Wikipedia Arborification and Stratified Explicit Semantic Analysis

RÉSUMÉ Nous présentons une extension du procédé d’analyse sémantique explicite de Gabrilovich et Markovitch. À l’aide de leur mesure de parenté sémantique, nous pondérons le graphe des catégories de Wikipédia. Puis, nous en extrayons un arbre couvrant minimal par le biais de l’algorithme de Chu-Liu & Edmonds. Nous définissons une notion de tfidf stratifié, les strates étant, pour une page Wikipédia et un terme donnés, le tfidf classique et les tfidfs catégoriels dans les catégories ancêtres, au sens de l’arbre couvrant minimal. Notre méthode se sert de ce tfidf stratifié, qui favorise les termes qui « survivent » lorsque on passe des pages aux catégories, en se dirigeant vers la racine de l’arbre. Nous l’évaluons par une classification de textes tirés du corpus WikiNews, et constatons qu’elle apporte un gain de précision de 18%. Nous terminons par une série de pistes de recherches futures.