Une approche sémantique pour les documents numériques

L'immense volume de documents numériques disponibles, est devenu une problématique pour l'organisation automatique de ces documents afin de faciliter l'interrogation et l'accès à l'information pertinente. La plupart de ces documents n'ont aucune structuration. Ou bien ils ont une structuration (physique et logique), mais difficile à l'identifier et l'exploiter, ce qui rend pénible la récupération des informations pertinentes à partir de ces documents. Dans notre thèse on s'intéresse à la modélisation structuro-sémantique de la représentation des documents et la mettre dans un format interprétable et exploitable efficacement par les algorithmes de recherche d'information. Afin de retourner les fragments de documents les plus pertinents. Dans notre travail, nous modélisons les collections de documents homogène avec un contenu textuel en langue naturelle, comme les publications scientifiques, les articles et les thèses en format PDF ou Word, et les documents web comme les pages de Wikipédia en format XML