Représentation de collections de documents textuels : application à la caractéristique thématique

The general context of this PhD Thesis is related to the Knowledge Discovery from Textual Documents, called Text Mining. This work treats the problems of Document Modeling and Textual Knowledge Representation. It is interested in document collections related to different thematics. This PhD Thesis works out a Representation Model and a System allowing automatic extraction of information on the thematics. It is shown that the approaches based on Term Associations are adapted to this context. However, these approaches are limited by problems related to the model and knowledge to be retained. For the development of the representation model, the association term model is extended. The concept of context is studied and a new criterion called « context sharing » is defined. The objective is to represent the most possible knowledge which are exploited for a relevant representation of the contents and the information hidden in the texts. A system called IC-DOC is implemented, this last exploits the representation model in a new environment of Knowledge Extraction from Textual Documents. A series of experimentations and validations on various textual document collections are realized with IC-DOC system. Two applications are considered. The first is interested in the Thematic Characterization. The second extends the first for a Textual Knowledge Cartography.Ce travail de thèse s'inscrit dans le contexte d'extraction de connaissances à partir de documents textuels, appelé Fouille de textes (FdT) ou Text Mining (TM). Ce mémoire s'articule autour des problématiques liées à la modélisation de documents et la représentation de connaissances textuelles. Il s'intéresse à des collections de documents qui abordent des thématiques différentes. Le mémoire s'attache à élaborer un modèle de représentation et un système permettant d'extraire automatiquement des informations sur les différentes thématiques abordées mais également des mécanismes offrant la possibilité d'avoir des aperçus sur les contenus. Il est montré que les approches basées sur les associations de termes sont adaptées à ce contexte. Cependant, ces approches souffrent de certaines lacunes liées au choix du modèle et de la connaissance à retenir. Pour l'élaboration du modèle de représentation, le choix porte sur l'extension de l'approche d'association de termes. A cet effet, la notion de contexte est étudiée et un nouveau critère appelé « partage de contextes » est défini. Via ce critère, il est possible de détecter des liens entre termes qui n'apparaîtraient pas autrement. L'objectif est de représenter le plus de connaissances possibles. Ces dernières sont exploitées pour une meilleure représentation du contenu et des informations enfouies dans les textes. Un système appelé IC-DOC est réalisé, ce dernier met en oeuvre le modèle de représentation dans un nouvel environnement d'extraction de connaissances à partir de documents textuels. Dans un contexte de veille scientifique, la proposition de ce type de systèmes devient indispensable pour extraire et visualiser de manière automatique l'information contenue dans les collections de documents textuels. L'originalité du système IC-DOC est de tirer profit du modèle de représentation proposé. Une série d'expérimentations et de validations sur divers jeux de données sont réalisées via le système IC-DOC. Deux applications sont considérées. La première s'intéresse à la caractérisation thématique et la seconde étend la première pour une cartographie visuelle de connaissances textuelles