Techniques linguistiques et formelles pour l'accès à des textes structurés

Le commerce électronique a besoin d'outils pour améliorer la mise en correspondance entre le client et le fournisseur. Lorsque le produit est informationnel, les technologies de l'information devraient être à même de jouer un rôle prépondérant dans cette tâche.

Un important acteur du monde du savoir désire développer un site innovant de diffusion du savoir, fondé sur un grand ensemble de textes rédigés en français.

Afin d'apporter à l'internaute la meilleure expérience possible du site (accès intuitif et rapide à l'information) et de s'assurer de sa fidélité, on désire développer des mécanismes inédits de recherche, de navigation et de proposition de contenu. Ces mécanismes tireront principalement parti de l'analyse du contenu structuré (c'est-à-dire où la structure du texte jusqu'au niveau paragraphe est balisée pour un ordinateur).

Pour cela on cherche à développer un programme de recherche dont le but est de tirer parti des travaux en linguistique informatique et en représentation conceptuelle du contenu. Il exploitera ces deux axes de la manière suivante :

• Les techniques linguistiques et/ou statistiques permettent l'extraction de traits pertinents à partir d'un corpus de documents fortement structurés (non seulement par les titres, mais encore par les références bibliographiques, les index et autres notes). La constitution de lexiques (ou de structures globales) à partir des textes peut être envisagée. Ces structures pourront être des terminologies provenant de l'analyse linguistique du corpus, des terminologies provenant des index des documents, de terminologies ou encyclopédies externes. Elles devront être utilisées de multiples manières (par exemple, pour établir le niveau de difficulté ou le domaine d'un texte, pour l'indexer, pour en réduire l'ambiguïté ou pour rechercher des synonymes dans l'indexation en texte intégral et surtout pour rechercher dans les textes les structures formelles les plus à même de les décrire). L'emploi de thésaurus par domaines devrait permettre de réduire encore l'ambiguïté.
• Une approche de l'indexation conceptuelle manuelle des ouvrages par des structures formelles pourra se fonder sur les travaux actuellement menés sur la représentation du contenu des documents et la notion d'ontologie. Mais d'autres pistes sont parfaitement envisageables fondées sur la connaissance plus approfondie que les producteurs de contenu ont de leur fonds. L'annotation des documents pourra ainsi être réalisée à partir de mots-clefs choisis ou par une représentation formelle de traits saillants des textes (par exemple, de leurs résumés). S'agissant d'essais, il peut sembler raisonnable de représenter la thèse sous forme de contenu argumentatif, s'agissant de guides pratiques on peut songer à représenter la méthode employée… Cette voie nécessitera de développer une ou plusieurs " ontologies " liées au corpus et destinées à représenter certains aspects du contenu des textes. Il faudra ensuite indexer (pour l'instant manuellement) les textes avec ces représentations.

Il est souhaité que les deux approches soient considérées de manière conjointe. En particulier, les traits extraits des documents peuvent parfaitement nourrir la représentation conceptuelle qui peut elle-même être exploitée pour épauler les traitements linguistiques. Le travail proposé a l'intérêt de proposer un corpus conséquent pour expérimenter les techniques proposées et faire ainsi avancer l'état de l'art.

Les travaux s'effectueront en liaison étroite avec l'industriel (dispositif CIFRE) et en co-tutelle avec deux responsables: Laurent Romary (LORIA) pour l'aspect informatique linguistique et Jérôme Euzenat (INRIA Rhône-Alpes) pour l'aspect représentation conceptuelle.

Université: École doctorale mathématiques et informatique, Université Joseph-Fourier, Grenoble ou
Université de Nancy 1

Spécialité: informatique linguistique, intelligence artificielle

Connaissances utiles: informatique linguistique

co-Directeurs de thèse:

Jérôme Euzenat (Jerome . Euzenat A inrialpes . fr) INRIA Rhône-Alpes 655 avenue de l'Europe, 38330 Montbonnot Saint-Martin, France +33 476 61 53 66 (tél) - +33 476 61 52 07 (fax)

Laurent Romary (Laurent.Romary@loria.fr) Laboratoire LORIA BP 239, 54506 Vandoeuvre Lès Nancy, France +33 3 83 59 20 37 (tél) - +33 3 83 41 30 79 (fax)