ACI-MDD
Accès au Contenu Informationnel pour les Masses de
Données de Documents
Description du projet
En quelques années, les grands entrepôts de documents au premier plan desquels, le web se sont multipliés. L’accès à l’information est devenu un enjeu primordial qui nécessite la création de nouveaux outils d’interrogation permettant de couvrir une large gamme de besoins en constante évolution. Pour faciliter cet accès, des formats de documents structurés ont récemment vu le jour et mêlent structure logique, contenu textuel et informations sémantiques, avec en ligne de mire la vision d’un web sémantique. XML s’impose comme langage de notation standard pour ces formats et sert de socle à de nombreuses applications.
Le but du projet est la construction d’outils de recherche et d’extraction d’informations capables d’exploiter la richesse de ces nouveaux formats et en particulier d’utiliser conjointement et pleinement la structure et le contenu. La spécificité de notre approche est de nous appuyer sur des techniques d’apprentissage automatique pour construire des outils génériques et robustes pouvant s’appliquer à de gros corpus de documents structurés mais hétérogènes, et s’adapter à des corpus variés et dynamiques.
Nous adoptons une approche « centrée document» qui vise à offrir des fonctions d’accès permettant d’exploiter pleinement le contenu textuel des documents tout en tirant parti de la sémantique dont peuvent être porteuses les balises structurant ces documents. Nous visons en particulier à conserver l’ensemble des fonctionnalités de systèmes de recherche et d’extraction plein texte, en les enrichissant de nouvelles fonctionnalités qui exploitent la structure des documents ainsi que la sémantique des balises de structuration qui peut être définie relativement à une ontologie (vue comme un vocabulaire structuré et standardisé partagé par une communauté d’utilisateurs).
Nous souhaitons ainsi faire le pont entre les moteurs de recherche tels Google (n’exploitant que le contenu textuel) et les approches « centrées données » d’interrogation de documents XML. Ces approches considèrent les documents XML comme des données semi-structurées qu’on interroge presque exclusivement via leur structure -supposée connue de l’utilisateur- grâce à des langages de requêtes très sophistiqués tels que Xquery mais qui n’offrent que des fonctionnalités très limitées concernant l’interrogation par le contenu.
Le projet est articulé autour de trois thématiques clé de l’exploitation conjointe structure-contenu qui sont : les fonctions de recherche d’information avec comme application le développement d’un moteur de recherche centré contenu sur des corpus XML, les techniques d’extraction d’information qui doivent permettre de peupler des bases de données à partir de l’analyse de la structure et du contenu des documents, les méthodes de classification afin de comparer les documents semi-structurés en se basant sur leur structure et/ou leur contenu, et de les classer dans des classes homogènes prédéfinies ou non. Les trois thématiques sont fortement liées, et posent des problèmes de recherche fondamentale très largement ouverts en recherche/ extraction d’information et en apprentissage.
Au niveau applicatif, le projet vise la construction de prototypes pour la recherche et l’extraction d’information dans des corpus de documents XML.
Les méthodes et algorithmes développés seront évalués sur les benchmarks usuels et en particulier sur les corpus créés au sein d’une initiative internationale pour l’évaluation de la recherche d’information XML (INEX), à laquelle nous participons depuis un an.
MOTS CLES : apprentissage automatique, recherche et extraction d'information, documents semi-structurés
Coordinateur du projet
GALLINARI Patrick – Laboratoire d’informatique de Paris 6 (LIP6), UMR 7606 CNRS, Université Paris 6
Partenaires