Modèle neuronal tripartite pour la représentation de documents

International audiencePrevious work in information retrieval (IR) have shown that using evidence, such as concepts and relations, from external knowledge resources could enhance the retrieval performance. Recently, deep neural approaches have emerged as state-of-the art models for capturing word semantics that can also be efficiently injected in IR models. This paper presents a new tri-partite neural document language framework that leverages explicit knowledge to jointly constrain word, concept, and document representation learning to tackle a number of issues including polysemy and granularity mismatch. We show the effectiveness of the framework in various IR tasks including word similarity, document similarity, and document re-ranking. MOTS-CLÉS : Recherche d'information sémantique, base de connaissance, apprentissage de re-présentation.De nombreux travaux en recherche d'information (RI) ont montré que l'utilisation des sources d'évidence provenant de ressources sémantiques externes pourrait améliorer la performance de l'appariement. Par ailleurs, les approches neuronales sont devenues des modèles de référence qui permettent de capturer à partir des corpus, la sémantique latente des mots qui peut être injectée dans les modèles RI. Ce papier présente un modèle qui a pour but de réduire le fossé sémantique en RI en combinant ces deux sources d'évidence. C'est un modèle neuronal tripartite pour la représentation sémantique de documents qui exploite des connaissances expli-cites pour régulariser conjointement l'apprentissage de représentations des mots, des concepts et des documents. Nous montrons l'efficacité de notre modèle sur différentes tâches de RI