Extraction d'expressions et mise en réseau d'un corpus - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2017

Extraction d'expressions et mise en réseau d'un corpus

Résumé

La méthode proposée s’intéresse à l’analyse de corpus de textes en histoire. Elle vise à produire un réseau pondéré de documents liés par co-occurrences de mots-clés. L’historien est majoritairement confronté à des textes non-structurés au sens informatique du terme, organisés en corpus. Le corpus est le résultat d’un choix et d’une sélection cohérente ; son contenu est connu qualitativement (lu voire analysé). L’analyse quantitative associée aux connaissances de l’historien se révèle un puissant outil heuristique : elle permet la mise en évidence de nouvelles hypothèses de recherche ou en confirme d’autres déjà établies. Pour cela il faut faire l’hypothèse d’une analyse sans apprentissage ni pré-traitement, centrée sur le contenu du corpus, sans orientation a priori. La mise en évidence de signaux faibles (co-occurrences d’expressions complexes) permet une analyse fine s’adressant à un spécialiste. Des inférences « bas-niveau » (calcul statistiques) pondèrent les liens de co-occurrences, laissant à l’historien les inférences « haut niveau » : l’interprétation. Le processus se divise en : 1) la gestion du corpus, 2) l’extraction d’expression-clé, 3) la supervision des résultats, 4) le calcul de pondération et création des liens. La gestion du corpus (1) peut selon le volume et hétérogénéité faire appel à un factorisation de matrice non-négative, l’extraction (2) est réalisé par un algorithme type C-value inspiré d’ANA (Enguehard, 1993) et propose de construire des catégories avec Wikipedia, la création et pondération des liens (4) est inspiré des fonctionnements de MED (Bu, 2010) et TF-IDF avec effets de seuils. La réduction du graphe multiple (chaque co-occurrence donne un lien entre 2 noeuds) à un graphe de liens simples (lien unique entre 2 nœuds) ainsi que la définition de seuils sur la pondération du lien (logique floue) permet de construire des vues du graphe en adaptant le niveau de détails.
Fichier principal
Vignette du fichier
eda-madics-2017.pdf (85.91 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01529212 , version 1 (30-05-2017)

Identifiants

  • HAL Id : hal-01529212 , version 1

Citer

Matthieu Quantin, Benjamin Hervy, Florent Laroche. Extraction d'expressions et mise en réseau d'un corpus. 13es journées sur les Entrepôts de Données et l’Analyse en ligne (EDA 2017): "Business Intelligence & Big Data", May 2017, Lyon, France. pp.167-168. ⟨hal-01529212⟩
336 Consultations
110 Téléchargements

Partager

Gmail Facebook X LinkedIn More