This presentation focuses on the automatic expansion of Arabic request using morphological analyzer and Arabic Wordnet. The expanded request is sent to Google.
Un Système de Recherche d’Information (SRI) repose sur les trois fonctions suivantes : stocker, organiser (indexer) et rechercher des données (en réponse à des requêtes utilisateurs). Il doit faire appel à trois types de connaissances: - les connaissances sur les documents : ils regroupent les informations sur le contenu et le contenant ; - les connaissances sur les utilisateurs ; - et les connaissances sur le domaine d’application : ils permettent d’organiser les différents termes utilisés, on retrouve par exemple les dictionnaires, les thesaurus… Dans le cadre de la recherche d’information pour les textes en langue arabe, la récupération de mots clé est jugée insuffisante, car les termes utilisés dans la requête peuvent présenter par rapport aux documents de la base, des différences sur plusieurs plans, par exemple : - des variations morphologiques comme dans « ﺔﺳرﺪﻣ » et « نﺎﺘﺳرﺪﻣ », « ﻞﻴﺧ » et « لﻮﻴﺧ » ; - des variations lexicales (on utilise pour le même sens des mots différents) comme dans le cas dans « سﺮﻓ » et « ﻞﻴﺧ » ; - des variations sémantiques comme dans le cas de « فداﺮـﻣ : ﺮـﺠــﺤـﻟا ﺮــﺨـﺼﻟا » et « ﻞـﻴﺨﻟا ﻰﺜﻧأ :ﺮﺠـﺤﻟا ».
L’utilisation des ontologies pour l’enrichissement (expansion) de la requête utilisateur peut constituer une solution (parmi d’autres) pour résoudre le problème des variations sémantiques, en effet, les ontologies offrent des ressources sous la forme de relations sémantiques, ils permettent d’étendre le champ de recherche d’une requête, ce qui a pour conséquence l’amélioration des résultats de la recherche. Par ailleurs l’utilisation d’un analyseur morphologique peut suffire pour résoudre les deux premiers cas de variations (morphologiques et lexicales).
L’utilisation des ontologies dans un SRI peut être envisagé à plusieurs niveaux :
- avant d’être envoyée, la requête de l’utilisateur pourra être enrichie par les
concepts jugés proches dans l’ontologie et ceci, par le biais de l’utilisation
des relations comme la généralisation/spécialisation, la synonymie…
- L’indexation des documents se fait en utilisant les concepts de l’ontologie
et non pas les mots clés.
- Le filtrage des documents selon un domaine particulier pour des profils
d’utilisateur. [
Il faut noter toutefois que la qualité des réponses obtenues par un SRI ne dépend pas seulement de la qualité du processus l’appariement requête/documents mais aussi de la requête formulée par l’utilisateur, d’où l’intérêt de la reformulation de la requête. On distingue deux approches pour la reformulation d’une requête dans un SRI : directe et indirecte.
- Reformulation directe : elle consiste à ajouter de nouveaux termes à la requête initiale en s’appuyant sur des ressources lexicales comme les dictionnaires ou bien sur les liens de co-occurrences entre les termes. - Reformulation indirecte : En tenant compte d’une liste de documents déjà jugés sélectionnés, la requête est modifiée. Ce processus est appelé réinjection de la pertinence « relevance feed-back ».
Dans cette optique, les travaux sur les SRI pour les textes en arabe ne sont pas
nombreux à notre connaissance. Parmi ces travaux on trouve :
- le système de [
Cet article entre dans le cadre de l’assistance de l’utilisateur par l’amélioration de sa requête (reformulation directe) en utilisant un analyseur morphologique et une ressource lexicale (dans notre cas il s’agit de Wordnet Arabe). Dans ce qui suit nous allons décrire l’architecture et le mode de fonctionnement de notre interface pour l’enrichissement de la requête Arabe. Mais, commençant d’abord par une brève description de notre analyseur morphologique ainsi que la ressource utilisée wordnet arabe.
L’entrée de l’AM est une requête écrite en arabe. Un premier traitement consiste à
segmenter la requête en formes. Le séparateur blanc étant la marque des frontières des
formes, ce traitement ne devra donc poser aucun problème. La figure suivante (voir
figure 1) montre le principe de l’AM d’une requête qui se résume dans deux étapes :
1. consultation du lexique des mots outils (mots vides) ;
2. segmentation et analyse de la forme. L’opération de segmentation procède
par l’accès aux différentes tables (clitiques et affixes) pour détecter la
présence de proclitique, enclitique, préfixe et suffixe dans la forme. Le
résultat étant un ensemble de cinq segments (proclitique, préfixe, radical,
suffixe, enclitique). Par ailleurs, l’opération d’analyse effectue un accès au
dictionnaire des formes simples pour vérifier l’existence du radical. S’il
existe, l’analyseur lui associe l’ensemble de ses informations linguistiques
(la base, racine…). [
Donc, a l’issue de l’AM de la requête, l’analyseur produit un ensemble
d’informations (base, racine, catégorie grammaticale, ensemble de traits
syntaxiques…) qui représente la solution morphologique hors-contexte calculée dans
le modèle linguistique utilisé. Toutefois, ce qui nous intéresse dans le cadre de notre
étude est évidement l’ensemble des formes de base composant la requête initiale de
l’utilisateur. Le détaille de la procédure de l’analyse morphologique se trouve dans
[
Lexique des mots outils
Segmentation
Dévoyellation
Consultation du lexique des mots outils Une solution ou plusieurs sont trouvées.
Lexique
Des bases
9 9 9 9 9 9 9
Identification des couples (suffixe, enclitique) Validation et consultation des lexiques
Une solution (Mi) ou plusieurs sont trouvées Echec, Forme inconnue… Passer à la forme suivante Fig. 1. Architecture générale de l’analyseur morphologique
Wordnet Arabe est une base de données lexicale librement disponible pour l'arabe
standard. Cette base de données suit la conception et la méthodologie du Princeton
Wordnet pour l’anglais et d'EuroWordnet pour les langues européennes. Sa structure
est celle d’un thésaurus, il est organisé autour de la structure des synsets, c’est-à-dire
des ensembles de synonymes et de pointeurs décrivant des relations vers d’autres
synsets. Chaque mot peut appartenir à un ou plusieurs synsets, et à une ou plusieurs
catégories du discours. Ces catégories sont au nombre de quatre : nom, verbe, adjectif
et adverbe. Wordnet et donc un réseau lexical dont les synsets sont les noeuds et les
relations entre synsets sont les arcs. Il faut noter toutefois que Wordnet Arabe est une
des rares ressources pour la langue générale arabe disponible en ligne. Il compte
actuellement1 11269 synsets et 23481 mots. [
Notre interface de recherche (voir la figure 2) se compose de deux modules
importants : l’analyseur morphologique et le module de recherche des concepts à
partir de Wordnet. Par ailleurs il utilise deux ressources de données:
- une base de données linguistique (contenant les différents lexiques ainsi que
l’ensemble des clitiques et affixes propres à la langue arabe) utilisée par
l’analyseur morphologique ; son contenu est détaillé dans [
Requête en arabe
Requête enrichie
Validation par l’utilisateur
BDD Google La construction de la liste des concepts les plus proche de la forme de base passe donc par Wordnet Arabe. Par exemple, à partir de la forme «سرد » on construit la liste suivante (voir tableau 1).
Les systèmes de recherche d’information classiques traitent la requête de manière à optimiser les temps de recherche et l’identification de documents selon des critères d’appariement entre les mots contenus dans les requêtes utilisateurs (et uniquement ceux-là) et ceux des documents.
Dans notre cas, nous nous intéressons à la formulation de requête : l’idée est donc d’exploiter le contenu de wordnet arabe et d’un analyseur morphologique pour reformuler et étendre des requêtes (par expansion) de manière à retrouver plus précisément les bons documents.
Un problème est donc traité, il s’agit de palier le problème des variations lexicales, autrement dit, notre interface interroge wordnet arabe pour récupérer des mots différant lexicalement, mais reliés à ceux de la requête initiale par des relations sémantiques, telles que la synonymie, la généralisation et la spécialisation. Un problème que nous n’avons pas traité dans le cadre du présent travail s’est posé au niveau du choix du sens (synset) à prendre dans le cas de la polysémie dans les mots de la requête.
Le mode de fonctionnement de notre interface se résume ainsi : on commence la phase d’expansion de la requête en analysant les mots de la requête à l’aide de l’analyseur morphologique. wordnet arabe est ensuite interrogé pour récupérer une liste des termes reliés à la requête par des relations de synonymie, généralisation et spécialisation. L’ensemble des termes constitués par cette dernière liste ainsi que la liste des mots de la requête initiale forme ainsi la requête enrichie qui sera validée par l’utilisateur et envoyée au moteur de recherche Google.
L’évaluation de l’apport réel de l’enrichissement de la requête arabe est une tâche très délicate et demande par conséquent beaucoup d’investigations. Toutefois si nous allons se baser sur les études faites sur d’autres langues nous pouvons dire que l’apport des ontologie dans le domaine de la RI se caractérise par : - réduction du silence dans les réponses aux requêtes utilisateurs ; - réduction du nombre des réponses bruitées ; - expression de la requête plus facilement (assistance dans la formulation de la requête); Pour la confirmation de ces hypothèses, il nous reste maintenant les tâches suivantes : - fixer le nombre de concepts qui doivent être choisi pour chaque relation utilisée (synonymie, hypernymie, hyponymie…), - fixer le nombre de termes formant un concept d’extension résultant d’une relation sémantique, - fixer les poids à affecter aux mots des concepts résultant de l’extension, - l’étude de l’influence de l’utilisation des concepts composés de l’ontologie, - l’étude de l’apport de chaque relation sémantique utilisée dans le processus d’enrichissement.
Le processus de recherche d’information se compose de trois parties : construire la requête, construire la réponse, évaluer la réponse. La qualité de la réponse dépend largement de la qualité de la requête construite, ainsi, une requête clairement formulée est beaucoup plus complexe que sa réponse. L’idée de cet article est d’exploiter une ressource lexicale et un analyseur morphologique pour reformuler (par expansion) la requête de l’utilisateur afin d’améliorer les résultats de la recherche. Pour tester cette approche nous avons utilisé le moteur de recherche Google avec wordnet arabe. Une amélioration possible de notre travail consiste à palier le problème des variations morphologiques par l’exploitation des formes de base des mots de la requête produits par l’analyseur morphologique pour déduire les formes dérivées.
Beaucoup de tests et d’améliorations restent à faire et comme perspective nous sommes entrain de construire un corpus de texte arabe avec lequel nous pensons faire une évaluation objective de l’apport réel de cette approche dans un SRI pour les textes en langue arabe.