Les méthodes de fouille de textes appliquées au traitement de publications scientifiques

44 Pages·2017·5.34 MB·French

Les méthodes de fouille de textes
appliquées au traitement de
publications scientifiques :
une illustration autour de l'archive ISTEX
Pascal CUXAC
INIST-CNRS
Vandœuvre-lès-Nancy
[email protected]
ANR-10-IDEX-0004-02
http://orcid.org/0000-0002-6809-5654
https://www.researchgate.net/profile/Pascal_Cuxac
https://sites.google.com/site/pascalcuxac
1
Atelier VADOR 15 Mai 2018 Rennes
Internet : vecteur de diffusion
Accès aux publications :
Éditeurs
●
Bibliothèques
●
Portails
●
Archives
●
Open-access (transversal)
●
Usages documentaires vs « fouille de textes » :
Document par document
●
Corpus de documents
●
Cuxac P., Collignon A. : ISTEX, un projet national d'archives documentaires : au-delà de l'accès au 
texte intégral, l'enrichissement des données par méthodes de fouille de textes. Colloque "Analyser la 
science : les bibliothèques numériques comme objet de recherche" in 85e Congrès ACFAS, 08-09 Mai 
2017, U. McGill, Montréal, Canada. 2
Atelier VADOR 15 Mai 2018 Rennes
Au début sont les textes…
Réservoir de documents → Un corpus
Qualité du corpus
●
Qualité des données
●
Dédoublonnage
●
Formats (Txt, xml, pdf…) ?
TXT :  mais pas de structure
●
XML : mais si sources multiples DTD multiples → 
●
homogénéisation
PDF : transformation PDF→TXT ou mieux PDF→XML 
●
(grobid, pdfx...et autres)
Format image : OCR
●
ISTEX (www.istex.fr) :
Métadonnées + Texte intégral
●
Présence de Txt
●
Présence de TEI + Mods
●
Formats images OCRisés
●
Cuxac P., Thouvenin N. : Archives numériques et fouille de textes : le projet ISTEX, TextMine, 
Atelier EGC, 24 janvier 2017, Grenoble.
3
Atelier VADOR 15 Mai 2018 Rennes
La fouille de textes
Méta-données : 
Titre, auteurs, affiliations
●
Résumé
●
Mots clés
●
Source (journal, volumaison, 
●
date...) 
Contenu (texte intégral) : 
Texte
●
Structure
●
Tableaux
●
Figures
●
Remerciements 
Références bibliographiques 
(citations) 
4
Atelier VADOR 15 Mai 2018 Rennes
Une première problématique : les
affiliations
Instutute for Scientific and 
C R Techniqal Information, 
O
e /
h
a p Vand&uvre, Frence
g r
o
h
O r t
Institute for Scientific and 
Inst. of Scientific & 
Technical Information, 
Abbrev.
Technical Information, 
Vandœuvre, France
France
Err
e
ur
s
Institute for Scientific and 
Exemple du WoS: LORIA – Nancy - France Technical Information, 
Nancy, France
5
Atelier VADOR 15 Mai 2018 Rennes
Les affiliations : 
desambiguïsation/homogénéïsation
La désambiguïsation des affiliations est une étape essentielle avant toute 
analyse scientométrique.
Liste d'autorités (e.g. VIAF1, ISNI2…)
Comment les construire ?
Comment les mettre à jour ?
Comment s'assurer de leur utilisation ?
Quand ces listes existent on peut appliquer des approches 
d'apprentissage supervisé
Mais sinon  ?...
1 -Virtual International Authority File : http://viaf.org
2 - International Standard Name Identifier : http://www.isni.org
6
Atelier VADOR 15 Mai 2018 Rennes
Les affiliations :
approche par apprentissage supervisé
Exemple d'un algorithme Bayésien Naïf  :
Soit C un ensemble de classes d'affiliations
C = {C ;C  ;…;C }
1 2 n
Le problème consiste à affecter à une affiliation une de ces catégories
La formule de Bayes pour une affiliation donné 'a' permet de calculer sa 
probabilité d'appartenance à une classe particulière 'c'
P(a∣c)∗P(c)
P(c∣a)=
P(a)
On peut simplifier en supposant que l'on a une distribution aléatoire la 
probabilité d'une affiliation 'a' connaissant la classe 'c' est :
∏
P(a∣c)= P(w ∣c)
i
En appliquant le théorème de Bayes on peut classer 'a' dans 'c' : 
c=arg max P(a∣c)P(c)=arg max P(c∣a)
7
Atelier VADOR 15 Mai 2018 Rennes
Les affiliations :
approche par apprentissage supervisé
Resultats avec NB
Obtenu en utilisant les mots des affiliations (séparation par 'espace'), 
et avec des N-grammes (N=7)
  Recall Precision F-measure
N-gram 0.92 0.94 0.93
Words 0.81 0.88 0.85
Du  fait  de  problèmes  d'individualisation  des  mots  des  affiliations 
dans le jeu de données, les résultats avec un N-gramme donnent 
de meilleurs résultats.
8
Atelier VADOR 15 Mai 2018 Rennes
Les affiliations :
approche par apprentissage semi-supervisé
Étape 1 : application d'une méthode de clustering recouvrante (K-means 
axiales1 / OKM2 )
Étape 2 : nous ne retenons que les principaux représentants des classes, qui 
sont les documents qui n’appartiennent qu’à une seule classe (noyaux de 
classes). Ces documents sont ensuite utilisés comme corpus d'apprentissage.
Étape 3 : nous calculons les mots les plus représentatifs de chaque classe et 
nous utilisons chacun de ces groupes de mots pour interroger le web (via 
Google). Le site qui représente la réponse la plus pertinente pour une classe 
donnée, est utilisé pour marquer la classe. Si nécessaire, nous procédons à 
une étape de fusion de classes.
Étape 4 : nous entrainons la méthode NB avec le corpus défini dans la phase 
de regroupement et étiqueté par les noms de classes extraits du web. La 
phase de test est réalisée sur le corpus de documents éliminés après la phase 
de classification non supervisée.
9
Atelier VADOR 15 Mai 2018 Rennes
Les affiliations :
approche par apprentissage semi-supervisé
Step 3
Step 1
Step 2
Step 4
Schéma de la méthode de classification semi-supervisée
10
Cuxac P., Lamirel J.C., Bonvallot V. : Efficient supervised and semi-supervised approaches for 
Atelier VADOR 15 Mai 2018 aReffnilniaestions disambiguation. Scientometrics, vol. 97, no 1, p. 47‑58, oct. 2013.