=Paper=
{{Paper
|id=Vol-547/paper-26
|storemode=property
|title=étude Comparative des Algorithmes de Segmentation Thématique Pour la Langue Arabe
|pdfUrl=https://ceur-ws.org/Vol-547/149.pdf
|volume=Vol-547
|dblpUrl=https://dblp.org/rec/conf/ciia/HarragB09
}}
==étude Comparative des Algorithmes de Segmentation Thématique Pour la Langue Arabe==
https://ceur-ws.org/Vol-547/149.pdf
Étude Comparative des Algorithmes de Segmentation
Thématique Pour la Langue Arabe
Fouzi Harrag ¹, Mohamed BenMohammed ²
¹ Département d'informatique
Université Farhat Abbas
Sétif –Algérie
hfouzi2001@yahoo.fr
² Département d'informatique
Université Mentouri,
Constantine, Algérie
ben_moh123@yahoo.com
Résumé. Le besoin d'avoir un système de segmentation thématique des textes
arabes apourbutd’ améliorer les fonctionnalités de la Recherche d'Information
Arabe (RIA). La segmentation thématique des textes a été utilisée pour
améliorer la précision des processus subséquents telle que les systèmes de
résumé automatique, les systèmes de Question/Réponses et les systèmes de
rec herche d’ i
nfor mation. Dans cet article, nous présentons une étude
comparative des algorithmes TextTiling et C99 pour la segmentation thématique
des textes arabes. Nous évaluons la performance de ces deux algorithmes en
utilisant les mesures classiques Rappel et Précision et la méthode des
Jugements des Lecteurs récemment introduite.
1 Introduction
La segmentation thématique est une nouvelle technique pour l ’amélioration de
l'accès à l’information, elle peut être définie comme la tâche de subdivisi ond’ un
document en plusieurs paragraphes thématiquement cohérents. En recherche
d'information par exemple, avoir des documents thématiquement segmentés peut
résulter en la récupération des segments de texte courts et pertinents qui
correspondent directement à la requête d'un utilisateur au lieu de longs documents
examiné avec soin par l ’utilisateur pour trouver l'objet de son intérêt. Avoir des
documents thématiquement segmentés peut aussi aider dans la tâche de résumé
automatique des textes puisque un meilleur résumé peut être obtenu de la fusion des
différents segments constituant le document [7]. Au temps où un nombre considérable
de recherches a é téc onsacréàl ’étudecette technique pour les langues anglaise et
française, peu l'ont étudié pour d’ autres langues et presque personne, àl’
e xcept i
onde
[7] et [12], n ’
aé t
u diéc ettet e chniqu epour langue arabe. Le manque de recherche
dans ce domaine nous a poussés à adopter les deux algorithmes de segmentation
thématique TextTiling et C99 pour une telle langue. Cet article est organisé comme
suit: la Section 2 présents u
né tatdel’a rtda nsl edoma i
n e; la Section 3 présents une
vue d'ensemble des approches implémentés; les résultats et leur discussion sont
rapportées dans la Section 4; finalement la Section 5 conclut l’art
icle.
2 Travaux antérieurs
Les approches qui adressent le problème de segmentation thématique peuvent être
classées en deux classes : les approches à base de connaissance et les approches à base
de mot. Les systèmes à base de connaissance, comme dans [11], exige un grand effort
ma nu eld el ’i
n génierie de connaissance pour la créa t
iond’ unebase de connaissance
(réseau sémantique et/ou de Frames). Ceci est seulement réalisable dans quelques
domaines très restreints. Pour dépasser cette limitation, et pour traiter une grande
quantité de textes, les approches à base de mot ont été développées. [13] et [20] fait
usage de la distribution des mots dans un texte pour trouver une segmentation
thématique. Ces travaux sont bien adaptés à des textes techniques ou scientifiques
caractérisés par un vocabulaire spécifique.
Pour traiter des textes narratifs ou explicatifs tels que les articles des journaux, les
approches [17] et [22] sont basées sur la cohésion lexicale calculée à partir d'un réseau
lexical. Ces méthodes dépendent de la présence du vocabulaire du texte à l'intérieur de
leur réseau. Donc, pour éviter toute restriction de domaines dans tels genres de textes,
[20] a présenté une méthode mixte qui augmente un système basée sur la distribution
des mots, en utilisant les connaissances représentés par un réseau lexical de co-
occurrences construit automatiquement à partir d'un corpus.
Les autres approches Existantes de segmentation thématique peuvent être classées
dans deux groupes principaux: les approches à base de cohésion lexicale et les
approches à base d’a t
tri
bu ts. Les approches à base de cohésion lexicale dépendent de la
tendance des unités thématiques à lier ensemble. En outre, les approches qui mesurent
ce type de cohésion peuvent être divisées en deux catégories: les approches à base de
similarité où les modèles de répétitions syntactiques sont utilisés pour indiquer la
cohésion et les approches à base de chaînes lexicales où autres aspects de cohésion
lexicale (comme les relations entre termes) sont aussi analysé [3].
3 Approches implémentés
Dans cette section, deux algorithmes de segmentation thématique des textes sont
décrits: TextTiling [13] et C99 [5]. Les deux systèmes sont basés sur la cohésion
lexicale. L'algorithme TextTiling utilise la mesure de similarité Cosine entre les
vecteurs des termes pour mesurer la densité de la cohésion entre blocs adjacents.
L'algorithme C99 utilise aussi la mesure de similarité Cosine pour déterminer des
ressemblances parmi les phrases du texte puis il projette ceux-ci graphiquement. Il
applique alors des techniques de traitement d'image pour déterminer des frontières
thématiques.
3.1 Pré-traitement des textes
L'étape de pré-traitement traite l
e sf l
uxd’ entréeen enlevant les étiquettes et les
ponctuations et en transformant les termes en lemmes. En premier lieu, nous allons
construire des blocs de texte appelés « séquences lexicales ». Le texte de l'entrée est
simplement une séquence de caractères avant le pré-traitement. C'est la responsabilité
du pré-processor de transformer cette séquence en unités sémantiques dans la phase
d’analysel exicale. Ces unités peuvent être des mots simples tels que les mots
programme et création, ou des expressions composées telles que Les États-Unis (par
opposition à États et Unis).
3.2 L’
Algor
ithmeTextTiling
L'algorithme TextTiling, pour la découverte des structures thématiques en utilisant
la répétition des termes, se décompose de trois parties principales [13]:
Le découpage physique.
Détermination de la similarité.
Identification des frontières.
C’ est l’un des travaux fondateurs dans le domaine de la détection de thème, TextTiling
réalise le découpage d’ un texte en unités de discours multi paragraphe cohérentes qui
reflète la structure thématique du texte cf. Figure 1. Cet algorithme utilise la fréquence
lexicale indépendamment du domaine et la distributivité pour reconnaitre l’ interaction
de thèmes simultanés multiples. Elle se base sur un modèle d’ espace vectoriel qui
détermine la similarité entre des groupes voisins de phrases et place une coupure entre
des blocs voisins dissimilaires.
La première étape est le découpage physique Elle se base sur une mesure de similarité
lexicale. Les lemmes issus du texte prétraites sont groupes en pseudo phrases, c'est-a-
dire un ensemble de lemmes adjacents (20 dans l’article), qui sont elles-mêmes
regroupées en bloc de Taille fixée par l’utilisateur (cf. Figure 1). Cette taille des
segments est variable, elle peut aller de 3 à 5 pseudo phrases a un paragraphe. En
général, on prend la moyenne de la longueur des Paragraphes. Les paragraphes réels
ainsi que les phrases ne sont pas pris car leur longueur Peut être fortement irrégulière
conduisant à des comparaisons déséquilibrées.
La deuxième étape est le calcul de la similarité entre blocs adjacents La similarité entre
des blocs de pseudo phrase adjacents est calculée cf. Figure 1 par Une mesure du
cosinus cf. Equation 1 : étant donne des blocs de textes b1 et b2,
W t,b1 W t,b2 (1)
Score(i) t
W W
2 2
t, b1 t, b2
t t
Où t s’
étendàl ’ensembl ed est e r
me sda nsledocume nte
twt,b1 est le poids tf.idf assigné
au terme t dans le bloc b1. tf.idf correspond au nombre de lemmes communs et au
nombr edef oi squ ’
ilsa pparaisse ntdans le texte tout entier. Donc, si le score de la
similarité entre deux blocs est élève, alors non seulement les Blocs ont des termes en
commu n,ma isl esterme squ ’il
son te nc ommu ns ontrelativeme n trares en ce qui
concerne le reste du document. L’ évidence de la réciproque n’est pas aussi concluante :
si des blocs adjacents ont une mesure de similarité faible, cela ne signifie pas
néces saireme ntqu ’
ilsn es et ienne ntpa se nsembl e;c ep enda nt,e npr ati
quec ett
e
évidence négative est souvent justifiée.
Fig. 1. Principe del
’al
gor
it
hmeTextTiling
La troisième étape e s
tl ’extraction des zones thématiques, à partir de ce score, le calcul
d’un score de cohésion (ou de profondeur) est effectue qui quantifie la similarité entre
un bloc et les blocs voisins. En terme de graphe de score de Similarité, un score de
cohésion peut être représente comme la somme des différences entre le sommet du pic
et les creux des vallées voisines. Le calcul des scores de cohésion procède comme suit:
on commence au premier creux entre 2 blocs et,
on mémorise le score de similarité associée avec les blocs de chaque cote du
creux.
On vérifie le score de similarité du creux précédant,
Sic ’estp l
ushaut,onc on t
inuee tone x amin eles c
ored es imi l
aritéduc r
eux
précédant.
Onc on t
in uej
usqu’àc equ elescores oitp lusba squ ec eluidéjàe xami ner.
Ensuite, on soustrait le score de similarité du creux initial avec le score
maximum de similarité rencontre.
Cette procédure est répétée pour les creux entre les blocs suivant le premier
creux.
Enfin, la somme des deux différences est calculée.
Cette valeur est le score de cohésion pour le premier creux examine, les scores de
cohésion ne sont calcules que pour les creux qui sont des minimaux locaux pour la
fonction de similarité. Les limites, c’est-a-dire les zones de changements de thèmes,
sont déterminées en localisant les portions les plus basses des vallées dans le graphique
résultant. En d’
autres termes, les creux avec de fort score de cohésion sont sélectionnes
comme les endroits de rupture de thèmes. Cette coupure est ajustée a la fin d’ un
paragraphe. Ceci permet d’ éliminer les coupures très proches l’ une de l’autre.
3.3 L’
alg
ori
thmeC99
Cet algorithme proposé par [5] utilise une mesure de similarité entre chaque unité
textue l
le.L’ idéedeb asedec ettemé thodee stqu elesme su resdes i
mila
rit
ée ntre des
segments de textes courts sont statistiquement insignifiantes, et que donc seul des
classements locaux (voir ci-dessous) sont à considérer pour ensuite appliquer un
algorithme de catégorisation sur la matrice de similarité.
Dans un premier temps, une matrice de similarité est donc construite, représentant la
simila ri
tée ntretou t
esl esph r
as esdut exteàl ’aidedel ame sured esimi
lar
itéCosinus,
calculée pour chaque paire de phrases du texte, en utilisant chaque mot commun entre
les phrases, et après « nettoyage » du texte : suppression des mots vides et
lemmatisation.
One ffectu ee n su
iteu n«c lasseme n tlocal» ,e ndé t
ermin an tpou rchaquepaired’ uni
tés
textuelles, le rang de sa mesure de similarité par rapport à ses m × n −1voisins, m × n
étant le ma squ edec lasseme ntc hoisi.Ler an ge stlen ombr ed’ él
éme nt
svoisinsa yant
une mesure de s i
mi l
a ri
téplusf ai
b l
e ,con s
e rvés ou slafo rmed ’unra t
iorafi
nd ep rendre
en compte les effets de bord.
rang . (2)
r
# de voisins dans le masque
Enfin, la dernière étape détermine les limites de chaque segment de la même manière
quel ’algorit
h meDotplotting [24] emploie la maximisation. En effet on cherche à
déterminer quelle configuration offre la plus grande densité, en recherchant une
nouvelle limite thématique à chaque étape.
Les segments sont alors représentés par des carrés le long de la diagonale de la matrice
de similarité modifiée avec les classements locaux. Pour chaque segment de la
répartition proposée à une étape de la segmentation on considère son aire notée ak et
son poids sk qui e stlas ommede st ou slesr a
ngsd
esph
ras
esqu
’ilc
ont
ie
nt.Onc
alc
ule
alors la densité D de la configuration avec :
m
s k . (3)
D km1
a
k 1
k
L’a l
g or
ith
me s ’arrêtel orsqu elad ensit
éd el a me ill
eur
er éparti
tion p roposéee st
suffisamment faible, ou si le nombre de frontières thématiques est déjà déterminé,
lorsqu ’
iles
tatteint.
Fig. 2. Principe del
’al
gor
it
hmeC99.
4 Résultats et discussion
4.1 Cr
itè
resd’
éval
uat
ion
L’
éva
lua
tiond
elas
egme
nta
ti
ont
héma
tiqu
epe
uts
efa
ired
epl
usi
eur
sma
niè
res:
Par comparaison avec des jugements humains : aucun corpus segmenté de
tai
llesuf
fisanten’estc ep e
n da ntdisponible à ce jour ; des propositions ont été
fait
espou rl ac onstit
u ti
ond’ u nt elco rpuse tp ou ré valuerlaqu ali
téde s
jugements humains [4] [13] [24].
Pa
rr appo r
tàd esma rque sdépos éespa rl ’auteurdut exte( c
ett
eprocédure
n’
estp asf iablecart outesegmentation est subjective [24], la position des
marques de segmentation dépend du point de vue du lecteur) ;
Par rapport à des marques « certaines » à retrouver (limites entre documents
d’unc orpu sp arexemple);
Par son impact sur une tâche particulière (évaluation fonctionnelle), la
recherche d'informations par exemple.
4.2 Le Corpus d’
éva
luat
ion
Pour l'évaluation des deux algorithmes TextTiling et C99, on se base sur les jugements
de sept lecteurs, chaque lecteur parmi les sept a fait la lecture et la segmentation
manuelle de 5 textes arabes traitant des sujets de deux domaines différents (Littérature,
Médecine). Les textes utilisés pour cette évaluation ont une longueur moyenne entre
600 et 2000 mots. Les lecteurs ont été invités simplement à délimiter les paragraphes
auxquels il y a un changement de thème, cette délimitation restera subjective pour
chaque lecteur.
4.3 Méthode de Jugements des Lecteurs:
Le schéma de la figure (Fig.3) montre les limites faites par les sept lecteurs sur les
textes. Ce schéma nous aide à illustrer les tendances générales des évaluations des
lecteurs, et également à montrer où/et combien de fois ils sont en accord ou en
désaccord. Par exemple, tous les lecteurs sauf le quatrième ont marqué une frontière au
paragraphe 7. Ce lecteur en désaccord avec les autres a délimité la frontière au
paragraphe 1 0.L’ ensembl ed esf rontière
s pou rl es
qu ell
e slesl ec te urss on ttouse n
accord sont les suivants: {12, 20, 22, 31, 33, 37, 38, 50}. Par contre, il y a un désaccord
pour les frontières suivantes: {1, 15, 18, 41,43, 44, 45 …} .
Fig. 3. Le
srup
tur
esmi
sespa
rle
sle
cte
urse
tl’
alg
ori
thmeTextTiling
D’ a près[ 24], si quatre ou plus sur sept lecteurs marquent la même frontière, la
segmentation s'avérée. Mais, deux années après [18], ont montré que trois lecteurs sont
considérés suffisamment pour classifier ce point comme une frontière "principale". [4]
et [14] précisent l'importance de tenir en compte l ’acc
ordfor
tu i
te tpr évue nc alculant
si les lecteurs convenir de manière significative. A c
ett
efin
,Ilsc onse i
llen td‘u t
ili
s erle
coefficient de Kappa (K). S'accorder à [4], K mesure par paires l'accord parmi un
en sembl edel ecteur
sf ais
antdesc atég ori
e sdej u gements
,cal
culan tselonl ’équ ati
on( 4)
P
A P
E
K . (4)
1 P
E
Où P (A) est la proportion de fois que les lecteurs conviennent et P(E) est la proportion
de fois où on s'attendrait à ce qu'ils conviennent par hasard. Le coefficient peut être
calculé en faisant par paires des comparaisons contre un expert ou en comparant à une
décision de groupe. [4] déclare également que si K > 0.8 ceci signale que la
segmentation est bonne, et si K > 0. 67 et K < 0.8 cela permet de donner des
conclusions expérimentales acceptables. Les coefficients trouvés par [14] se sont
étendus du 0.43 au 0.68 pour trois lecteurs, et ceux trouvées par [4] sont étendus du
0.65 à 0.90 pour quatre lecteurs segmentant des phrases.
Dans notre évaluation, nous concéderons que trois jugements en accord sont
accep tablespou rcon s
idé r
e rlaf ronti
èrej ust
e .A pa rtirdel af ig ur
e( Fi
g .3)l’en sembl e
des frontières acceptables est le suivant : {1, 3, 5, 7, 12, 14, 15, 16, 18, 20, 22, 23, 29,
31, 33, 34, 37, 38, 50}. A partir du schéma de la même figure on peut calculer le
coefficient Kappa comme il est montré dans le tableau 1 ci-dessous, la comparaison de
nos résultats avec celles obtenus par Hearst [13] à pa r
tird el ’a pplic
a ti
on d e
l’
algorit
h me TextTiling sur un corpus anglais a montré que notre segmentation est
acceptable.
Table 1. Résultats de calcul du coefficient Kappa
P(A) P(E) K K (H) Remarque
0.7894 0.2106 0.7332 0.647 Acceptable
4.4 Méthode de Rappel / Précision:
Dans l’ expérience suivante, les deux mesures rappel et précision, classiquement
utilisés dans la recherche d'information, détaillés dans [1], ont aussi été employés
pour évaluer les algorithmes de segmentation. Dans le contexte de segmentation
thématique, la précision est définie comme:
Nombre de frontières correctement détectées par le système . (5)
P
nombre totale de frontières générées par le système
Tandis que le rappel est défini comme:
Nombre de frontières correctement détectées par le système . (6)
R
nombre totale des frontières de référence
Les valeurs de Rappel et Précision pour les deux algorithmes nous donnent une idée
générale surl ’
éc hecdec esde uxme su restraditionnellesdel arec
h erched’ information
da nslat ached’ évaluati
onde sperformances des systèmes de segmentation [11]. Le
tableau 2 présente les valeurs de rappel et de précision pour cinq textes du corpus de
référence segmentés par l ’algor ithmeTextTiling. On voit bien que les valeurs de
rappel pour cet algorithme sont très basses, allant de 0.00ju squ’
à0. 60,t andisqu eles
valeurs de précision sont hautes, allant de 0.40 jusqu’à1.00.
Table 2. Rappel et Précision pour 5 textes segmentésa
vecl
’al
gor
it
hmeTextTiling
Texte Nombre total de Nombre de frontières en Rappel Précision
frontières accords
1 6 6 0.00 1.00
2 4 4 0.00 1.00
3 3 2 0.33 0.66
4 5 2 0.60 0.40
5 1 1 0.00 1.00
Cependant, ces valeurs ne prennent pas en compte le fait que l’
alg
orit
hmeTextTiling
ma lgréqu’ ilé chou eda n sl adé tecti
onc or
rect
ede sf ron ti
ères,i lnema nqu ede
détecter toutes les frontières. Le tableau 3 présente les valeurs de rappel et de
précision pour les cinq textes segmentés par l ’algorithme C99. On remarque que
l’
algorithme C99 a de hautes valeurs du rappel, 0.33, 0.40, 0.50 et 1 respectivement,
Alors que Les valeurs de précision sont entre 0.50 et 0.66.
Table 3. Ra
ppe
letPr
éci
si
onp
our5t
ext
ess
egme
nté
sav
ecl
’al
gor
it
hmeC99
Texte Nombre total de Nombre de frontières en Rappel Précision
frontières accords
1 6 3 0.50 0.50
2 4 2 0.50 0.50
3 3 2 0.33 0.66
4 5 3 0.40 0.60
5 1 0 1.00 0.00
Le tableau 4 présente les résultats de comparaison entre les deux algorithmes et les
jugements des lecteurs. Pour les algorithmes, TextTiling a la meilleure valeur pour la
précision; il dépasse 0.84 mais il a la plus mauvaise valeur pour rappel qui est égale
0.15. C99 a la plus mauvaise valeur de précision 0.45 mais il a la meilleure valeur
pour le rappel; il dépasse 0.54. TextTiling et C99 paraissent avoir des difficultés à
s’adapter avec le nombre de frontières à découvrir; la longueur du texte a un grand
impact sur leur nombre de frontières détectées. L’ al
g ori
thmeC99 paraît être plus
effectif aux textes arabes.
Table 4. Comparaison des algorithmes avec les jugements des lecteurs
Segmentation Rappel Précision
TextTiling 0.18 0.81
C99 0.54 0.45
Les jugements des lecteurs 0.15 0.84
5 Conclusion
Dans cet article, une analyse comparative de deux algorithmes de segmentation
thématique des textes arabes est présentée. Pour évaluer les performances de chaque
algorithme sur des corpus arabe, chacun a été appliqué sur un ensemble de textes
arabes et les résultats ont été comparés. Nous avons confirmé dans cet article que la
tâche de segmentation est dure à évaluer parce que les objectifs peuvent varier.
Globalement l'algorithme TextTiling paraît être plus adapté à la langue arabe que
celui de C99. Pour aller plus loin dans les expérimentations, nous devrions essayer un
nouvel algorithme qui mélange une méthode supervisée avec une autre non
supervisée, et faire de nouvelles comparaisons entre les approches statistiques et
linguistiques. Finalement, notre travail montre qu'avec seulement des petites
améliorations, les algorithmes existants pour segmenter des textes anglais, sont
adaptables pour les textes arabes.
Références
1. R. Baeza-Yates and B. Ribeiro-Ne to,“ Mo de r
nI nfor ma tionRe tri
e val”.Addi son-Wesley,
ACM Press, 1999.
2. D. Beeferman, A. Be rge r,a ndJ .La ffert
y ,“ Sta t
istica lmode lsf ort ex ts egme nta t
ion,”
Machine Learning, vol. 34, pp. 177 - 210, 1999.
3. T.Br a nts,F.Che n,a nd I .Ts oc ha ntaridis,“ Topi c-based document segmentation with
pro ba bilist
icl atentse ma ntica na l
ys is,
”pr esenteda tCI KM, McLean, Virginia, USA, 2002.
4. J . Ca rlett
a .“ As s
es si
ng a g reeme nt on c lassification t asks: The ka ppa s tati
stic”
.
Computational Linguistics, 22(2):249-254. 1996.
5. F.Ch oi,“ Adv a ncesi ndoma ini nde pe nde ntlineart ex ts egme nt at
ion,”pr e s
e nteda tthef irs
t
conference on North American chapter of the Association for Computational Linguistics
(NAACL), Seattle, Washington, 2000.
6. K.Da rwis h,“ Building a Sha ll
ow Ar a
bic Mor p hol og i
ca lAna lyzeri n One Da y ,
”
Proceedings of the workshop on Computational Approaches to Semitic Language, in the
40th Annual Meeting of the Association for the Computational Linguistics, (ACL-02), pp.
47 - 54. 2002.
7. M. A. El-Shayeb, S. R. El-Be ltagya ndA.Ra fea,“ Compa ra t
iveAna lysisofDi fferentTe xt
Segmentation Algorithms on Arabic News Stori es,”Pr oc.I EEEI nt e
rna ti
o nalCo nf erence
on Information Reuse and Integration, pp. 441 - 446, Aug, 2007.
8. O.Fe rra t
,B.Gr aua ndN.Ma s son,“ The ma ti
cs e gme nt ationoft exts:twome thodsf ortwo
kindsoft ex ts,
”I nPr ocee ding soft he3 6thAnnua lMe etingoft he ACL, 1998.
9. M. Galley, K. McKeown, E. Fosler-lussier, and H. Jing. Discourse segmentation of multi-
party conversation. In: Proceedings of the 41st Annual Meeting of ACL, Sapporo, Japan,
2003.
10. G. Grefenstette, and P. Tapanainen. What is a word, what is a sentence? Problems of
tokenization. In: Proceedings of the 3rd Conference on Computational Lexicography and
Text Research (COMPLEX-94), Budapest, Hungary, 1994.
11. B.J .Gr osza ndC.L.Si dne r,“ At te nti
on,I ntent i
onsa ndt heSt ruc t
ur eofDi scours e,
”
Computational Linguistics, vol. 12, pp. 175 - 204, 1986.
12. Ha s nah,“ Ful lTe xtPr oc e ssing a nd Re tr
ieva l
:We ig htRa nking Te xtSt r
uc t
uring ,a nd
Pa ssa geRe tri
ev alforAr a bicDoc ume nts,”Ph. D.t he sis,I l
linoisIns tit
uteofTe chnol og y
.
1996.
13. M.A.He a r
st,“ Te xtTiling :Se gme nting t exti nt o mul tiparagraph s u btopicpa ssage s,
”
Computational Linguistics, vol. 23, pp. 33 - 64, 1997.
A. I sarda ndJ .Ca rle
tta“ Re pl icabilityoft r
ans actiona nda ctionc odi ngi nt hema pt ask
cor pus ” .InJ oha nnaMo orea ndMa rilynWa l
k er,e ditors,Empi r
ical Methods in Discourse:
Interpretation & Generation, AAAI Technical Report SS-95~06. AAAI Press, Menlo Park,
CA. 1995.
14. M.Y.Ka n,J .L.Kl ava ns ,a ndK.R.Mc Ke own,“ Li ne a
rs egme ntationa nds egme nt
relev anc e ,
”pr e sent
e da tt heI nterna tionalWor kshopofVe r
yLarge Corpora (WVLC 6),
Montreal, 1999.
15. D.Ka uc ha ka ndF.Che n,“ Fe a t
ure -ba seds egme ntationofna r ra
tivedoc ume nts,”pr esented
at the ACL Workshop on Feature Engineering for Machine Learning in Natural Language
Processing, Ann Arbor, MI, USA, 2005.
16. H. Kozi ma ,“ Te xtSe gme nt ationBa sedonSi mi laritybe twe enWor ds,”I nPr oc eedingsof
ACL'93, pp. 286 - 288, Ohio, Japan, 1993.
17. D.J .Li tma na ndR.J .Pa sso nne au.“ Combi ningmul tiplek nowl edges our cesf ordi scourse
segme ntation”.I nPr oc eedi ng soft he33r dMe e t
ingof Association for Computational
Linguistics., pages 108-115, June. 1993.
18. O.Ma nabua ndH.Ta keo,“ Wor ds ens edi sambig ua tiona ndt exts egme ntati
onba s
edo n
lexicalcohe sion,
”pr es ent
e da tTheI nt erna t
ionalCo nfer e
nc eonComput ationalLinguist
ics,
Kyoto, Japan, 1994.
19. N.Ma s s
on,“ AnAut oma t
icMe thodf orDoc ume ntSt r
uc turi
ng ,”InPr oc eedingsoft he18th
Annual International ACM-SIGIR Conference on Research and Development in
Information Retrieval, Seattle, Washington, USA, 1995.
20. G. A. Miller, R. Beckwith, C. Fe l
lba um,D.Gr oss ,a nd K.Mi ller,“ Fivepa person
Wor dne t,
”Cog nit
iveSc ie
nc eLa bor at
or y,Te chnicalr epor t199 0.
21. J.Mor ri
sa ndG.Hi r
s t,“Le x i
c a
lc ohe sionc omput edbyt hesaur usr elationsa sa nindicat
or
ofthes tructureoft ext,”Comput ationa lLi nguist
ics, vol. 17(1), pp. 21 - 48, 1991.
22. D.D.Pa lme ra nd M.A.He a r
st,“ Ada pti
ves e nt ence boun da ry di sambi guati
on,”I n
Proceedings of the 4th Conference on Applied Natural Language Processing, Stuttgart,
Germany, October. 1994.
23. J.R.Pa ssonne aua ndD.J .Li tma n.“ Intention-based segmentation: Human reliability and
correlati
onwi thlingui sti
cc ue s
”.I nPr oc eedi
ng soft he31s tAnn ualMe e ti
ng,pa ges148-
155. 1993.
24. J.Re ynar,“ TopicSe gme nta t
ion:Al gor i
thmsa ndAppl icati
on,”Ph .
D.t he sis,Computer and
Information Science. University of Pennsylvania, Pennsylvania, USA, 1998.
25. N.St ok es,J .Ca r
thy,a ndA.F.Sme a ton,“ SeLe CT:al exi
ca lc ohe sionba sedne wss t
ory
segme ntations yst
em, ”AICommuni ca ti
o ns,vol.17, pp.3- 12, 2004.