Un modèle statistique pour la classification de documents structurés

: We present a learning model for categorization of structured documents that takes into account both structural information and textual information. We first define a generative model of structured documents using belief networks. Then we transform the generative model into a discriminant one using the Fisher kernel. Finally, we describe an instance of this model applied to the categorization of HTML documents. The experimental application to a classical corpus shows that the use of structural information outperforms other classical models. Le développement du document électronique et du Web ont vu émerger puis s'imposer des formats de données structurés, tels que le SGML et le HTML, permettant de représenter l'information sous une forme plus riche que le simple contenu et adaptée à des besoins spécifiques. Aujourd’hui, des propositions de format comme RdF et des langages de descriptions comme XML sont en train de s’imposer. Ces nouveaux formats permettent de représenter conjointement l’information textuelle et l’information de structure d’un document. A coté de cela, les modèles classiques de recherche d’information et de classification de documents ont été principalement conçus pour traiter des documents plats sans prendre en compte d'aucune manière les informations de structure. En classification de documents qui est le sujet de cet article, la structure du document joue un rôle important. D'une part les mots n'auront pas le même rôle ni la même importance suivant leur place dans le document (titre, mots clé, profondeur, méta-donnée, etc). D'autre part, des documents complexes peuvent appartenir à une classe même si une seule de leurs composantes est pertinente pour cette classe, or, cette information est souvent noyée dans les codages classiques. Quelques travaux commencent cependant à aborder ce problème. Nous nous intéressons ici à la classification de documents structurés avec prise en compte simultanée du contenu et de la structure et proposons deux modèles originaux pour cela. Le premier est un modèle génératif qui utilise le formalisme des réseaux Bayésiens. En 2 Nom de la Revue. Volume X – n° X/2000 s'appuyant sur ce premier modèle, nous construisons ensuite un modèle discriminant en utilisant la technique du noyau de Fisher. L'article est organisé comme suit. Nous faisons tout d'abord un état de l'art sur la classification de documents structurés. Ensuite, nous introduisons la notion de structure de document et proposons un modèle génératif associé à cette structure. Nous montrons ensuite comment créer à partir de ce modèle génératif un modèle discriminant à l’aide du noyau de Fisher. Enfin, nous présentons une série d'expériences sur une base de données de référence. Nous montrons que les deux méthodes utilisant la structure permettent une diminution des erreurs de classification par rapport aux modèles classiques qui travaillent sur des représentations plates, puis nous discutons les perspectives des modèles présentés.