Un outil de détection automatique de thèmes

Vu la quantité de documents numériques disponible sur le Web et la nécessité de mettre au point des techniques de recherche efficaces, les systèmes de recherche d'information font de plus en plus appel aux techniques de Traitement Automatique des Langues (TAL) qui exploitent les informations syntaxiques ou sémantiques, dans le but d’améliorer la qualité des résultats fournis par les moteurs de recherche, (Qristal, Intuition), (Illouz et al., 2000). Les moteurs de recherche actuels « plein texte » sélectionnent l’ensemble des documents contenant les mots-clés de la requête utilisateur. Nombreux sont les documents proposés à l’utilisateur qui ne comportent pas les informations attendues ; parfois même, des documents pertinents ne sont pas retrouvés par les moteurs. Ce manque de pertinence est dû à la méthode d'indexation par mots-clés, qui ne tient pas compte des propriétés linguistiques des textes (syntaxe, sens, genre etc.). Un aspect peu exploité à présent réside dans l’indexation automatique des documents par thèmes. Dans la lignée des méthodes hybrides existantes (Hernandez, 2004), nous allons combiner des méthodes statistiques à des méthodes linguistiques pour identifier automatiquement des thèmes et les proposer comme descripteurs de documents. Dans notre approche, les thèmes textuels constituent les sujets d’un texte, ou d’un fragment de document et sont posés comme agrégats des thèmes phrastiques (Goutsos, 1997). Ainsi, en plus des mots-clés, les documents seront décrits par leurs thèmes. Lors d’une recherche, les termes des requêtes utilisateur seront reliés aux thèmes déjà utilisés pour identifier les documents. Des thèmes associés pourront être proposés à l’utilisateur comme alternative et des documents associés au document consulté (i.e. comportant des thèmes proches) lui seront aussi proposés ; toujours dans une optique d’aide à la lecture et à la navigation.