Search

International audience; RÉSUMÉ. Nous proposons une méthode permettant d'extraire automatiquement des chaînes de mots relatives à des opinions à partir de corpus étiquetés. Il s'agit dans un premier temps d'améliorer les performances de systèmes de catégorisation automatique utilisés pour retrou-ver l'opinion (positive, négative ou neutre) rattachée à un texte. Dans un deuxième temps, la visualisation de ces chaînes permet d'avoir un aperçu des critiques fréquemment rencontrées. Cette méthode est testée sur des corpus en français ou en anglais de critiques de jeux vidéo et de films et sur un corpus d'enquêtes téléphoniques de satisfaction clients. Nous présentons des exemples de chaînes de mots extraites et les améliorations observées pour la catégorisation. ABSTRACT. We present a probabilistic method aimed at extracting opinion-related strings from corpora labeled according to customer mind. These strings first allow us to improve text cate-gorization systems according to opinions (positive, negative or neutral). Second, we use them to display easily what are the frequent comments made by customers about products or services. We test the method on two critical corpora written by internet users about video games and movies (respectively in French language and in English language) and on a customer satisfaction phone survey. For each of them, we present some examples of extracted word chains and the observed improvement obtained for opinion-oriented text categorization task. MOTS-CLÉS : apprentissage automatique, classification d'opinion, Deft, extraction de colloca-tions, Movies polarity dataset, questionnaires téléphoniques, SVM.

International audience; — In this paper, we present a new probabilistic method for automatically extracting topic-specific strings in a text categorization context. The advantage of this method is twofold. First, it allows us to automatically point out the expressions characterizing a specific topic category for a potential knowledge modelling. Second, it contributes to improve categorization results by providing to the classifier text spans which are more relevant than isolated words. The novelty of our approach relies thus not only on the method used for topic-specific strings extraction but also on the adaptation of the traditional cosine similarity measure for text categorization. We choose for the evaluation to tackle two different challenging corpora: movie reviews of Internet users, and manual transcriptions of call center conversations. On these two tasks, we observed a gain in the categorization results (between 1 and 8%).

National audience; RÉSUMÉ. Dans cet article, nous présentons une méthode pour automatiquement identifier et structurer hiérarchiquement les titres dans les documents HTML. Bien que la syntaxe HTML propose des balises de titres, l'usage de ces balises dans beaucoup de documents n'est pas correct ou ces balises ne sont pas utilisées. Notre méthode se base sur les propriétés visuelles, telles la taille ou la couleur de la police, obtenues grâce aux feuilles de style (CSS). L'hypothèse est que plus un élément est visible, plus son niveau dans la hiérarchie des titres est élevé. Nous avons extrait du Web un corpus de CSS que nous utilisons dans l'apprentissage d'un modèle de Markov caché. Les premiers résultats donnent une F-Mesure de 0,70 pour la structuration des titres et de 0,86 pour l'identification. ABSTRACT. In this paper, we describe a method to automatically identify titles within Web pages. Although HTML syntax provides specific tags for titles, they are not always correctly used, and sometimes they do not even appear. We use visual clues like font size or colour provided by Cascading Style Sheets in order to retrieve the title hierarchy. The assumption is that the level of an element in the title hierarchy increases with its visibility. We automatically built a CSS corpus by crawling the Web and used it to learn a Hidden Markov Model which identifies titles and their hierarchy. Primary results give a F-Measure of 0.70 for titles structuring and 0.86 for titles identification. MOTS-CLÉS : Hiérarchie des titres, Modèle de Markov Caché, Balises de visibilité, document HTML, Corpus Web.

RÉSUMÉ. Nous proposons dans cet article d'étudier les interactions entre l'extraction de collo- cations et la catégorisation automatique de textes. C'est-à-dire, dans un premier temps, utiliser la répartition des textes dans les différentes classes afin d'extraire des chaînes spécifiques à chacune (calculées par agglutination de collocations) ; puis, dans un second temps, utiliser ces chaînes spécifiques pour améliorer la catégorisation.

RÉSUMÉ . Dans cet article, nous présentons une méthode pour automatiquement identifier et structurer hiérarchiquement les titres dans les documents HTML. Bien que la syntaxe HTML propose des balises de titres, l'usage de ces balises dans beaucoup de documents n'est pas correct ou ces balises ne sont pas utilisées. Notre méthode se base sur les propriétés visuelles, telles la taille ou la couleur de la police, obtenues grâce aux feuilles de style (CSS). L'hypothèse est que plus un élément est visible, plus son niveau dans la hiérarchie des titres est élevé. Nous avons extrait du Web un corpus de CSS que nous utilisons dans l'apprentissage d'un modèle de Markov caché. Les premiers résultats donnent une F-Mesure de 0,70 pour la structuration des titres et de 0,86 pour l'identification.

National audience

International audience; Dans cet article, nous présentons une discussion sur la combinaison de différents scores et critères numériques pour la sélection finale d'une réponse dans la partie en charge des questions factuelles du système de Questions/Réponses développé au LIA. Ces scores et critères numériques sont dérivés de ceux obtenus en sortie de deux composants cruciaux pour notre système : celui de sélection des passages susceptibles de contenir une réponse et celui d'extraction et de sélection d'une réponse. Ils sont étudiés au regard de leur expressivité. Des comparaisons sont faites avec des approches de sélection de passages mettant en oeuvre des scores conventionnels en recherche d'information. Parallèlement, l'influence de la taille des contextes (en nombre de phrases) est évaluée. Cela permet de mettre en évidence que le choix de passages constitués de trois phrases autour d'une réponse candidate, avec une sélection des réponses basée sur une combinaison entre un score de passage de type Lucene ou Cosine et d'un score de compacité apparaît comme un compromis intéressant. Abstract This article discusses combinations of scores for selecting the best answer in a factual question answering system. Two major components of our QA system: (i) relevant passage selection, and (ii) answer extraction, produce a variety of scores. Here we study the expressivity of these scores, comparing our passage density score (i) to more conventional ranking techniques in information retrieval. In addition, we study varying the length (in number of sentences) of context retained in the relevant passages. We find that a three sentences window, and a mixing of Lucene or Cosine ranking with our compactness score (ii) provides the best results.

National audience; RÉSUMÉ. Dans cet article, nous proposons en premier lieu une mesure de la lisibilité adap-tée à des lecteurs dyslexiques en utilisant des caractéristiques issues d'une analyse fine des causes des difficultés de lectures rencontrées. Nous proposons ensuite un cadre pour la prise en compte de la lisibilité dans la mesure de pertinence accordée par les systèmes de recherche d'informations, qui est généralement calculée sur la seule base de la similarité. Ce cadre part de l'hypothèse que les données thématiquement pertinentes existent en nombre suffisant pour qu'on choisisse les plus lisibles. On atteint un taux optimal de prise en compte de la lisibilité de 30% en observant l'évolution des performances dans le cadre de campagnes d'évaluation en recherche documentaire (CLEF) et en résumé (DUC). ABSTRACT. This paper introduces readability constraints in relevance measures for document retrieval and summarisation. The readability constraints are specifically estimated for dyslexic readers. The optimal integration rate is estimated around 30% from the observation of performances on CLEF and DUC evaluation campaigns.

Dans le contexte de la recherche de plagiat, le repérage de citations et de ses constituants est primordial puisqu'il peut amener à évaluer le caractère licite ou illicite d'une reprise (source citée ou non). Nous proposons ici une comparaison de méthodes automatiques pour le repérage de ces informations et rapportons une évaluation quantitative de celles-ci. Un corpus d'écrits journalistiques français a été manuellement annoté pour nous servir de base d'apprentissage et de test.

International audience; La prise en compte des troubles de la communication dans l'utilisation des systèmes de recherche d'information tels qu'on peut en trouver sur le web est généralement réalisée par des interfaces utilisant des modalités n'impliquant pas la lecture et l'écriture. Peu d'applications existent pour aider l'utilisateur en difficulté dans la modalité textuelle. Nous proposons la prise en compte de la conscience phonologique pour assister l'utilisateur en difficulté d'écriture de requêtes (dysorthographie) ou de lecture de documents (dyslexie). En premier lieu un système de réécriture et d'interprétation des requêtes entrées au clavier par l'utilisateur est proposé : en s'appuyant sur les causes de la dysorthographie et sur les exemples à notre disposition, il est apparu qu'un système combinant une approche éditoriale (type correcteur orthographique) et une approche orale (système de transcription automatique) était plus approprié. En second lieu une méthode d'apprentissage automatique utilise des critères spécifiques , tels que la cohésion grapho-phonémique, pour estimer la lisibilité d'une phrase, puis d'un texte.

RÉSUMÉ. Dans cet article, nous proposons en premier lieu une mesure de la lisibilité adap- tée à des lecteurs dyslexiques en utilisant des caractéristiques issues d'une analyse fine des causes des difficultés de lectures rencontrées. Nous proposons ensuite un cadre pour la prise en compte de la lisibilité dans la mesure de pertinence accordée par les systèmes de recherche d'informations, qui est généralement calculée sur la seule base de la similarité. Ce cadre part de l'hypothèse que les données thématiquement pertinentes existent en nombre suffisant pour qu'on choisisse les plus lisibles. On atteint un taux optimal de prise en compte de la lisibilité de 30% en observant l'évolution des performances dans le cadre de campagnes d'évaluation en recherche documentaire (CLEF) et en résumé (DUC).

National audience; Cette article décrit une méthode qui combine des hypothèses graphémiques et phonétiques au niveau de la phrase, à l'aide d'une réprésentation en automates à états finis et d'un modèle de langage, pour la réécriture de phrases tapées au clavier par des dysortho-graphiques. La particularité des écrits dysorthographiés qui empêche les correcteurs orthogra-phiques d'être efficaces pour cette tâche est une segmentation en mots parfois incorrecte. La réécriture diffère de la correction en ce sens que les phrases réécrites ne sont pas à destination de l'utilisateur mais d'un système automatique, tel qu'un moteur de recherche. De ce fait l'éva-luation est conduite sur des versions filtrées et lemmatisées des phrases. Le taux d'erreurs mots moyen passe de 60% à 22% avec notre méthode, et est de 0% sur 43% des phrases testées. Abstract This paper introduces a sentence level method combining written correction and phonetic interpretation in order to automatically rewrite sentences typed by dyslexic spellers. The method uses a finite state automata framework and a language model. Dysorthographics refers to incorrect word segmentation which usually causes classical spelling correctors fail. Our approach differs from spelling correction in that we aim to use several rewritings as an expression of the user need in an information retrieval context. Our system is evaluated on questions collected with the help of an orthophonist. The word error rate on lemmatised sentences falls from 60% to 22% (falls to 0% on 43% of sentences).

RÉSUMÉ . Dans cet article, nous présentons une discussion sur la définition d'un score de compacité pour permettre l'extraction d'une réponse dans un système de Questions/Réponses. Ce score de compacité qui peut être succinctement décrit comme une fonction liée a la densité des termes de la question dans le voisinage d'une réponse candidate, est présenté en détail. Ensuite, une discussion nous amène à envisager une extension de ce score, initialement défini d'un point de vue positionnel, vers un modèle probabiliste ; cela afin de mieux prendre en compte des critères d'importance variable pour les mots de la question. Cette discussion est validée par des expériences où ce critère d'importance est modélisé à l'aide d'un calcul d'IDF (u Inverse Document Frequency »), et nous montrons que nous obtenons des résultats similaires à ceux obtenus lors de notre participation à la campagne d'évaluation EQueR des systèmes de Questions/Réponses.

International audience; Nous proposons et testons deux méthodes de prédiction de la capacité d'un système à répondre à une question factuelle. Une telle prédiction permet de déterminer si l'on doit initier un dialogue afin de préciser ou de reformuler la question posée par l'utilisateur. La première approche que nous proposons est une adaptation d'une méthode de prédiction dans le domaine de la recherche documentaire, basée soit sur des machines à vecteurs supports (SVM) soit sur des arbres de décision, avec des critères tels que le contenu des questions ou des documents, et des mesures de cohésion entre les documents ou passages de documents d'où sont extraits les réponses. L'autre approche vise à utiliser le type de réponse attendue pour décider de la capacité du système à répondre. Les deux approches ont été testées sur les données de la campagne Technolangue EQUER des systèmes de questions-réponses en français. L'approche à base de SVM est celle qui obtient les meilleurs résultats. Elle permet de distinguer au mieux les questions faciles, celles auxquelles notre système apporte une bonne réponse, des questions difficiles, celles restées sans réponses ou auxquelles le système a répondu de manière incorrecte. A l'opposé on montre que pour notre système, le type de réponse attendue (personnes, quantités, lieux...) n'est pas un facteur déterminant pour la difficulté d'une question.

Dans cet article, nous présentons une approche afin de traiter les questions booléennes, c'est-à-dire des questions dont la réponse peut être un Oui ou un Non, cela, dans le cadre d'un système de Questions-Réponses. En effet, la campagne Technolangue-EQueR, première campagne francophone de Questions-Réponses (QR) utilisant des questions et un corpus en français, a également été la première campagne QR à introduire une évaluation pour ce type de questions. Nous détaillons, parallèlement à notre approche, des pistes de réflexion sur les aspects sous-jacents à ces questions booléennes, notamment au travers d'une analyse des résultats obtenus par notre système dans un contexte similaire à celui de notre participation à la campagne officielle. Abstract In this paper, we propose a method to answer to Yes/No questions from a

RÉSUMÉ. Cet article présente le système de Questions/Réponses (sQR) du LIA, ses composants internes (catégorisation des questions, recherche de passages, extraction des réponses) ainsi que les points d'appui en amont des traitements, comme les bases de connaissances ou la prédiction de la capacité à répondre. Tous ces aspects sont observés au travers des performances obtenues lors des campagnes d'évaluation qui permettent d'établir un diagnostic des besoins d'amélioration et d'adaptation des systèmes. L'analyse des résultats intermédiaires des modules de notre sQR, depuis les données de la campagne EQueR, permet d'étudier l'influence de l'utilisation de scores de densité pour la recherche de passage ou de scores de compacité pour l'extraction des réponses. Les bases de connaissances prennent en charge des questions fréquentes et permettent d'apporter une crédibilité supplémentaire à certaines réponses. Enfin, un apprentissage automatique des caractéristiques des questions auxquelles le système a pu répondre lors de la campagne EQueR permet de prédire dans plus de 70% des cas si le système est capable de répondre à une question donnée. ABSTRACT. This paper introduces our Question Answering System. Evaluation campaigns such as TREC or EQueR helped us to better analyse the effects of various features on the main components, and lead us to propose new ones, as density for passages detection or compacity for answer extraction. The framework of the evaluation campaigns gives us some restrictions concerning the questions forms and focus. Some frequent questions may be answered with knowledge bases. In the particular context of evaluation campaigns, it can only validate candidate answers. From our participation at EQueR, we also studies if our system can predict its ability to answer to questions. With a machine learning algorithm using questions features, we show that we can predict with 70% of certainty if the system will be able to answer. MOTS-CLÉS : système de Questions Réponses, Questions Réponses, EQueR, évaluation d'un système de Questions Réponses, densité, compacité, bases de connaissances, prédiction, prédiction de la difficulté d'une question.

National audience; Une difficulté majeure dans l'utilisation d'un système de recherche documentaire est le choix du vocabulairè a employer pour exprimer une requête. L'enrichisse-ment de la requête peut prendre plusieurs formes : ajout de mots extraits automatiquement des documents rapportés, réestimation des poids attribuésà chacun des mots de la requête initiale, etc. Le système de re-cherche documentaire SIAC est utilisé pour extraire un premier jeu de documentsà partir d'une requête. Une méthode de classification non supervisée,à base d'arbres de décision, est ensuite exploitée pour clas-ser les phrases des documents trouvés selon qu'elles contiennent ou non certains mots extraits automa-tiquement de l'ensemble des documents rapportés.À chaque noeud de l'arbre, peutêtre associée une expression booléenne mettant en jeu les mots sélectionnés lors de la classification. Nous montrons,à l'aide des données de la seconde campagne d'évaluation Amaryl-lis, que la réécriture de la requête suivant les expressions booléennes correspondant aux meilleures feuilles permet d'améliorer la précision de la recherche docu-mentaire. Mots Clef Recherche documentaire, enrichissement de requête, classification automatique, arbres de décision non su-pervisés. Abstract Natural language query formulation is a crucial task in the information retrieval (IR) process. Automatic expanding and refining of queries can be realized in different ways : extracting some words from top retrieved documents (retrieval feedback) or from thesauri, computing new query term weights according to top retrieved documents... In this paper, the information retrieval system SIAC is employed to obtain an initial set of documents from a query. Then, a classification method employing unsupervised decision trees (UDTs) is performed to classify the document retrieved sentences according to some words extracted automatically from these documents (some sentences contain the chosen words, some do not). A boolean expression composed of these selected words is directly associated to each decision tree node. This paper shows that expanding queries with the words connected with the best nodes allows to significantly improve retrieval precision.