Regroupements non-disjoints de mots pour la classification de documents
Résumé
La classification automatique de documents est un domaine d'étude en plein essor dans le domaine du Traitement et de la Recherche d'Information (RI). Dans un cadre supervisé, il s'agit alors d'entraîner un modèle de classifieur sur un corpus de documents étiquetés. La difficulté majeure consiste à représenter les documents par un nombre limité et suffisant d'attributs. Dans cet article, nous proposons une méthode de regroupement de mots, basée sur l'algorithme PoBOC (Pole-Based Overlapping Clustering) autorisant les recouvrements entre les groupes. Ainsi, chaque mot initial peut appartenir à un ou plusieurs attributs terminaux. Les expérimentations menées sur le corpus Reuters ont permis de montrer que cette méthode de regroupements non-disjoints induit, sous de bonnes conditions, une amélioration de la précision du classifieur.