« Les mots sortent - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Archimag : le magazine des nouvelles technologies en documentation et archivage Année : 2005

« Les mots sortent

Résumé

du lot » : l'extraction d'information, Iris Eshkol, Université d'Orléans et Jean-Paul Taravella L'extraction d'information est une offre qui se structure depuis quelques années en France. Cette technologie répond à un besoin essentiel : permettre de repérer et d'extraire, à moindre coût, certains éléments structurés d'information à partir d'un texte non structuré On connaissait l'extraction principalement par le terme générique de « text mining » (fouille de texte) qui diffère du « data mining » (analyse de base de données structurées). Aujourd'hui les technologies sont matures et les applications sont nombreuses et ciblées. Citons : • L'indexation automatique : Il s'agit d'extraire des mots représentatifs du contenu du texte et d'indexer relativement finement de très gros volumes documentaires (comme par exemple en rétro conversion, ce qui permet aux personnels de se consacrer à d'autres tâches) ; Le classement automatique (sans plan de classement prédéfini) : il s'agit de classer les documents sous différentes thématiques qui sont générées et arborées automatiquement, • L'élaboration d'ontologies, de thésaurus, de terminologies, éventuellement multilingues : il s'agit grâce à l'extraction de mots et leur mise en relation avec des liens typés, d'aider le documentaliste à la découverte d'un domaine et à une première proposition de structuration en « thésaurus ». • Le résumé automatique : l'objectif est d'obtenir une représentation synthétique du texte, avec l'extraction de phrases significatives, • L'aide à la lecture : il s'agit de repérer rapidement dans des gros documents et/ou une grande volumétrie de documents, les mots et les faits recherchés, en contexte (mise en évidence du mot ou du fait dans un paragraphe ou une phrase) • La recherche et la navigation en moteur de recherche : il s'agit d'identifier des catégories de mots présents dans la liste des résultats produits lors d'une recherche (toutes les « organisations », toutes les « personnes », etc. présentes dans cette liste) afin d'affiner ou d'étendre la recherche 1 Les grands domaines utilisateurs sont donc ceux qui réclament une analyse de gros volumes textuels et une restitution sous forme structurée et synthétique : la « Relation Client », opérée par la direction Marketing ou Qualité qui souhaite une analyse automatique des e-mails ou des forums par exemple, afin de distinguer automatiquement des tendances d'expression positives et négatives sur un sujet ou un produit. Une autre application encore peut être l'analyse prédictive sur le client, en utilisant toutes les informations disponibles structurées et désormais non structurées sur le client,. Les enquêtes, les CVs, peuvent également être traités de cette même manière en exploitant les rubriques non structurées. Le deuxième grand domaine utilisateur est la veille, opérée par la direction Stratégie ou Recherche qui souhaite découvrir des mots et de relations entre ces mots, qu'il n'attendait pas (« joystik » lié à «mode de conduite» sur le site d'un constructeur automobile) ou qu'il poursuivait expressément (SociétéX rachète SociétéY ; Mr John quitte la SociétéX). Dans tous les cas, si la Direction informatique reste encore l'acheteur principal, les utilisateurs finaux sont très vite concernés pour la mise au point des règles d'extraction selon le domaine concerné (cf. Principes technologiques) et pour l'interface métier selon leur attente de restitution des données extraites. Aujourd'hui les principaux clients sont encore le monde de la santé, les éditeurs de contenu et celui du renseignement qui surconsomme de l'information textuelle. Mais nul doute que la

Mots clés

Domaines

Linguistique
Fichier principal
Vignette du fichier
Article Archimag V2.pdf (26.65 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-01045209 , version 1 (24-07-2014)
hal-01045209 , version 2 (17-07-2015)

Licence

Copyright (Tous droits réservés)

Identifiants

  • HAL Id : hal-01045209 , version 2

Citer

Iris Eshkol, Jean-Paul Taravella. « Les mots sortent. Archimag : le magazine des nouvelles technologies en documentation et archivage, 2005, 182, pp.37-40. ⟨hal-01045209v2⟩
331 Consultations
162 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More