de faim menée afin d'attirer l'attention pour une cause. </desc> <narr> Donner des exemples où la grève de la faim a été menée. Faire part également des raisons de la grève et de ce qu'il en est résulté. Donner des exemples où la grève de la faim a été menée. Faire part également des raisons de la grève et de ce qu'il en est résulté.   </narr> reclame commenc present refugie harcele observe expulse neutral reserve effectu

15. Démarche (1) • Comparaison des résultats • Précision à 5, 10, 15, 20, Moyenne P5-20 • Recherche de base • Blind Feedback (« Retour à l’aveugle ») • Expansion à partir de t termes sélectionnés dans les n premiers textes ramenés lors d’une recherche de base

16. Démarche (2) • 3 Hypothèses : • Hypothèse 1 : aucune sélection • Adgc sans sélection • Upery sans sélection • Hypothèse 2 : sur bases linguistiques • Upery sans V • Upery sans A • Hypothèse 3 : • Feedback Distributionnel (DF) • Expansion à partir de t voisins sélectionnés dans les n premiers textes ramenés lors d’une recherche de base • Upery V seuls • Upery N seuls

17. Résultats (RequêtesTitre) (1) Recherche de Base Blind Feedback

18. Résultats (RequêtesTitre) (2) • Requêtes modifiées 5 11 25 12 • Moyennes de Gain/Perte 0,0692 0,0663 -0,1917 -0,1215 • Valeurs maximales de Gain/Perte 0,1083 0,1667 -0,6292 -0,5042

19. Discussion

20. Remarques générales • Dégradation des performances • MAIS • Résultats sur la moyenne masquent certaines performances (C. De Loupy, 2000) • Observation locale des requêtes pour trouver des comportements généralisables?

21. Observation locale • Certaines requêtes sont améliorées/dégradées Pourquoi? • Difficile à dire à ce stade : • Pas assez de textes pertinents par requêtes • Jeu de requêtes restreint

22. Nombre de méthodes d’expansion qui entraînent une modification Ampleur de la modification Observation « statistique » : Analyse en Composantes Principales Analyse statistique • Pas d‘homogénéité apparente • Mise au jour de comportements isolés non généralisables

23. Expansion : quelques observations • Des explications « ad hoc » • Invasion des troupes russes en Tchéchénie = >Tchétchène • L’affaire du sang contaminé => séropositif • Le poids • et éthique • Catégories grammaticales • Adjectifs :Intervention des troupesrusses => israélien allemand italien américain chinois européen étranger britannique local français espagnol régional irakien anglais national bosniaque japonais occidental serbe iranien algérien palestinien belge militaire international indépendant tchétchène turque arabe croate indien africain serbe libanais, etc. Clonage

24. Sources d’expansion • Répartition selon la source de l’expansion? • Opposition des résultats Adgc et Upery sur certaines requêtes • Appuyé par une Classification Ascendante Hiérarchique • Mais toujours : • Existe-t-il des caractéristiques généralisables au niveau des requêtes qui permettent de prédire l’efficacité et d’adapter l’expansion ?

25. Perspectives

26. Perspectives (1) • De nouvelles données • Vers des requêtes totales • Premiers résultats encourageants sur DF • Plus de requêtes, plus de textes • De nouveaux voisins • Évolution d’Upery (D. Bourigault & E. Galy, 2005)

27. Perspectives (2) • De nouvelles possibilités sur la plate-forme • Lemmatisation, conservation des accents • Vers des corrélations de traits • Travaux de M. Vergez-Couret

28. Éléments bibliographiques BAEZA-YATES, R. & B. RIBEIRO-NETO (1999), Modern Information Retrieval, ACM Press, Addison Wesley, New York. BOURIGAULT, D. (2002) « UPERY : un outil d’analyse distributionnelle étendue pour la consultation d’ontologies à partir de corpus », In Actes de la 9èmeconférence annuelle sur le Traitement Automatique des Langues (TALN 2002), Nancy, pp75-84. BOURIGAULT, D. & E. GALY (2005) « Les Voisins de Le Monde : Une base lexicale distributionnelle du français construite à partir d'un gros corpus », Communication orale, In 4èmes Journées de Linguistique de corpus, Lorient,15-17 septembre 2005. BOURIGAULT D., FABRE C., FRÉROT C., JACQUES M.-P. & S. OZDOWSKA (2005) « Syntex, analyseur syntaxique de corpus », In Actes de la 12e conférence annuelle sur le Traitement Automatique des Langues (TALN 2005), Dourdan, 6-10 juin 2005. DE LOUPY, C. (2000), Évaluation de l'apport de connaissances linguistiques en désambiguïsation sémantique et recherche documentaire, Thèse de doctorat en informatique de l'Université d'Avignon et des Pays de Vaucluse. EFTHIMIADIS, E.N. (1996) « Query expansion », InWilliams, M.E. (ed.), Annual Revieew of Information Systems and Technology (ARIST), volume 31, pp121-187. GREFENSTETTE, G. (1992) « Use of syntactic context to produce term association lists for information retrieval », In Actes de la 15ème Conférence Annuelle Internationale ACM-SIGIR sur la Recherche et le Développement en Recherche d’Information,(SIGIR), pages 89—97. GREFENSTETTE, G. (1994), Exploration in Automatic Thesaurus Discovery, Kluwer Academic Publishers, Londres. HARRIS, Z.S. (1968) Mathematical Structures of Language, New-York, John Wiley & Sons. JANSEN, B.J., SPINK, A. & SARACEVIC, T. (2000) « Real Life, Real Users, and Real Needs : A Study and Analysis of User Queries on the Web », In Information Processing & Management, volume 36(2), pp207-227. SALTON, G. & C., BUCKLEY (1990) « Improving retrieval performance by relevance feedback », In Journal of the American Society for Information Sciences, volume 41(4), pp288-297. MAINGUENEAU, D. (1991) L’analyse du discours : introduction aux lectures de l’archive, Hachette, Paris. VOORHEES, E. (1993) « On expanding query vectors with lexically related words », In Donna K. Harman (ed.), TREC-2 (Text REtrieval Conference), pp223-231. VOORHEES, E.M. (1994) « Query expansion using lexical-semantic relations », In Actes de la 17ème Conférence Annuelle Internationale ACM-SIGIR sur la Recherche et le Développement en Recherche d’Information, Dublin, Irlande, pp61-69.