Projet M2 IM - Introduction aux Topic Models

Parmi les différents types de données, on trouve notamment une immense quantité de textes provenant d’Internet : on voudrait être capable d’analyser ces textes pour en tirer, sous forme condensée, l’information la plus pertinente possible. C’est dans ce cadre qu’ont été introduits les Topic Models : il s’agit de comprendre la structure sous-jacente d’un corpus de textes en dégageant des thèmes, ou topics, supposés présents dans le corpus mais non connus à l’avance. Au départ empiriques, puis basés sur une décomposition matricielle, les Topic Models ont connu une progression majeure lorsqu’on a pu leur donner une base entièrement probabiliste [5]. Ce sont ces modèles probabilistes qui nous intéressent ici : les thèmes sont alors considérés comme des variables aléatoires latentes (i.e. non observées) qui permettent de générer un corpus de textes. Leur force réside dans le fait qu’ils peuvent fournir des informations bien plus fines qu’un simple résumé du corpus, par exemple en prenant en compte la polysémie, c’est-à-dire la possibilité pour un mot d’appartenir à plusieurs thèmes.