68

RésuméConfrontés à la problématique de l’indexation de très grands corpus documentaires d’entreprises, nous avons mis au point une méthode simple mais efficace (en temps de calcul et de volumétrie), permettant de filtrer par document les co-occurrences les plus représentatives de ceux-ci. Le choix d’un contexte de co-occurrences a deux raisons. D’une part les requêtes portant sur des corpus spécialisés et composés par des experts, s’appuient sur peu de termes précisément choisis dont l’indexation des associations permet la construction de cartes sémantiques de navigation dans les concepts du corpus. Pour cela nous prenons en compte la structure des documents en validant les contenus des paragraphes par ceux de leurs titres. Notre méthode s’appuie sur des mesures tf.idf successives effectuées dans le contexte d’un document et non d’un corpus, sur les contenus des paragraphes auxquels sont intégrés progressivement la hiérarchie des titres les introduisant. D’autre part, nous exploitons simultanément une ontologie de contrôle et les requêtes des utilisateurs comportant les termes précédemment discriminés pour valider par le théorème de Bayes, les associations sémantiques ainsi déterminées, qui finalement permettent la production de cartes sémantiques.

This paper addresses the problem of indexing very large enterprise corpuses. We have designed a simple yet efficient (in terms of computation time and the size of the generated results) method allowing to filter, on a per-document basis, the most representative co-occurrences of the documents. The reason for using co-occurrences is twofold. First, queries composed by experts on specialized corpuses rely statistically on few chosen terms, for which we index the associations. Second, such co-occurrences facilitate the construction of semantic maps used to navigate the concepts of the corpus. Our main approach is to take into account the structure of the documents by validating the content of the paragraphs by their titles. Our method starts with successive tf.idf measures of paragraph contents taken in the context of a document, to which we progressively integrate the hierarchy of their introducing titles. We then simultaneously exploit a control ontology and the user queries containing the terms that we discriminated in the first step in order to validate, using Bayes’ theorem, the semantic associations contained in a paragraph given the terms of its title.DOI:10.3166/DN.12.1.53-79 © 2009 Lavoisier, Paris