Proposition & Implémentation d’heuristiques pour identifier la nature des documents recherchés

Abstract

La recherche d’information (RI) est un vaste domaine d’études apparu dans les années 60, et qui n’a cessé d’évoluer dans le but de rationaliser le processus complexe permettant l’identification, au sein de volumes de plus en plus importants d’informations, celles qui sont potentiellement intéressantes pour l’utilisateur. Cette évolution a été tout d’abord marquée par l’émergence d’approches pour la modélisation de l’accès à l’information, assujetties à des méthodologies d’évaluation de leur efficacité. Les systèmes de la RI, ont pour objectif de retrouver une information pertinente par rapport à une requête dans une grande collection de documents (recherche d'information structurée, recherche d'information textuelle et l'information visuelle/sonore) en établissant une correspondance entre l’information disponible et celle recherchée par l’utilisateur. Traditionnellement, l’estimation de degré de pertinence d’un document à l’égard d’une requête se résume à une opération d’appariement entre leurs termes. Cette stratégie traditionnelle consiste à représenter la requête et le document par un vecteur selon les termes observés, et à mesurer la similarité entre eux. L’inconvénient majeur des modèles classiques, réside dans le fait qu’ils induisent une manipulation des concepts de manière indépendante, ce qui ne correspond pas à la réalité. Il a aussi été observé que cette façon d’évaluer le degré de pertinence ne considère que le document et la requête, et tous les autres éléments entourant la recherche sont ignorés [Or, l’estimation de la pertinence d’un document pour une requête est fortement dépendante du contexte dans laquelle la recherche est effectuée, citant par exemple ; le but de la recherche, les connaissances de l’usager, les informations déjà disponibles, etc. Les méthodes statistiques basées sur des corpus, au lieu de celles basées sur des connaissances préétablies, ont eu de grands succès dans la linguistique informatique [Manning99]. Le domaine de recherche d’information s’est beaucoup inspiré du succès des méthodes statistiques en linguistique informatique. Dans une certaine mesure, la RI a des choses en commun avec la linguistique informatique : Les deux domaines possèdent de grandes masses de textes, ce qui permet d’entraîner des modèles statistiques. Le terme ’’modèle de langue’’ est emprunté de la linguistique informatique, où l’objectif d’un modèle de langue est de capter les régularités linguistiques par une ou plusieurs fonctions probabilistes. Le rôle des moteurs de recherche, dans ce contexte, est devenu prépondérant sans eux, il est pratiquement impossible de rechercher et de retrouver une information. Le web, grâce à sa simplicité d’édition et de consultation, a rendu l'Internet convivial et accessible à tous, de ce fait de nombreux outils de recherche d’information, ont été développés pour explorer le web d’une manière à minimiser une partie des difficultés de recherche. Les moteurs recherche actuels propose avec Google l’exemple le plus frappant. Le besoin derrière une recherche sur le Web varie entre les trois types qu’on peut déclarer : informationnel, navigationnel et transactionnel. C’est dans ce contexte que se situe notre travail.