Recherche structurée

24 Novembre 2006
Laboratoire d’Informatique de Paris 6
Moteur de recherche XML pour
la plateforme Outilex

Introduction
Evolution dans le format des documents électroniques
Passage document « plat » document « structuré »
Ces documents sont définis par une structure logique (chapitres,
sections, paragraphes, …)
Incapacité des moteurs de recherche traditionnels face à ces
nouveaux formats
Avec cette évolution ont apparu de nouveaux besoins
visant à exploiter la richesse présente dans ces
documents
Nécessité d’élaborer de nouveaux concepts pour l’indexation, le
traitement, …
1
Laboratoire d’Informatique de Paris 6

Initiative internationale INEX
Corpus:
2002-2005 - 500 Mo de documents XML + requêtes + jugements de
pertinence, 16 000 documents (IEEE journals), 10 millions de doxels,
2006 Wikipedia XML : textes anglais de Wikipedia, 659,388 articles
couvrant une hierarchie de 113,483 categories, > 60 Gigabytes, 5000
tags differents. En moyenne an article contains 161.35 nœuds XML par
article, profondeur moyenne d’un élément 6.72.

Résultats INEX 2006

Travail effectué par le LIP6
Développement de moteurs de recherche XML
Réseaux Bayesiens
Algorithmes d’apprentissage (ordonnancement)
Implémenation d’un modèle simple dans la plateforme Outilex
Développement d’un module python permettant d’utiliser des
fonctionnalités d’Outilex
Cas de figure : Détection de mots composés.
Les fonctionnalités ajoutées:
Indexation de la structure des documents XML,
Pré-traitements linguistiques (utilisation du lemmatiseur Tree-Tagger et
Outilex),
Constitution d’index pour une recherche rapide,
Serveur permettant de répondre à des requêtes composées de mots-
clés.
Laboratoire d’Informatique de Paris 6 2