{ "paper_id": "F14-1002", "header": { "generated_with": "S2ORC 1.0.0", "date_generated": "2023-01-19T10:22:32.452148Z" }, "title": "Influence des domaines de sp\u00e9cialit\u00e9 dans l'extraction de termes-cl\u00e9s", "authors": [ { "first": "Adrien", "middle": [], "last": "Bougouin", "suffix": "", "affiliation": {}, "email": "" }, { "first": "Florian", "middle": [], "last": "Boudin", "suffix": "", "affiliation": {}, "email": "" }, { "first": "B\u00e9atrice", "middle": [], "last": "Daille", "suffix": "", "affiliation": {}, "email": "" } ], "year": "", "venue": null, "identifiers": {}, "abstract": "Les termes-cl\u00e9s sont les mots ou les expressions polylexicales qui repr\u00e9sentent le contenu principal d'un document. Ils sont utiles pour diverses applications, telles que l'indexation automatique ou le r\u00e9sum\u00e9 automatique, mais ne sont pas toujours disponibles. De ce fait, nous nous int\u00e9ressons \u00e0 l'extraction automatique de termes-cl\u00e9s et, plus particuli\u00e8rement, \u00e0 la difficult\u00e9 de cette t\u00e2che lors du traitement de documents appartenant \u00e0 certaines disciplines scientifiques. Au moyen de cinq corpus repr\u00e9sentant cinq disciplines diff\u00e9rentes (arch\u00e9ologie, linguistique, sciences de l'information, psychologie et chimie), nous d\u00e9duisons une \u00e9chelle de difficult\u00e9 disciplinaire et analysons les facteurs qui influent sur cette difficult\u00e9.", "pdf_parse": { "paper_id": "F14-1002", "_pdf_hash": "", "abstract": [ { "text": "Les termes-cl\u00e9s sont les mots ou les expressions polylexicales qui repr\u00e9sentent le contenu principal d'un document. Ils sont utiles pour diverses applications, telles que l'indexation automatique ou le r\u00e9sum\u00e9 automatique, mais ne sont pas toujours disponibles. De ce fait, nous nous int\u00e9ressons \u00e0 l'extraction automatique de termes-cl\u00e9s et, plus particuli\u00e8rement, \u00e0 la difficult\u00e9 de cette t\u00e2che lors du traitement de documents appartenant \u00e0 certaines disciplines scientifiques. Au moyen de cinq corpus repr\u00e9sentant cinq disciplines diff\u00e9rentes (arch\u00e9ologie, linguistique, sciences de l'information, psychologie et chimie), nous d\u00e9duisons une \u00e9chelle de difficult\u00e9 disciplinaire et analysons les facteurs qui influent sur cette difficult\u00e9.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Abstract", "sec_num": null } ], "body_text": [ { "text": "Un terme-cl\u00e9 est un mot ou une expression polylexicale qui repr\u00e9sente un concept important d'un document auquel il est associ\u00e9. En pratique, plusieurs termes-cl\u00e9s repr\u00e9sentant des concepts diff\u00e9rents sont associ\u00e9s \u00e0 un m\u00eame document. Ils forment alors un ensemble \u00e0 partir duquel il est possible de caract\u00e9riser, synth\u00e9tiser, le contenu du document. Du fait de cette capacit\u00e9 de synth\u00e8se, les termes-cl\u00e9s sont utilis\u00e9s dans de nombreuses applications telles que le r\u00e9sum\u00e9 automatique (D'Avanzo & Magnini, 2005) , la classification de documents (Han et al., 2007) ou l'indexation automatique (Medelyan & Witten, 2008) . Cependant, tous les documents ne sont pas accompagn\u00e9s de termes-cl\u00e9s et leur assignation manuelle est une t\u00e2che co\u00fbteuse. Pour pallier ce probl\u00e8me, de plus en plus de chercheurs s'int\u00e9ressent \u00e0 l'extraction automatique de termes-cl\u00e9s, en t\u00e9moignent les r\u00e9centes campagnes d'\u00e9valuation (Paroubek et al., 2012; Kim et al., 2010) , ainsi que les nombreux travaux \u00e0 ce sujet (Hasan & Ng, 2014) . L'extraction automatique de termes-cl\u00e9s consiste \u00e0 extraire du contenu d'un document les unit\u00e9s textuelles les plus importantes, celles qui permettent de le r\u00e9sumer. Parmi les m\u00e9thodes d'extraction automatique de termes-cl\u00e9s existantes, nous distinguons deux cat\u00e9gories : les m\u00e9thodes supervis\u00e9es et les m\u00e9thodes non-supervis\u00e9es. Dans le cadre supervis\u00e9, la t\u00e2che d'extraction de termes-cl\u00e9s est consid\u00e9r\u00e9e comme une t\u00e2che de classification (Witten et al., 1999) o\u00f9 il s'agit d'attribuer la classe \u00ab terme-cl\u00e9 \u00bb ou \u00ab non terme-cl\u00e9 \u00bb aux termes-cl\u00e9s candidats du document. Une collection de documents annot\u00e9s en termes-cl\u00e9s est utilis\u00e9e pour l'apprentissage d'un mod\u00e8le de classification reposant sur divers traits tels que la fr\u00e9quence du terme-cl\u00e9 candidat ou sa position dans le document. Dans le cadre non-supervis\u00e9, les m\u00e9thodes attribuent un score d'importance aux candidats selon divers indicateurs tels que leur degr\u00e9 de sp\u00e9cificit\u00e9 (Sp\u00e4rck Jones, 1972) ou les relations de coocurrence que leurs mots entretiennent (Mihalcea & Tarau, 2004) . En g\u00e9n\u00e9ral, les m\u00e9thodes supervis\u00e9es sont plus performantes que les m\u00e9thodes non-supervis\u00e9es, mais leur besoin en donn\u00e9es d'apprentissage annot\u00e9es et leur d\u00e9pendance vis-\u00e0-vis du domaine de ces donn\u00e9es d'apprentissage poussent les chercheurs \u00e0 s'int\u00e9resser aux m\u00e9thodes non-supervis\u00e9es.", "cite_spans": [ { "start": 484, "end": 510, "text": "(D'Avanzo & Magnini, 2005)", "ref_id": "BIBREF7" }, { "start": 544, "end": 562, "text": "(Han et al., 2007)", "ref_id": "BIBREF8" }, { "start": 591, "end": 616, "text": "(Medelyan & Witten, 2008)", "ref_id": "BIBREF13" }, { "start": 904, "end": 927, "text": "(Paroubek et al., 2012;", "ref_id": "BIBREF15" }, { "start": 928, "end": 945, "text": "Kim et al., 2010)", "ref_id": "BIBREF12" }, { "start": 990, "end": 1008, "text": "(Hasan & Ng, 2014)", "ref_id": "BIBREF10" }, { "start": 1452, "end": 1473, "text": "(Witten et al., 1999)", "ref_id": "BIBREF21" }, { "start": 1951, "end": 1971, "text": "(Sp\u00e4rck Jones, 1972)", "ref_id": "BIBREF20" }, { "start": 2033, "end": 2057, "text": "(Mihalcea & Tarau, 2004)", "ref_id": "BIBREF14" } ], "ref_spans": [], "eq_spans": [], "section": "Introduction", "sec_num": "1" }, { "text": "Dans cet article, nous nous pla\u00e7ons dans le contexte de l'extraction non-supervis\u00e9e de termes-cl\u00e9s \u00e0 partir de documents de nature scientifique. Faisant l'hypoth\u00e8se que certaines disciplines sont plus difficiles \u00e0 traiter que d'autres, nous pr\u00e9sentons diverses strat\u00e9gies d'extraction de termes-cl\u00e9s puis comparons leurs diff\u00e9rences de performance. Nous d\u00e9terminons ensuite quels sont les facteurs qui influent sur la difficult\u00e9 de la t\u00e2che d'extraction automatique de termes-cl\u00e9s. De la connaissance de ces facteurs peut \u00e9merger le besoin d'utiliser des ressources externes, telles que des th\u00e9saurus, souvent mises de c\u00f4t\u00e9 dans les travaux portant sur l'extraction non-supervis\u00e9e de termes-cl\u00e9s. Cela peut aussi permettre de d\u00e9tecter la difficult\u00e9 en amont de l'extraction de termes-cl\u00e9s afin d'affiner le param\u00e9trage de la m\u00e9thode utilis\u00e9e.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Introduction", "sec_num": "1" }, { "text": "Le reste de cet article est organis\u00e9 comme suit. Dans un premier, temps nous pr\u00e9sentons les collections de donn\u00e9es (section 2) et les m\u00e9thodes d'extraction de termes-cl\u00e9s (section 3) que nous utilisons. Dans un second temps, nous appliquons ces m\u00e9thodes \u00e0 nos collections de donn\u00e9es (section 4), puis nous discutons des diff\u00e9rents facteurs observables (section 5) avant de conclure (section 6).", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Introduction", "sec_num": "1" }, { "text": "Pour ce travail, nous disposons de cinq corpus disciplinaire de notices bibliographiques fournies par l'Inist 1 dans le cadre du projet ANR Termith 2 : arch\u00e9ologie, linguistique, sciences de l'information, psychologie et chimie. Chaque notice contient le titre, le r\u00e9sum\u00e9 et les termes-cl\u00e9s d'un document auquel elle est associ\u00e9e. Les termes-cl\u00e9s sont class\u00e9s en deux cat\u00e9gories :", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Collections de donn\u00e9es", "sec_num": "2" }, { "text": "-les termes-cl\u00e9s d'auteurs, assign\u00e9s librement par les auteurs pour caract\u00e9riser leur production ;", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Collections de donn\u00e9es", "sec_num": "2" }, { "text": "-les termes-cl\u00e9s Inist (en fran\u00e7ais, en anglais ou en espagnol), assign\u00e9s par des indexeurs professionnels selon des r\u00e8gles pr\u00e9cises destin\u00e9es \u00e0 am\u00e9liorer la recherche d'information et \u00e0 homog\u00e9n\u00e9iser l'indexation des notices :", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Collections de donn\u00e9es", "sec_num": "2" }, { "text": "-les termes-cl\u00e9s doivent \u00eatre du m\u00eame niveau de sp\u00e9cificit\u00e9 que celui du document et peuvent parfois \u00eatre accompagn\u00e9s d'un terme-cl\u00e9 plus g\u00e9n\u00e9rique pour le restituer dans son contexte ;", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Collections de donn\u00e9es", "sec_num": "2" }, { "text": "-les termes-cl\u00e9s doivent respecter, autant que possible, le langage de la discipline \u00e0 laquelle appartient le document (termes-cl\u00e9s contr\u00f4l\u00e9s) ; -pour tous les documents d'une m\u00eame discipline, un m\u00eame concept doit \u00eatre repr\u00e9sent\u00e9 par le m\u00eame terme-cl\u00e9 ; -les termes-cl\u00e9s d'un document doivent pr\u00e9senter tous les concepts qui y sont importants, m\u00eame ceux qui sont implicites.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Collections de donn\u00e9es", "sec_num": "2" }, { "text": "Nous utilisons les termes-cl\u00e9s fran\u00e7ais assign\u00e9s par l'Inist. une diversit\u00e9 variable selon les disciplines (de 23,0 % \u00e0 40,6 % de termes-cl\u00e9s diff\u00e9rents). En chimie, la diversit\u00e9 plus importante que pour les autres disciplines, c'est-\u00e0-dire un nombre plus important de termes-cl\u00e9s diff\u00e9rents parmis tous les termes-cl\u00e9s de r\u00e9f\u00e9rence, indique une difficult\u00e9 a priori plus importante. Enfin, il est important de noter la faible proportion de termes-cl\u00e9s apparaissant dans les notices, \u00e0 une flexion pr\u00e8s -rappel maximum pouvant \u00eatre obtenu. Par exemple, dans le corpus de chimie, uniquement trois termes-cl\u00e9s peuvent \u00eatre extraits des notices parmi les 12,8 associ\u00e9s aux notices, en moyenne, en comparant les candidats \u00e0 partir de la racine de leurs mots d\u00e9termin\u00e9es avec la m\u00e9thode de Porter (1980) . Ce dernier point concerne principalement les termes-cl\u00e9s contr\u00f4l\u00e9s, qui peuvent \u00eatre assign\u00e9s \u00e0 un document \u00e0 partir de r\u00e8gles concernant les unit\u00e9s textuelles pr\u00e9sentent dans le document. Ces r\u00e8gles, dites de d\u00e9clenchement, sont d\u00e9finies manuellement par les indexeurs professionnels et ne sont pas disponibles pour ce travail. ", "cite_spans": [ { "start": 791, "end": 797, "text": "(1980)", "ref_id": null } ], "ref_spans": [], "eq_spans": [], "section": "Collections de donn\u00e9es", "sec_num": "2" }, { "text": "Dans les travaux pr\u00e9c\u00e9dents, deux approches sont fr\u00e9quemment utilis\u00e9es. Soit les m\u00e9thodes s\u00e9lectionnent les n-grammes (filtr\u00e9s) en tant que termes-cl\u00e9s candidats, soit elles s\u00e9lectionnent les candidats par reconnaissance de forme (Hulth, 2003) . Dans ce travail, nous exp\u00e9rimentons trois m\u00e9thodes diff\u00e9rentes : deux m\u00e9thodes conformes aux approches standards et une m\u00e9thode s\u00e9lectionnant les candidats termes obtenus par un extracteur terminologique. Aucun travail portant sur l'extraction automatique de termes-cl\u00e9s n'a, \u00e0 notre connaissance, utilis\u00e9 une telle approche. Compte tenu de la nature (disciplinaire) de nos donn\u00e9es, nous faisons l'hypoth\u00e8se que les candidats termes, tels que d\u00e9finis dans le domaine de l'extraction terminologique, peuvent aussi \u00eatre des termes-cl\u00e9s candidats. Ces trois m\u00e9thodes de s\u00e9lection fournissent des ensembles de candidats de qualit\u00e9s diff\u00e9rentes, ce qui nous permet par la suite d'identifier les facteurs qui influent sur la difficult\u00e9 de l'extraction automatique de termes-cl\u00e9s.", "cite_spans": [ { "start": 230, "end": 243, "text": "(Hulth, 2003)", "ref_id": "BIBREF11" } ], "ref_spans": [], "eq_spans": [], "section": "S\u00e9lection des termes-cl\u00e9s candidats", "sec_num": "3.2" }, { "text": "La s\u00e9lection des n-grammes filtr\u00e9s consiste \u00e0 extraire du document toutes les s\u00e9quences ordonn\u00e9es de n mots, puis \u00e0 les filtrer avec un anti-dictionnaire regroupant les mots fonctionnels de la langue (conjonctions, pr\u00e9positions, etc.) et les mots courants (\u00ab pr\u00e8s \u00bb, \u00ab beaucoup \u00bb, etc.). Dans ce travail, nous suivons Witten et al. (1999) et s\u00e9lectionnons les n-grammes de taille n \u2208 {1..3} ({1..3}-grammes) lorsque leurs mots en t\u00eate et en queue ne sont pas pr\u00e9sents dans l'antidictionnaire fourni par l'universit\u00e9 de Neuch\u00e2tel 4 (IR Multilingual Resources at UniNE). La s\u00e9lection des n-grammes est tr\u00e8s exhaustive, elle fournit un grand nombre de termes-cl\u00e9s candidats, ce qui permet de maximiser la quantit\u00e9 de candidats pr\u00e9sents dans l'ensemble des termes-cl\u00e9s de r\u00e9f\u00e9rence, mais ce qui maximise aussi la quantit\u00e9 de candidats erron\u00e9s (bruit\u00e9s).", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "S\u00e9lection des termes-cl\u00e9s candidats", "sec_num": "3.2" }, { "text": "Exemples de {1..3}-grammes s\u00e9lectionn\u00e9s \u00e0 partir de \u00ab bassin moyen du Don \u00bb dans la notice d'arch\u00e9ologie de la figure 1 : \u00ab bassin \u00bb, \u00ab moyen \u00bb, \u00ab Don \u00bb, \u00ab bassin moyen \u00bb et \u00ab moyen du Don \u00bb.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "S\u00e9lection des termes-cl\u00e9s candidats", "sec_num": "3.2" }, { "text": "La reconnaissance de formes consiste \u00e0 s\u00e9lectionner les unit\u00e9s textuelles qui respectent certains patrons grammaticaux. Les termes-cl\u00e9s candidats s\u00e9lectionn\u00e9s par reconnaissance de forme ont l'avantage d'avoir une nature contr\u00f4l\u00e9e avec pr\u00e9cision (p. ex. des groupes nominaux), ce qui les rend plus fond\u00e9s linguistiquement, ainsi que de meilleure qualit\u00e9 que les n-grammes. Dans ce travail, nous utilisons le patron /(NOM | ADJ)+/ afin de s\u00e9lectionner les plus longues s\u00e9quences de noms (noms propres inclus) et d'adjectifs (Hasan & Ng, 2010) .", "cite_spans": [ { "start": 523, "end": 541, "text": "(Hasan & Ng, 2010)", "ref_id": "BIBREF9" } ], "ref_spans": [], "eq_spans": [], "section": "S\u00e9lection des termes-cl\u00e9s candidats", "sec_num": "3.2" }, { "text": "Exemples de /(NOM | ADJ)+/ s\u00e9lectionn\u00e9s \u00e0 partir de \u00ab bassin moyen du Don \u00bb dans la notice d'arch\u00e9ologie de la figure 1 : \u00ab bassin moyen \u00bb et \u00ab Don \u00bb. 1) .", "cite_spans": [], "ref_spans": [ { "start": 151, "end": 153, "text": "1)", "ref_id": null } ], "eq_spans": [], "section": "S\u00e9lection des termes-cl\u00e9s candidats", "sec_num": "3.2" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "similarit\u00e9(c 1 , c 2 ) = c 1 \u2229 c 2 c 1 \u222a c 2 ,", "eq_num": "(1)" } ], "section": "S\u00e9lection des termes-cl\u00e9s candidats", "sec_num": "3.2" }, { "text": "o\u00f9 c 1 et c 2 sont deux termes-cl\u00e9s candidats repr\u00e9sent\u00e9s par des sacs de mots.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "S\u00e9lection des termes-cl\u00e9s candidats", "sec_num": "3.2" }, { "text": "5. L'extraction terminologique effectu\u00e9e depuis tous les documents de chaque collection permet une meilleure pr\u00e9cision lors de la d\u00e9tection des variantes des termes. De plus, la taille des collections entre 80 000 et 150 000 mots est faible pour une extraction terminologique, mais ceci est compens\u00e9 par le haut degr\u00e9 de densit\u00e9 terminologique des collections.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "S\u00e9lection des termes-cl\u00e9s candidats", "sec_num": "3.2" }, { "text": "6. Notons qu'une variante de la pond\u00e9ration TF-IDF est utilis\u00e9e en Recherche d'Information (Robertson et al., 1998; Claveau, 2012, Okapi) . Bien que cette variante est jug\u00e9e plus efficace en Recherche d'Information, celle-ci n'a, \u00e0 notre connaissance, jamais \u00e9t\u00e9 employ\u00e9e pour l'extraction automatique de termes-cl\u00e9s. Notre objectif n'\u00e9tant pas de trouver la meilleure m\u00e9thode d'extraction de termes-cl\u00e9s, nous utilisons la m\u00e9thode originale. ", "cite_spans": [ { "start": 91, "end": 115, "text": "(Robertson et al., 1998;", "ref_id": "BIBREF18" }, { "start": 116, "end": 137, "text": "Claveau, 2012, Okapi)", "ref_id": null } ], "ref_spans": [], "eq_spans": [], "section": "S\u00e9lection des termes-cl\u00e9s candidats", "sec_num": "3.2" }, { "text": "Afin de mesurer l'\u00e9chelle de difficult\u00e9 pour l'extraction automatique de termes-cl\u00e9s en domaines de sp\u00e9cialit\u00e9, nous utilisons la MAP (Mean Average Precision), qui mesure la capacit\u00e9 d'une m\u00e9thode \u00e0 ordonner correctement les termescl\u00e9s de r\u00e9f\u00e9rence parmi tous les termes-cl\u00e9s candidats, c'est-\u00e0-dire \u00e0 extraire en premier des candidats qui sont pr\u00e9sents dans la liste des termes-cl\u00e9s de r\u00e9f\u00e9rence (cf. \u00e9quation 2). Alors qu'il est plus courant d'utiliser la pr\u00e9cision, le rappel et la f-mesures pour comparer les m\u00e9thodes entre elles, notre choix se porte sur la MAP \u00e0 cause du nombre variable de termes-cl\u00e9s de r\u00e9f\u00e9rence assign\u00e9s aux documents par discipline (de 8,0 en linguistique \u00e0 16,6 en arch\u00e9ologie). La MAP \u00e9tant appliqu\u00e9e \u00e0 tous les candidats ordonn\u00e9s et non pas \u00e0 un sous ensemble (p. ex. les 10 premiers, pour la pr\u00e9cision, le rappel et la f-mesure), il ne peut y avoir de biais lorsque nous comparons l'extraction de termes-cl\u00e9s entre deux disciplines. ", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Mesure d'\u00e9valuation", "sec_num": "4.1" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "MAP = 1 DOCUMENTS d\u2208DOCUMENTS ti\u2208extraction(d) \u2229 r\u00e9f\u00e9rence(d) pr\u00e9cision@i r\u00e9f\u00e9rence(d)", "eq_num": "(2)" } ], "section": "Mesure d'\u00e9valuation", "sec_num": "4.1" }, { "text": "La figure 3 montre la performance des m\u00e9thodes d'extraction automatique de termes-cl\u00e9s lorsque les candidats s\u00e9lectionn\u00e9s sont soit les {1..3}-grammes filtr\u00e9s, soit les plus longues s\u00e9quences de noms et d'adjectifs, soit tous les candidats termes extraits par TermSuite (sans filtrage). Notre hypoth\u00e8se de d\u00e9part selon laquelle la t\u00e2che d'extraction de termescl\u00e9s pr\u00e9sente un degr\u00e9 de difficult\u00e9 diff\u00e9rent selon la discipline scientifique se v\u00e9rifie. L'arch\u00e9ologie est la discipline pour laquelle la t\u00e2che d'extraction automatique de termes-cl\u00e9s est la moins difficile, la chimie \u00e9tant la discipline la plus difficile, pr\u00e9c\u00e9d\u00e9e par la psychologie, les sciences de l'information et la linguistique. Quelle que soit la discipline trait\u00e9e, nous pouvons aussi observer la faible performance des m\u00e9thodes d'extraction de termes-cl\u00e9s (cf. exemple figure 4). Ceci peut s'expliquer par le faible rappel maximum pouvant \u00eatre atteint, ainsi que par l'\u00e9valuation stricte qui n'accepte pas les correspondances partielles (p. ex. \u00ab articles \u00bb et \u00ab articles de recherche \u00bb qui dans le contexte de la notice de la figure 4 repr\u00e9sentent le m\u00eame concept).", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "R\u00e9sultats", "sec_num": "4.2" }, { "text": "Globalement, les meilleurs r\u00e9sultats sont obtenus avec la m\u00e9thode TF-IDF. De plus, bien que dans le meilleur cas elle soit comp\u00e9titive avec TF-IDF, la m\u00e9thode TopicRank n'est pas stable. Lorsque les {1..3}-grammes sont utilis\u00e9s comme candidats nous observons une forte d\u00e9gradation des r\u00e9sultats de TopicRank, alors que la d\u00e9gradation des r\u00e9sultats de TF-IDF est plus mod\u00e9r\u00e9e. Cette diff\u00e9rence de comportement face \u00e0 un ensemble de termes-cl\u00e9s candidats de mauvaise qualit\u00e9 s'explique par le fait que le groupement en sujets de TopicRank n'est pas adapt\u00e9 pour de tels candidats et aussi parce que TF-IDF tire profit de la sp\u00e9cificit\u00e9 des mots (IDF), lui permettant, contrairement \u00e0 TopicRank, de ne pas attribuer un fort poids aux candidats erron\u00e9s tels que \u00ab d' \u00bb (cf. figure 4) . En ce qui concerne les r\u00e9sultats obtenus avec les deux autres m\u00e9thodes de s\u00e9lection des termes-cl\u00e9s candidats, les performances sont meilleures avec les plus longues s\u00e9quences de noms et d'adjectifs. La diff\u00e9rence de performance observ\u00e9e avec ces deux m\u00e9thodes de s\u00e9lection est principalement li\u00e9e \u00e0 la richesse des patrons grammaticaux utilis\u00e9s par TermSuite. En effet, ses patrons grammaticaux contenant des d\u00e9terminants et des pr\u00e9positions ne refl\u00e8tent qu'une infime quantit\u00e9 de termes-cl\u00e9s de r\u00e9f\u00e9rence (3,5 %) et ont donc pour effet d'ajouter plus de bruit que de candidats positifs.", "cite_spans": [], "ref_spans": [ { "start": 769, "end": 778, "text": "figure 4)", "ref_id": null } ], "eq_spans": [], "section": "R\u00e9sultats", "sec_num": "4.2" }, { "text": "\u00c0 partir des exp\u00e9riences de la section 4, nous constatons la m\u00eame \u00e9chelle de difficult\u00e9 quelque soit la m\u00e9thode employ\u00e9e (cf. figure 5) , ce qui montre que notre hypoth\u00e8se de d\u00e9part est valide. Il est toutefois important de noter qu'en observant les statistiques pr\u00e9sent\u00e9es dans le tableau 1, nous pouvons d\u00e9duire la m\u00eame \u00e9chelle de difficult\u00e9 \u00e0 partir du rappel maximum. Cependant, le rappel maximum ne peut \u00eatre obtenu en dehors d'un contexte exp\u00e9rimental. Dans cette section, nous nous fondons sur la nature des collections de donn\u00e9es et sur les r\u00e9sultats de l'extraction non-supervis\u00e9e de termes-cl\u00e9s pour d\u00e9terminer quels sont les facteurs qui influent sur la difficult\u00e9 de cette t\u00e2che.", "cite_spans": [], "ref_spans": [ { "start": 126, "end": 135, "text": "figure 5)", "ref_id": null } ], "eq_spans": [], "section": "Discussion", "sec_num": "5" }, { "text": "Dans un premier temps, nous constatons que la pond\u00e9ration fond\u00e9e sur la sp\u00e9cificit\u00e9 des mots am\u00e9liore la stabilit\u00e9 (la robustesse) des m\u00e9thodes d'extraction de termes-cl\u00e9s qui l'utilisent. Nous en d\u00e9duisons que la nature linguistique des termes-cl\u00e9s utilis\u00e9s dans une discipline est un facteur qui influe sur la difficult\u00e9 de l'extraction des termes-cl\u00e9s. Ainsi, une forte tendance \u00e0 l'usage de compos\u00e9s syntagmatiques constitu\u00e9s de mots centraux dans la discipline, tels que \u00ab r\u00e9action \u00bb en Chimie (p. ex. \u00ab r\u00e9action topotactique \u00bb et \u00ab r\u00e9action sonochimique \u00bb) ou encore le mot \u00ab social \u00bb, qui est fr\u00e9quemment utilis\u00e9 en psychologie (p. ex. \u00ab interaction sociale \u00bb et \u00ab environnement social \u00bb), augmente la difficult\u00e9 de l'extraction des termes-cl\u00e9s.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Discussion", "sec_num": "5" }, { "text": "Dans un second temps, nous observons, sauf dans le cas de la psychologie, qu'il y a une correspondance entre l'ordre des disciplines selon la taille des r\u00e9sum\u00e9s des notices et leur ordre dans l'\u00e9chelle de difficult\u00e9. Ceci s'explique par la fa\u00e7on dont est organis\u00e9 le discours dans les notices. Si nous prenons les notices d'arch\u00e9ologie, par exemple, celles-ci sont tr\u00e8s d\u00e9taill\u00e9es. Il est par cons\u00e9quent ais\u00e9 d'\u00e9tablir des relations entre les concepts afin de d\u00e9terminer quels sont ceux les plus importants, \u00e0 la mani\u00e8re de TopicRank. \u00c0 l'inverse, les notices de chimie, repr\u00e9sentant principalement des comptes rendus d'exp\u00e9riences s'adressent \u00e0 un lecteur expert pour lequel il est uniquement n\u00e9cessaire de d\u00e9crire le contexte exp\u00e9rimental. L'absence de d\u00e9tails dans les notices de certaines disciplines est donc un facteur qui influe sur la difficult\u00e9 de l'extraction automatique de termes-cl\u00e9s, difficult\u00e9 qui peut a priori \u00eatre d\u00e9tect\u00e9e \u00e0 partir de la taille des notices.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Discussion", "sec_num": "5" }, { "text": "Dans cet article, nous nous int\u00e9ressons \u00e0 la t\u00e2che d'extraction automatique de termes-cl\u00e9s dans les documents scientifiques et \u00e9mettons l'hypoth\u00e8se que sa difficult\u00e9 est variable selon la discipline des documents trait\u00e9s. Pour v\u00e9rifier cette hypoth\u00e8se, nous disposons de notices bibliographiques r\u00e9parties dans cinq disciplines (arch\u00e9ologie, linguistique, sciences de l'information, psychologie et chimie) auxquelles nous appliquons six syst\u00e8mes d'extraction automatique de termes-cl\u00e9s diff\u00e9rents. En comparant les termes-cl\u00e9s extraits par chaque syst\u00e8me avec les termes-cl\u00e9s de r\u00e9f\u00e9rence assign\u00e9s aux notices dans des conditions r\u00e9els d'indexation, notre hypoth\u00e8se se v\u00e9rifie et nous observons l'\u00e9chelle suivante (de la discipline la plus facile \u00e0 la plus difficile) : 1. Arch\u00e9ologie ; 2. Linguistique ; 3. Sciences de l'information ; 4. Psychologie ; 5. Chimie. \u00c0 l'issue de nos exp\u00e9riences et de nos observations du contenu des notices, nous constatons deux facteurs ayant un impact sur la difficult\u00e9 de la t\u00e2che d'extraction automatique de termes-cl\u00e9s. Tout d'abord, nous observons que l'organisation du r\u00e9sum\u00e9 peut aider l'extraction de termes-cl\u00e9s. Un r\u00e9sum\u00e9 riche en explications et en mises en relations des diff\u00e9rents concepts est moins difficile \u00e0 traiter qu'un r\u00e9sum\u00e9 \u00e9num\u00e9ratif pauvre en explications. Ensuite, le vocabulaire utilis\u00e9 dans une discipline peut influer sur la difficult\u00e9 \u00e0 extraire les termes-cl\u00e9s des documents de cette discipline. Si le vocabulaire sp\u00e9cifique contient des compos\u00e9s syntagmatiques dont certains \u00e9l\u00e9ments sont courants dans la discipline, alors il peut \u00eatre plus difficile d'extraire les termes-cl\u00e9s des documents de cette discipline.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": "6" }, { "text": "Des deux facteurs identifi\u00e9s \u00e9mergent plusieurs perspectives de travaux futurs. Il peut \u00eatre int\u00e9ressant d'analyser le discours des documents afin de mesurer, en amont, le degr\u00e9 de difficult\u00e9 de l'extraction de termes-cl\u00e9s. Avec une telle connaissance, nous pourrions proposer une m\u00e9thode capable de s'adapter au degr\u00e9 de difficult\u00e9 en ajustant automatiquement son param\u00e8trage. Cependant, l'analyse que nous proposons dans cet article se fonde uniquement sur le contenu de notices appartenant \u00e0 cinq disciplines. Il serait pertinent d'\u00e9tendre cette analyse au contenu int\u00e9gral des documents scientifiques, ainsi que d'\u00e9largir le panel de disciplines utilis\u00e9es dans ce travail, afin d'\u00e9tablir des cat\u00e9gories de disciplines plus ou moins difficiles \u00e0 traiter (p. ex. la chimie fait partie des disciplines exp\u00e9rimentales, qui sont difficiles \u00e0 traiter). Nous Les articles de recherche pr\u00e9sentent les r\u00e9sultats d'une exp\u00e9rience qui modifie l'\u00e9tat de la connaissance dans le domaine concern\u00e9. Le lecteur n\u00e9ophyte a tendance \u00e0 consid\u00e9rer qu'il s'agit d'une simple description et \u00e0 passer \u00e0 c\u00f4t\u00e9 de l'argumentation au cours de laquelle le scientifique cherche \u00e0 convaincre ses pairs de l'innovation et de l'originalit\u00e9 pr\u00e9sent\u00e9es dans l'article et du bien-fond\u00e9 de sa d\u00e9marche tout en respectant la tradition scientifique dans laquelle il s'ins\u00e8re. Ces propri\u00e9t\u00e9s sp\u00e9cifiques du discours scientifique peuvent s'av\u00e9rer un obstacle suppl\u00e9mentaire \u00e0 la compr\u00e9hension, surtout lorsqu'il s'agit d'un article en langue \u00e9trang\u00e8re. C'est pourquoi il peut \u00eatre utile d'incorporer dans l'enseignement des langues de sp\u00e9cialit\u00e9 une sensibilisation aux marqueurs linguistiques (terminologiques et argumentatifs), qui permettent de d\u00e9pister le d\u00e9veloppement de cette rh\u00e9torique. Les auteurs s'appuient sur deux articles dans le domaine de la microbiologie.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": "6" }, { "text": "Termes-cl\u00e9s de r\u00e9f\u00e9rence : Langue scientifique * , argumentation * , rh\u00e9torique * , langue de sp\u00e9cialit\u00e9 * , enseignement des langues * , linguistique appliqu\u00e9e * , discours scientifique * , article de recherche.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": "6" }, { "text": "Termes-cl\u00e9s extraits :", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": "6" }, { "text": "{1..3}-grammes TF-IDF : Argumentation, scientifique, articles, d' argumentation, l' argumentation, tradition scientifique, discours scientifique, marqueurs.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": "6" }, { "text": "TopicRank : Articles, d', qu' il s', d\u00e9busquer l' argumentation, articles de recherche, scientifique, s' agit d', marqueurs d' argumentation.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": "6" }, { "text": "/(NOM | ADJ)+/ TF-IDF : Argumentation, scientifique, articles, tradition scientifique, discours scientifique, marqueurs, microbiologie, domaine.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": "6" }, { "text": "TopicRank : Article, argumentation, recherche, marqueurs, domaine, langue \u00e9trang\u00e8re, scientifique, r\u00e9sultats. Candidats termes TF-IDF : Argumentation, scientifique, tradition scientifique, discours scientifique, marqueurs, microbiologie, n\u00e9ophyte, marqueurs d' argumentation.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": "6" }, { "text": "TopicRank : Argumentation, marqueurs, articles de recherche, scientifique, techniques, termes, article, langue.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": "6" }, { "text": "FIGURE 4 -Exemple d'extraction automatique de (huit) termes-cl\u00e9s \u00e0 partir de la notice de linguistique pr\u00e9sent\u00e9e dans la figure 1. Les termes-cl\u00e9s de r\u00e9f\u00e9rence soulign\u00e9s sont ceux qui occurrent dans le titre ou le r\u00e9sum\u00e9 de la notice. Les termes-cl\u00e9s de r\u00e9f\u00e9rence marqu\u00e9s d'une * font partie des termes-cl\u00e9s contr\u00f4l\u00e9s. Les termes-cl\u00e9s extraits mis en gras sont les termes-cl\u00e9s correctement extraits.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": "6" }, { "text": "Psychologie Sciences de l'information", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Chimie", "sec_num": null }, { "text": "Arch\u00e9ologie Difficile FIGURE 5 -\u00c9chelle de difficult\u00e9 disciplinaire, de la discipline la moins difficile \u00e0 la discipline la plus difficile \u00e0 traiter par les m\u00e9thodes d'extraction automatique de termes-cl\u00e9s.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Linguistique", "sec_num": null }, { "text": "Extraction automatique de termes-cl\u00e9s L'extraction non-supervis\u00e9e de termes-cl\u00e9s peut se d\u00e9composer en quatre \u00e9tapes (cf. figure 2). Tout d'abord, les documents sont un \u00e0 un enrichis linguistiquement (segment\u00e9s en phrases, segment\u00e9s en mots et \u00e9tiquet\u00e9s en parties du discours), des termes-cl\u00e9s candidats y sont ensuite s\u00e9lectionn\u00e9s, puis ordonn\u00e9s par importance et enfin, les k plus importants sont s\u00e9lectionn\u00e9s en tant que termes-cl\u00e9s. Les \u00e9tapes les plus importantes d'un syst\u00e8me d'extraction automatique de termes-cl\u00e9s sont celles de s\u00e9lection des candidats et d'ordonnancement de ceux-ci. Intuitivement, l'ordonnancement des candidats est le coeur du syst\u00e8me, mais la performance de celui-ci est limit\u00e9e par la qualit\u00e9 de l'ensemble de termes-cl\u00e9s candidats qui lui est fourni. Un ensemble de candidats est de bonne qualit\u00e9 lorsqu'il fournit un maximum de candidats pr\u00e9sents dans l'ensemble des termes-cl\u00e9s de r\u00e9f\u00e9rence et lorsqu'il fournit peu de candidats non-pertinents, c'est-\u00e0-dire des candidats qui ne sont pas dans l'ensemble des termes-cl\u00e9s de r\u00e9f\u00e9rence et qui peuvent d\u00e9grader la performance du syst\u00e8me d'extraction de termes-cl\u00e9s utilis\u00e9.3.1 Pr\u00e9paration des donn\u00e9esLes documents des collections de donn\u00e9es utilis\u00e9es subissent tous les m\u00eames pr\u00e9traitements. Ils sont tout d'abord segment\u00e9s en phrases, puis en mots et enfin \u00e9tiquet\u00e9s en parties du discours. Dans ce travail, la segmentation en phrase est effectu\u00e9e par le PunktSentenceTokenizer disponible avec la librairie Python NLTK(Bird et al., 2009, Natural Language ToolKit), la segmentation en mots est effectu\u00e9e par l'outil Bonsai du Bonsai PCFG-LA parser 3 et l'\u00e9tiquetage en parties du discours est r\u00e9alis\u00e9 par MElt(Denis & Sagot, 2009). Tous ces outils sont utilis\u00e9s avec leurs param\u00e8tres par d\u00e9faut.3. http://alpage.inria.fr/statgram/frdep/fr_stat_dep_parsing.html", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "", "sec_num": null } ], "back_matter": [], "bib_entries": { "BIBREF0": { "ref_id": "b0", "title": "en particulier celui utilis\u00e9 pour les termes-cl\u00e9s, peut rendre la t\u00e2che d'extraction automatique de termes-cl\u00e9s plus difficile. Il est donc important de b\u00e9n\u00e9ficier de resources telles que des th\u00e9saurus pour permettre \u00e0 une m\u00e9thode d'extraction de termes-cl\u00e9s de s'adapter au domaine. Pour TopicRank, par exemple, avoir connaissance de la terminologie utilis\u00e9e dans une discipline peut am\u00e9liorer le choix du terme-cl\u00e9 le plus repr\u00e9sentatif d'un sujet. Enfin, il serait int\u00e9ressant de penser la t\u00e2che d'extraction de termes-cl\u00e9s comme une t\u00e2che d'extraction d'information pour le remplissage d'un formulaire. En arch\u00e9ologie, par exemple, il pourrait s'agir d'extraire les informations g\u00e9ographiques (pays, r\u00e9gions", "authors": [ { "first": "Des Domaines De Sp\u00e9cialit\u00e9 Dans L'extraction", "middle": [], "last": "Influence", "suffix": "" }, { "first": "", "middle": [], "last": "De Termes-Cl\u00e9s Observons Aussi Que Le Vocabulaire Utilis\u00e9 Dans Une Discipline", "suffix": "" } ], "year": null, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "INFLUENCE DES DOMAINES DE SP\u00c9CIALIT\u00c9 DANS L'EXTRACTION DE TERMES-CL\u00c9S observons aussi que le vocabulaire utilis\u00e9 dans une discipline, en particulier celui utilis\u00e9 pour les termes-cl\u00e9s, peut rendre la t\u00e2che d'extraction automatique de termes-cl\u00e9s plus difficile. Il est donc important de b\u00e9n\u00e9ficier de resources telles que des th\u00e9saurus pour permettre \u00e0 une m\u00e9thode d'extraction de termes-cl\u00e9s de s'adapter au domaine. Pour TopicRank, par exemple, avoir connaissance de la terminologie utilis\u00e9e dans une discipline peut am\u00e9liorer le choix du terme-cl\u00e9 le plus repr\u00e9sentatif d'un sujet. Enfin, il serait int\u00e9ressant de penser la t\u00e2che d'extraction de termes-cl\u00e9s comme une t\u00e2che d'ex- traction d'information pour le remplissage d'un formulaire. En arch\u00e9ologie, par exemple, il pourrait s'agir d'extraire les informations g\u00e9ographiques (pays, r\u00e9gions, etc.), chronologiques (p\u00e9riode, culture, etc.), ou encore environnementales (animaux, v\u00e9g\u00e9taux, etc.).", "links": null }, "BIBREF1": { "ref_id": "b1", "title": "Remerciements Ce travail a b\u00e9n\u00e9fici\u00e9 d'une aide de l'Agence Nationale de la Recherche portant la r\u00e9f\u00e9rence", "authors": [], "year": null, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "Remerciements Ce travail a b\u00e9n\u00e9fici\u00e9 d'une aide de l'Agence Nationale de la Recherche portant la r\u00e9f\u00e9rence (ANR-12-CORD-0029).", "links": null }, "BIBREF2": { "ref_id": "b2", "title": "Natural Language Processing with Python", "authors": [ { "first": "", "middle": [], "last": "Bird S", "suffix": "" }, { "first": "", "middle": [], "last": "Klein E. & Loper E", "suffix": "" } ], "year": 2009, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "BIRD S., KLEIN E. & LOPER E. (2009). Natural Language Processing with Python. O'Reilly Media.", "links": null }, "BIBREF3": { "ref_id": "b3", "title": "Topicrank : Graph-Based Topic Ranking for Keyphrase Extraction", "authors": [ { "first": "", "middle": [], "last": "Bougouin A", "suffix": "" }, { "first": "", "middle": [], "last": "Boudin F. & Daille B", "suffix": "" } ], "year": 2013, "venue": "Proceedings of the 6th International Joint Conference on Natural Language Processing (IJCNLP)", "volume": "", "issue": "", "pages": "543--551", "other_ids": {}, "num": null, "urls": [], "raw_text": "BOUGOUIN A., BOUDIN F. & DAILLE B. (2013). Topicrank : Graph-Based Topic Ranking for Keyphrase Extraction. In Proceedings of the 6th International Joint Conference on Natural Language Processing (IJCNLP), p. 543-551, Nagoya, Japan : Asian Federation of Natural Language Processing.", "links": null }, "BIBREF4": { "ref_id": "b4", "title": "Vectorisation, Okapi et calcul de similarit\u00e9 pour le TAL : pour oublier enfin le TF-IDF (Vectorization, Okapi and Computing Similarity for NLP : Say Goodbye to TF-IDF)", "authors": [ { "first": "", "middle": [], "last": "Claveau V", "suffix": "" } ], "year": 2012, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "CLAVEAU V. (2012). Vectorisation, Okapi et calcul de similarit\u00e9 pour le TAL : pour oublier enfin le TF-IDF (Vectori- zation, Okapi and Computing Similarity for NLP : Say Goodbye to TF-IDF) [in French].", "links": null }, "BIBREF5": { "ref_id": "b5", "title": "Proceedings of the Joint Conference JEP-TALN-RECITAL 2012", "authors": [], "year": null, "venue": "", "volume": "2", "issue": "", "pages": "85--98", "other_ids": {}, "num": null, "urls": [], "raw_text": "In Proceedings of the Joint Conference JEP-TALN-RECITAL 2012, Volume 2 : TALN, p. 85-98, Grenoble, France : ATALA/AFCP.", "links": null }, "BIBREF6": { "ref_id": "b6", "title": "Coupling an Annotated Corpus and a Morphosyntactic Lexicon for State-of-the-Art POS Tagging with Less Human Effort", "authors": [ { "first": "Denis", "middle": [ "P &" ], "last": "Sagot B", "suffix": "" } ], "year": 2009, "venue": "Proceedings of the 23rd Pacific Asia Conference on Language, Information and Computation (PACLIC)", "volume": "", "issue": "", "pages": "110--119", "other_ids": {}, "num": null, "urls": [], "raw_text": "DENIS P. & SAGOT B. (2009). Coupling an Annotated Corpus and a Morphosyntactic Lexicon for State-of-the-Art POS Tagging with Less Human Effort. In Proceedings of the 23rd Pacific Asia Conference on Language, Information and Computation (PACLIC), p. 110-119, Hong Kong : City University of Hong Kong.", "links": null }, "BIBREF7": { "ref_id": "b7", "title": "A Keyphrase-Based Approach to Summarization : the LAKE System at DUC-2005", "authors": [ { "first": "D'avanzo E. & Magnini B", "middle": [], "last": "", "suffix": "" } ], "year": 2005, "venue": "Proceedings of DUC 2005 Document Understanding Conference", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "D'AVANZO E. & MAGNINI B. (2005). A Keyphrase-Based Approach to Summarization : the LAKE System at DUC- 2005. In Proceedings of DUC 2005 Document Understanding Conference.", "links": null }, "BIBREF8": { "ref_id": "b8", "title": "Web Document Clustering by Using Automatic Keyphrase Extraction", "authors": [ { "first": "Han", "middle": [ "J" ], "last": "", "suffix": "" }, { "first": "Kim", "middle": [ "T &" ], "last": "Choi J", "suffix": "" } ], "year": 2007, "venue": "Proceedings of the 2007 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology", "volume": "", "issue": "", "pages": "56--59", "other_ids": {}, "num": null, "urls": [], "raw_text": "HAN J., KIM T. & CHOI J. (2007). Web Document Clustering by Using Automatic Keyphrase Extraction. In Procee- dings of the 2007 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology, p. 56-59, Washington, DC, USA : IEEE Computer Society.", "links": null }, "BIBREF9": { "ref_id": "b9", "title": "Conundrums in Unsupervised Keyphrase Extraction : Making Sense of the Stateof-the-Art", "authors": [ { "first": "", "middle": [ "S" ], "last": "Hasan K", "suffix": "" }, { "first": "", "middle": [], "last": "Ng V", "suffix": "" } ], "year": 2010, "venue": "Proceedings of the 23rd International Conference on Computational Linguistics : Posters", "volume": "", "issue": "", "pages": "365--373", "other_ids": {}, "num": null, "urls": [], "raw_text": "HASAN K. S. & NG V. (2010). Conundrums in Unsupervised Keyphrase Extraction : Making Sense of the State- of-the-Art. In Proceedings of the 23rd International Conference on Computational Linguistics : Posters, p. 365-373, Stroudsburg, PA, USA : Association for Computational Linguistics.", "links": null }, "BIBREF10": { "ref_id": "b10", "title": "Automatic Keyphrase Extraction : A Survey of the State of the Art", "authors": [ { "first": "", "middle": [ "S" ], "last": "Hasan K", "suffix": "" }, { "first": "", "middle": [], "last": "Ng V", "suffix": "" } ], "year": 2014, "venue": "Proceedings of the Association for Computational Linguistics (ACL)", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "HASAN K. S. & NG V. (2014). Automatic Keyphrase Extraction : A Survey of the State of the Art. In Proceedings of the Association for Computational Linguistics (ACL), Baltimore, Maryland : Association for Computational Linguistics.", "links": null }, "BIBREF11": { "ref_id": "b11", "title": "Improved Automatic Keyword Extraction Given More Linguistic Knowledge", "authors": [ { "first": "", "middle": [], "last": "Hulth A", "suffix": "" } ], "year": 2003, "venue": "Proceedings of the 2003 Conference on Empirical Methods in Natural Language Processing", "volume": "", "issue": "", "pages": "216--223", "other_ids": {}, "num": null, "urls": [], "raw_text": "HULTH A. (2003). Improved Automatic Keyword Extraction Given More Linguistic Knowledge. In Proceedings of the 2003 Conference on Empirical Methods in Natural Language Processing, p. 216-223, Stroudsburg, PA, USA : Association for Computational Linguistics.", "links": null }, "BIBREF12": { "ref_id": "b12", "title": "SemEval-2010 task 5 : Automatic Keyphrase Extraction from Scientific Articles", "authors": [ { "first": "Kim", "middle": [ "S N" ], "last": "Medelyan", "suffix": "" }, { "first": "O", "middle": [], "last": "Kan M.-Y", "suffix": "" }, { "first": "", "middle": [], "last": "Baldwin T", "suffix": "" } ], "year": 2010, "venue": "Proceedings of the 5th International Workshop on Semantic Evaluation", "volume": "", "issue": "", "pages": "21--26", "other_ids": {}, "num": null, "urls": [], "raw_text": "KIM S. N., MEDELYAN O., KAN M.-Y. & BALDWIN T. (2010). SemEval-2010 task 5 : Automatic Keyphrase Ex- traction from Scientific Articles. In Proceedings of the 5th International Workshop on Semantic Evaluation, p. 21-26, Stroudsburg, PA, USA : Association for Computational Linguistics.", "links": null }, "BIBREF13": { "ref_id": "b13", "title": "Domain-Independent Automatic Keyphrase Indexing with Small Training Sets", "authors": [ { "first": "", "middle": [ "H" ], "last": "Medelyan O. & Witten I", "suffix": "" } ], "year": 2008, "venue": "Journal of the American Society for Information Science and Technology", "volume": "59", "issue": "7", "pages": "1026--1040", "other_ids": {}, "num": null, "urls": [], "raw_text": "MEDELYAN O. & WITTEN I. H. (2008). Domain-Independent Automatic Keyphrase Indexing with Small Training Sets. Journal of the American Society for Information Science and Technology, 59(7), 1026-1040.", "links": null }, "BIBREF14": { "ref_id": "b14", "title": "TextRank : Bringing Order Into Texts", "authors": [ { "first": "", "middle": [], "last": "Mihalcea R. & Tarau P", "suffix": "" } ], "year": 2004, "venue": "Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing", "volume": "", "issue": "", "pages": "404--411", "other_ids": {}, "num": null, "urls": [], "raw_text": "MIHALCEA R. & TARAU P. (2004). TextRank : Bringing Order Into Texts. In DEKANG LIN & DEKAI WU, Eds., Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing, p. 404-411, Barcelona, Spain : Association for Computational Linguistics.", "links": null }, "BIBREF15": { "ref_id": "b15", "title": "Indexation libre et contr\u00f4l\u00e9e d'articles scientifiques. Pr\u00e9sentation et r\u00e9sultats du d\u00e9fi fouille de textes DEFT2012 (Controlled and Free Indexing of Scientific Papers. Presentation and Results of the DEFT2012 Text-Mining Challenge)", "authors": [ { "first": "P", "middle": [], "last": "Paroubek", "suffix": "" }, { "first": "P", "middle": [], "last": "Zweigenbaum", "suffix": "" }, { "first": "", "middle": [], "last": "Forest D. & Grouin C", "suffix": "" } ], "year": 2012, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "PAROUBEK P., ZWEIGENBAUM P., FOREST D. & GROUIN C. (2012). Indexation libre et contr\u00f4l\u00e9e d'articles scienti- fiques. Pr\u00e9sentation et r\u00e9sultats du d\u00e9fi fouille de textes DEFT2012 (Controlled and Free Indexing of Scientific Papers. Presentation and Results of the DEFT2012 Text-Mining Challenge) [in French].", "links": null }, "BIBREF16": { "ref_id": "b16", "title": "Workshop DEFT 2012 : D\u00c9fi Fouille de Textes (DEFT 2012 Workshop : Text Mining Challenge)", "authors": [], "year": null, "venue": "", "volume": "", "issue": "", "pages": "1--13", "other_ids": {}, "num": null, "urls": [], "raw_text": "In Proceedings of the Joint Confe- rence JEP-TALN-RECITAL 2012, Workshop DEFT 2012 : D\u00c9fi Fouille de Textes (DEFT 2012 Workshop : Text Mining Challenge), p. 1-13, Grenoble, France : ATALA/AFCP.", "links": null }, "BIBREF17": { "ref_id": "b17", "title": "An Algorithm for Suffix Stripping. Program : Electronic Library and Information Systems", "authors": [ { "first": "", "middle": [ "F" ], "last": "Porter M", "suffix": "" } ], "year": 1980, "venue": "", "volume": "14", "issue": "", "pages": "130--137", "other_ids": {}, "num": null, "urls": [], "raw_text": "PORTER M. F. (1980). An Algorithm for Suffix Stripping. Program : Electronic Library and Information Systems, 14(3), 130-137.", "links": null }, "BIBREF18": { "ref_id": "b18", "title": "Okapi at TREC-7 : Automatic Ad Hoc, Filtering, VLC and Interactive Track", "authors": [ { "first": "", "middle": [ "E" ], "last": "Robertson S", "suffix": "" }, { "first": "Steve & Hancock-Beaulieu", "middle": [], "last": "Walker", "suffix": "" }, { "first": "", "middle": [], "last": "Micheline", "suffix": "" } ], "year": 1998, "venue": "Proceedings of the Text REtrieval Conference (TREC)", "volume": "", "issue": "", "pages": "199--210", "other_ids": {}, "num": null, "urls": [], "raw_text": "ROBERTSON S. E., WALKER STEVE & HANCOCK-BEAULIEU MICHELINE (1998). Okapi at TREC-7 : Automatic Ad Hoc, Filtering, VLC and Interactive Track. In Proceedings of the Text REtrieval Conference (TREC), p. 199-210.", "links": null }, "BIBREF19": { "ref_id": "b19", "title": "TTC TermSuite -A UIMA Application for Multilingual Terminology Extraction from Comparable Corpora", "authors": [ { "first": "Rocheteau", "middle": [ "J &" ], "last": "Daille B", "suffix": "" } ], "year": 2011, "venue": "Proceedings of the IJCNLP 2011 System Demonstrations", "volume": "", "issue": "", "pages": "9--12", "other_ids": {}, "num": null, "urls": [], "raw_text": "ROCHETEAU J. & DAILLE B. (2011). TTC TermSuite -A UIMA Application for Multilingual Terminology Extraction from Comparable Corpora. In Proceedings of the IJCNLP 2011 System Demonstrations, p. 9-12, Chiang Mai, Thailand : Asian Federation of Natural Language Processing.", "links": null }, "BIBREF20": { "ref_id": "b20", "title": "A Statistical Interpretation of Term Specificity and its Application in Retrieval", "authors": [ { "first": "Sp\u00e4rck", "middle": [], "last": "Jones", "suffix": "" }, { "first": "K", "middle": [], "last": "", "suffix": "" } ], "year": 1972, "venue": "Journal of Documentation", "volume": "28", "issue": "1", "pages": "11--21", "other_ids": {}, "num": null, "urls": [], "raw_text": "SP\u00c4RCK JONES K. (1972). A Statistical Interpretation of Term Specificity and its Application in Retrieval. Journal of Documentation, 28(1), 11-21.", "links": null }, "BIBREF21": { "ref_id": "b21", "title": "KEA : Practical Automatic Keyphrase Extraction", "authors": [ { "first": "", "middle": [ "H" ], "last": "Witten I", "suffix": "" }, { "first": "", "middle": [ "W" ], "last": "Paynter G", "suffix": "" }, { "first": "", "middle": [], "last": "Frank E", "suffix": "" }, { "first": "C", "middle": [], "last": "Gutwin", "suffix": "" }, { "first": "", "middle": [ "G" ], "last": "Nevill Manning C", "suffix": "" } ], "year": 1999, "venue": "Proceedings of the 4th ACM Conference on Digital Libraries", "volume": "", "issue": "", "pages": "254--255", "other_ids": {}, "num": null, "urls": [], "raw_text": "WITTEN I. H., PAYNTER G. W., FRANK E., GUTWIN C. & NEVILL MANNING C. G. (1999). KEA : Practical Automatic Keyphrase Extraction. In Proceedings of the 4th ACM Conference on Digital Libraries, p. 254-255, New York, NY, USA : ACM.", "links": null } }, "ref_entries": { "FIGREF0": { "num": null, "text": "o\u00f9 :-extraction(d) founie l'ensemble ordonn\u00e9 des termes-cl\u00e9s candidats t i de rang i pour le document d, -r\u00e9f\u00e9rence(d) fournie l'ensemble des termes-cl\u00e9s de r\u00e9f\u00e9rence du document d, -pr\u00e9cision@i repr\u00e9sente la pr\u00e9cision de l'extraction calcul\u00e9e au rang i, -DOCUMENTS est l'ensemble des documents de la collection pour laquelle les termes-cl\u00e9s sont extraits.En accord avec l'\u00e9valuation men\u00e9e dans les travaux pr\u00e9c\u00e9dents, nous consid\u00e9rons correcte l'extraction d'une variante flexionnelle d'un terme-cl\u00e9 de r\u00e9f\u00e9rence (Kim et al., 2010). Les op\u00e9rations de comparaison entre les termes-cl\u00e9s de r\u00e9f\u00e9rence et les termes-cl\u00e9s extraits sont donc effectu\u00e9es \u00e0 partir de la racine des mots qui les composent en utilisant la m\u00e9thode de racinisation de Porter (1980).", "type_str": "figure", "uris": null }, "FIGREF1": { "num": null, "text": "", "type_str": "figure", "uris": null }, "FIGREF3": { "num": null, "text": "Performances des m\u00e9thodes d'extraction de termes-cl\u00e9s en domaines de sp\u00e9cialit\u00e9 \u00e0 partir de diff\u00e9rents type de candidats.Termes techniques et marqueurs d'argumentation : pour d\u00e9busquer l'argumentation cach\u00e9e dans Linguistique les articles de recherche", "type_str": "figure", "uris": null }, "TABREF1": { "text": "", "content": "
-Caract\u00e9ristiques des corpus disciplinaires. La diversit\u00e9 des termes-cl\u00e9s repr\u00e9sente la proportion de termes-cl\u00e9s diff\u00e9rents dans la discipline nombre de termes-cl\u00e9s diff\u00e9rents . Les termes-cl\u00e9s extractibles sont les termes-cl\u00e9s pouvant nombre total de termes-cl\u00e9s \u00eatre extraits du contenu des documents. Conform\u00e9ment au processus d'\u00e9valuation standard pour les m\u00e9thodes d'extraction
automatique de termes-cl\u00e9s (cf. section 4.1), les variantes flexionnelles d'un terme-cl\u00e9 de r\u00e9f\u00e9rence sont jug\u00e9es correctes
(p. ex. \u00ab langues de sp\u00e9cialit\u00e9 \u00bb peut \u00eatre extrait \u00e0 la place de \u00ab langue de sp\u00e9cialit\u00e9 \u00bb).
", "html": null, "num": null, "type_str": "table" }, "TABREF2": { "text": "Variabilit\u00e9 du gravettien de Kostienki (bassin moyen du Don) et des territoires associ\u00e9s a Arch\u00e9ologie Dans la r\u00e9gion de Kostienki-Borschevo, on observe l'expression, \u00e0 ce jour, la plus orientale du mod\u00e8le europ\u00e9en de l'\u00e9volution du Pal\u00e9olithique sup\u00e9rieur. Elle est diff\u00e9rente \u00e0 la fois du mod\u00e8le Sib\u00e9rien et du mod\u00e8le de l'Asie centrale. Etude d'un condensat acide isocyanurique-ur\u00e9e-formald\u00e9hyde c Chimie La synth\u00e8se d'un condensat acide isocyanurique-ur\u00e9e-formald\u00e9hyde utilisant la pyridine en tant que solvant a \u00e9t\u00e9 effectu\u00e9e par r\u00e9action sonochimique. . http://cat.inist.fr/?aModele=afficheN&cpsidt=20563716 b. http://cat.inist.fr/?aModele=afficheN&cpsidt=17395748 c. http://cat.inist.fr/?aModele=afficheN&cpsidt=6719275 FIGURE 1 -Exemples de notices Inist. Les termes-cl\u00e9s soulign\u00e9s sont ceux qui occurrent dans le titre ou le r\u00e9sum\u00e9 de la notice. Les termes-cl\u00e9s marqu\u00e9s d'une * font partie des termes-cl\u00e9s contr\u00f4l\u00e9s.", "content": "
INFLUENCE DES DOMAINES DE SP\u00c9CIALIT\u00c9 DANS L'EXTRACTION DE TERMES-CL\u00c9S
documentPr\u00e9traitement Linguistique
S\u00e9lection des candidats
Ordonnancement des candidats
S\u00e9lection des termes-cl\u00e9stermes-cl\u00e9s
FIGURE 2 -Cha\u00eene de traitements d'un syst\u00e8me non-supervis\u00e9 d'extraction automatique de termes-cl\u00e9s.
", "html": null, "num": null, "type_str": "table" }, "TABREF3": { "text": "La s\u00e9lection de candidats termes consiste \u00e0 s\u00e9lectionner les unit\u00e9s textuelles qui sont potentiellement des termes, tels que d\u00e9finis dans le domaine de l'extraction terminologique. En terminologie, un terme est un mot ou une s\u00e9quence de mots repr\u00e9sentant un concept sp\u00e9cifique \u00e0 un domaine, ou une discipline. Dans ce travail, nous utilisons l'extracteur terminologique TermSuite (Rocheteau & Daille, 2011), qui est capable de d\u00e9tecter des candidats termes (simples et complexes) Arch\u00e9ologie, 16 557 candidats termes en Sciences de l'Information, 21 330 candidats termes en Linguistique, 24 680 candidats termes en Psychologie et 21 020 candidats termes en Chimie) et toutes les entr\u00e9es de la terminologie apparaissant dans un document de la discipline sont s\u00e9lectionn\u00e9s comme termes-cl\u00e9s candidats de ce document 5 . cette terminologie sont extraites comme termes-cl\u00e9s candidats. Contrairement \u00e0 la m\u00e9thode de s\u00e9lection des plus longues s\u00e9quences de noms et d'adjectifs, la s\u00e9lection des candidats termes de TermSuite se fonde sur un travail de sp\u00e9cification linguistique et terminologique des termes. Les patrons grammaticaux utilis\u00e9s par TermSuite sont donc plus pr\u00e9cis (p. ex. /NOM \u00e0 NOM/, /NOM en NOM/, /NOM \u00e0 NOM ADJ/, etc.) et de longueur plus restreinte puisque les structures \u00e0 deux ou trois mots lexicaux sont privil\u00e9gi\u00e9es.Exemples de candidats termes s\u00e9lectionn\u00e9s \u00e0 partir de \u00ab bassin moyen du Don \u00bb dans la notice d'arch\u00e9ologie de la figure 1 : \u00ab bassin \u00bb, \u00ab Don \u00bb, \u00ab bassin moyen \u00bb et \u00ab bassin moyen du Don \u00bb.", "content": "", "html": null, "num": null, "type_str": "table" }, "TABREF4": { "text": "leur sujet respectif INFLUENCE DES DOMAINES DE SP\u00c9CIALIT\u00c9 DANS L'EXTRACTION DE TERMES-CL\u00c9S4 Exp\u00e9riencesDans cette section, nous pr\u00e9sentons les exp\u00e9riences men\u00e9es dans le but d'observer l'\u00e9chelle de difficult\u00e9 pour l'extraction automatique de termes-cl\u00e9s en domaines de sp\u00e9cialit\u00e9 \u00e0 partir des m\u00e9thodes TF-IDF et TopicRank et en fonction des candidats qui sont s\u00e9lectionn\u00e9s : {1..3}-grammes filtr\u00e9s, plus longues s\u00e9quences de noms et d'adjectifs et candidats termes.", "content": "
", "html": null, "num": null, "type_str": "table" } } } }