Représentation vectorielle de documents pour l’indexation de notices bibliographiques

Abstract

Cet article présente la contribution d'eXenSa à l'édition 2016 du DÉfi Fouille de Textes (DEFT) dont la tâche consiste à indexer des documents scientifiques par des mots-clefs, préalablement sélectionnés par des professionnels. Le système proposé est purement statistique et combine une approche graphique et une approche sémantique. La première approche cherche dans le titre et le résumé du document des mots graphiquement proches des mots-clefs du thésaurus. La seconde approche attribue à un nouveau document des mots-clefs associés aux documents du corpus d'entraînement qui lui sont sémantiquement proches. Les deux approches utilisent des représentations vectorielles apprises en utilisant l'algorithme NC-ISC, un algorithme stochastique de factorisation de matrices. Notre approche a été classée première en terme de F-mesure sur deux des corpus de spécialité proposés et deuxième sur les deux autres.ABSTRACT. This article presents the eXenSa contribution to the 2016 DEFT shared task. The proposed task consists in indexing bibliographic records with keywords chosen by professional indexers. We propose a statistical approach which combines graphical and semantic approaches. The first approach defines a document keywords as thesaurus terms graphically similar to terms contained in the title or the abstract of this document. The second approach assigns to document the keywords associated with semantically similar documents in training corpora. Both approaches use vector space models generated using NC-ISC, a stochastic matrix factorisation algorithm. Our system obtains the best F-score on half of the four test corpora and ranks second for the two others.

Les espaces sémantiques de mots-clés : une méthode d’indexation automatique de documents par assignation de mots-clés

“…La méthode développée par l'équipe EXENSA [MAFP16] est une combinaison de deux méthodes complémentaires d'indexation automatique. La première est une approche de type assignation nonsupervisée, basée sur la recherche de similarité graphique (via une analyse des n-gram de caractères) entre les mots-clés contrôlés des thésaurus et le lexique des notices de test.…”

The E3C Project: Collection and Annotation of a Multilingual Corpus of Clinical Cases

“…document, corpus) qui sont caractéristiques de l'unité au regard d'un objectif prédéfini. Elle est généralement exploitée dans l'indexation(Marchand et al, 2016) et le résumé de documents textuels(Gupta & Lehal, 2010). Les mots-clés peuvent dans certains cas être conceptualisés comme un sous-ensemble de méta-données de nature sémantique associées à ces documents.…”