Une approche algébrique pour la recherche d'information structurée

L'objectif principal d'un SRI classique est de retrouver les documents dont le contenu est conforme à une requête donnée. Dans cette optique, les documents sont représentés par un ensemble de mots-clés décrivant leurs contenus. La structure du document n'est pas prise en considération ni au niveau de la requête, ni au niveau de la réponse pour retourner les parties pertinentes : la réponse à une requête reste le document tout entier. Aujourd'hui, l'utilisation de l'information apportée par la structure devient une nécessité dans le domaine d'accès à l'information. Cette nécessité provient d'un type de document qui est très bien répandu sur Internet, utilisé comme un standard d'échange sur le Web : le langage XML (eXtensible Markup Langage) qui est utilisé comme format de données structurées sur le Web, et qui impose au SRI de retrouver des unités d'information qui ne sont pas nécessairement le document entier. L'appariement document/requête doit alors être réalisé d'une façon telle que les granules documentaires dont la structure présente de légères différences avec la structure de la requête reçoivent un score. Il peut également être vu comme l'inverse de l'effort nécessaire pour la construction incrémentale d'un arbre à partir d'un autre. Grâce à la flexibilité apportée par la phase d'indexation, nous avons défini un algorithme basé sur le principe de relaxation des requêtes, qui permet de comparer les arbres requête et documents et de retourner les sous arbres potentiellement pertinents. Selon les sous arbres retournés à chaque document, nous avons défini une fonction de ressemblance entre la requête et le document. Cette fonction est une agrégation du score provenant de la structure et celui provenant du contenu des documents XML traités. L'algorithme que nous proposons pour la comparaison d'arbres permet de localiser les sous arbres similaires à l'arbre représentant la requête. Ce premier appariement permet de fournir des scores orientés structure dans une échelle hautement graduée. En effet, l'extension que nous appliquons sur les représentations du document et de la requête et qui constituent le point de départ de notre algorithme de recherche augmentent la structure par des liens de descendance pondérés. L'algorithme de recherche de structures pertinentes est basé sur les valeurs de ses liens. Les structures sont plus pertinentes que les fragments sont plus larges, plus ramifiés et plus réels (si les poids des liens de descendance sont plus élevés). Le traitement du contenu est réalisé indépendamment de la structure. La séparation entre les deux types d'appariement permet de mesurer l'impact de chacun. Nous nous sommes basés sur les modélisations arborescentes des documents XML. Cette modélisation permet de façon naturelle de traiter la structure et le contenu d'un document XML d'une manière indépendante. L'objectif principal de notre méthode est de combiner l'information portée par la structure et celle portée par le contenu. On distingue dans la littérature deux principes courants, la plupart des modèles de RI utilisent la propagation des scores : on propage le score d'un noeud pertinent à une requête (en terme de contenu) à ses ancêtres. Les autres modèles se basent sur la propagation du contenu : au lieu de la propagation du score, on propage le contenu d'un noeud à un autre via les liens de descendance et on calcule son score indépendamment. Nous adoptons deux manières pour propager le texte d'un noeud feuille à ces ancêtres, la première se base sur la profondeur (le seul critère considéré dans la littérature), la deuxième se base sur la profondeur et la largeur (exprimé en fonction du nombre de fils) d'un document XML. Nous nous sommes basés sur la séparation entre le traitement du contenu et de la structure. Cette séparation nous a permis de tirer profit des techniques de comparaison d'arbres pour le traitement de la structure, et des techniques de recherche d'information pour traiter le contenu. D'autre part, elle nous a été bénéfique pour mesurer l'apport de chaque orientation de recherche. Par ailleurs, et dans des conditions réelles d'utilisation, la séparation entre le contenu et la structure permet une utilisation plus libérée du système, en effet l'utilisateur pourra orienter sa recherche vers le contenu ou la structure selon son besoin en information. Le traitement séparé du contenu et de la structure de chaque élément XML engendre deux scores : un score pour le contenu et un score pour la structure. Leur combinaison en un score définitif permet de les ordonner selon leur pertinence potentielle. Nous avons développé deux techniques pour la combinaison des scores : une technique basée sur une combinaison linéaire et une deuxième technique basée sur les distributions des scores. L'évaluation de notre modèle, grâce au prototype que nous avons développé, montre l'intérêt de nos propositionsThe main goal of a traditional SIR is to find the documents whose contents are in conformity with a given request. In view of that, the documents are represented by a whole of key words describing their contents. The structure of the document is not taken into account neither on the level of the request, nor on the level of the answer to turn over the relevant parts; the answer to a request is the entire document. Today, the use of structured information becomes a need in the field of information access.This need is due to a type of document which is very quite widespread on Internet and used like a standard of exchange on the Web. This standard known as XML (extensible Markup Langage) is used as format of data structured on the Web; it forces the SIR to find information units which is not necessarily the whole document. The pairing document/request must then be carried out just as the documentary granules where the structure presents light differences with the request structure a score. It can also be seen like the opposite of a required effort for incremental tree construction from another one. Thanks to the flexibility brought by the indexing phase, we defined an algorithm based on the principle of the request relieving, which makes it possible to compare the tree and document requests and to return sub trees potentially relevant. According to the sub trees returned to each document, we defined a resemblance function between the request and the document. This function is an aggregation of the score coming from the structure and the contents of treated XML documents. The algorithm which we propose for the tree's comparison makes it possible to locate sub trees similar to the tree representing the request. This first pairing makes it possible to provide directed scores structure in a highly graduated scale. Indeed, the extension that we apply to the representations of the document and the request and which constitute the starting point of our algorithm of research increase the structure by balanced bonds of descent. The algorithm of research of relevant structures is based on the values of its bonds. The structures are more relevant than the fragments broader, are ramified and more realities (if the weights of the descent bonds are higher). The treatment of the contents is carried out independently of the structure. The separation between the two pairing types makes it possible to measure the impact of each one. We are ourselves on arborescent modelings of XML documents. This modeling allows in a natural way to treat the structure and the contents XML document in an independent way. The objectif our method is to combine the information carried by the structure and that carried by the contents. We distinguish in the literature two current principles; the majority of the models of IH use the score's propagation: we propagate the score of a relevant node at a request (in term of contents) with his ancestors. The other models are based on the propagation of the contents: instead of the propagation of the score, we propagate the contents of a node with another via the bonds of descent and we calculate his score independently. We adopt two manners to propagate the text of a node breaks into leaf with these ancestors, the first is based on the depth (the only criterion considered in the literature), the second is based over the depth and the width (expressed according to the number of wire) of a XML document. We are based on a separation between the treatment of the contents and the structure. This separation enabled us to benefit from the comparison techniques of trees for the treatment of the structure, and the search techniques for information to treat the contents. Thus, it was beneficial to us to measure the contribution of each research orientation. In addition, and in real use conditions, separation between the contents and the structure more released use of the system allows, indeed the user will be able to direct his research towards the contents or the structure according to his requirement in information. The separate treatment of the contents and the structure of each XML element generate two scores: a score for the contents and a score for the structure. Their combination in a final score allows ordering them according to their potential relevance. We developed two techniques for the combination of the scores: a technique based on a linear combination and a second one based on the distributions of the scores. The evaluation of our model, thanks to the developed prototypes, shows the interest of our proposal