4-Recherche d'information

Mineure « Data Science » Frédéric Pennerath
RECHERCHE D’INFORMATION
Chapitre 5

Mineure « Data Science » Frédéric Pennerath
INTRODUCTION

Mineure « Data Science » Frédéric Pennerath
Le problème de la recherche d’information
(information retrieval)
Ensemble de
références
Application
cliente
Moteur de
recherche
d’information
Ensemble de
documents
Documents :
–Textes (bases documentaires)
–Hypertextes, documents XML/HTML
–R.I multimédia : images, vidéo, sons, etc
Granularité des réponses :
–Page web (URL)
–Documents (pdf,.doc, etc)
–Section, chapitre, page
–Paragraphes
Langage de requête :
–Mots clés pour le texte
–Requête par l’exemple (image, son, etc)
–Algèbre : opérateurs logiques, opérateurs
de proximité
Requête Réponse

Mineure « Data Science » Frédéric Pennerath
Objectifs
1. Démystifier les moteurs de recherche :
–Problème résolu depuis longtemps (bases documentaires)
–Théorie très simple : recherche linéaire dans des listes
2. Prétexte à introduire des notions connexes
–Modèles IR : modèle booléen, vectoriel, probabiliste
–Algorithmique : indexation, optimisation des requêtes, B-tree, correction
orthographique
–Fouille de texte et traitement automatique du langage naturel (TALN)
–Problématique du Big Data : parallélisme des données (Map Reduce), NoSQL
–Techniques Web : crawling /scraping

Mineure « Data Science » Frédéric Pennerath
La préhistoire de la recherche d’information :
l’approche de type « grep »
•Principe du grep :
grep(requête Q)
Liste L
pour chaque document D,
si D satisfait Q, ajouter la référence de D à L
fin pour
retourner L
•Avantage : requête sophistiquée (expressions régulières)
•Inconvénient :
–Parcours de toute la base documentaire à chaque requête
–Très lent car pas de prétraitement
–Inutilisable pour la recherche sur le Web