File size: 93,211 Bytes
6fa4bc9 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 | {
"paper_id": "F13-1015",
"header": {
"generated_with": "S2ORC 1.0.0",
"date_generated": "2023-01-19T09:40:48.385215Z"
},
"title": "Un mod\u00e8le segmental probabiliste combinant coh\u00e9sion lexicale et rupture lexicale pour la segmentation th\u00e9matique",
"authors": [
{
"first": "Anca",
"middle": [],
"last": "Simon",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "Universit\u00e9 de Rennes",
"location": {}
},
"email": ""
},
{
"first": "Guillaume",
"middle": [],
"last": "Gravier",
"suffix": "",
"affiliation": {},
"email": ""
},
{
"first": "Pascale",
"middle": [],
"last": "S\u00e9billot",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "INSA de Rennes IRISA & INRIA Rennes R\u00c9SUM\u00c9",
"location": {}
},
"email": ""
}
],
"year": "",
"venue": null,
"identifiers": {},
"abstract": "L'identification d'une structure th\u00e9matique dans des donn\u00e9es textuelles quelconques est une t\u00e2che difficile. La plupart des techniques existantes reposent soit sur la maximisation d'une mesure de coh\u00e9sion lexicale au sein d'un segment, soit sur la d\u00e9tection de ruptures lexicales. Nous proposons une nouvelle technique combinant ces deux crit\u00e8res de mani\u00e8re \u00e0 obtenir le meilleur compromis entre coh\u00e9sion et rupture. Nous d\u00e9finissons un nouveau mod\u00e8le probabiliste, fond\u00e9 sur l'approche propos\u00e9e par Utiyama et Isahara (2001), en pr\u00e9servant les propri\u00e9t\u00e9s d'ind\u00e9pendance au domaine et de faible a priori de cette derni\u00e8re. Des \u00e9valuations sont men\u00e9es sur des textes \u00e9crits et sur des transcriptions automatiques de la parole \u00e0 la t\u00e9l\u00e9vision, transcriptions qui ne respectent pas les normes des textes \u00e9crits, ce qui accro\u00eet la difficult\u00e9. Les r\u00e9sultats exp\u00e9rimentaux obtenus d\u00e9montrent la pertinence de la combinaison des crit\u00e8res de coh\u00e9sion et de rupture.",
"pdf_parse": {
"paper_id": "F13-1015",
"_pdf_hash": "",
"abstract": [
{
"text": "L'identification d'une structure th\u00e9matique dans des donn\u00e9es textuelles quelconques est une t\u00e2che difficile. La plupart des techniques existantes reposent soit sur la maximisation d'une mesure de coh\u00e9sion lexicale au sein d'un segment, soit sur la d\u00e9tection de ruptures lexicales. Nous proposons une nouvelle technique combinant ces deux crit\u00e8res de mani\u00e8re \u00e0 obtenir le meilleur compromis entre coh\u00e9sion et rupture. Nous d\u00e9finissons un nouveau mod\u00e8le probabiliste, fond\u00e9 sur l'approche propos\u00e9e par Utiyama et Isahara (2001), en pr\u00e9servant les propri\u00e9t\u00e9s d'ind\u00e9pendance au domaine et de faible a priori de cette derni\u00e8re. Des \u00e9valuations sont men\u00e9es sur des textes \u00e9crits et sur des transcriptions automatiques de la parole \u00e0 la t\u00e9l\u00e9vision, transcriptions qui ne respectent pas les normes des textes \u00e9crits, ce qui accro\u00eet la difficult\u00e9. Les r\u00e9sultats exp\u00e9rimentaux obtenus d\u00e9montrent la pertinence de la combinaison des crit\u00e8res de coh\u00e9sion et de rupture.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Abstract",
"sec_num": null
}
],
"body_text": [
{
"text": "La segmentation th\u00e9matique consiste \u00e0 mettre en \u00e9vidence la structure s\u00e9mantique d'un document et les algorithmes d\u00e9velopp\u00e9s pour cette t\u00e2che visent \u00e0 d\u00e9tecter automatiquement les fronti\u00e8res qui d\u00e9finissent des segments th\u00e9matiquement coh\u00e9rents. Cible de nombreux travaux, la segmentation th\u00e9matique a \u00e9galement des retomb\u00e9es en recherche d'information, r\u00e9sum\u00e9 automatique, syst\u00e8mes de question-r\u00e9ponse... Diverses m\u00e9thodes de segmentation de donn\u00e9es textuelles ont \u00e9t\u00e9 propos\u00e9es dans la litt\u00e9rature (Yamron et al., 1998; Georgescul et al., 2006; Galley et al., 2003; Hearst, 1997; Reynar, 1994; Moens and Busser, 2001; Choi, 2000; Ferret et al., 1998; Utiyama and Isahara, 2001) . Comme indiqu\u00e9 dans (Purver, 2011) , elles peuvent \u00eatre supervis\u00e9es ou non, reposer sur des changements de vocabulaire, des techniques de clustering, sur la d\u00e9tection de fronti\u00e8res discriminantes ou sur des mod\u00e8les probabilistes. D\u00e9terminer les segments th\u00e9matiques \u00e0 l'aide de mod\u00e8les probabiliste consiste la plupart du temps \u00e0 inf\u00e9rer la s\u00e9quence de th\u00e8mes la plus probable \u00e0 partir des mots observ\u00e9s et \u00e0 d\u00e9river les positions des fronti\u00e8res (Yamron et al., 1998; Blei and Moreno, 2001) . Ces mod\u00e8les utilisent un corpus d'apprentissage pour estimer les distributions documents-th\u00e8mes et th\u00e8mes-mots. Des travaux r\u00e9cents ont montr\u00e9 l'int\u00e9r\u00eat de l'int\u00e9gration de ces mod\u00e8les probabilistes dans les algorithmes de segmentation de textes reposant sur la similarit\u00e9 de vocabulaire (Misra and Yvon, 2010; Riedl and Biemann, 2012) . Nos travaux portent sur les m\u00e9thodes non supervis\u00e9es. La plupart d'entre elles repose sur la coh\u00e9sion du vocabulaire pour identifier des segments coh\u00e9rents dans les textes, exploitant les mots qu'ils contiennent et les relations s\u00e9mantiques que ces mots entretiennent. Pour mesurer la coh\u00e9rence dans les (segments de) textes, la coh\u00e9sion lexicale, fond\u00e9e sur la r\u00e9p\u00e9tition de mots ou sur l'exploitation de cha\u00eenes lexicales, est fr\u00e9quemment retenue en privil\u00e9giant l'une ou l'autre des deux strat\u00e9gies suivantes : soit on cherche \u00e0 maximiser la mesure de coh\u00e9sion lexicale des segments, en regroupant les portions de texte lexicalement coh\u00e9rentes, soit on cherche \u00e0 identifier des ruptures entre les segments en pla\u00e7ant des fronti\u00e8res quand survient un changement significatif dans le vocabulaire utilis\u00e9 (Hearst, 1997) . Dans cet article, notre objectif est de proposer une nouvelle solution pour la segmentation th\u00e9matique de documents qui consiste \u00e0 m\u00ealer ces deux approches, c'est-\u00e0-dire \u00e0 combiner les mesures de coh\u00e9sion lexicale et de rupture lexicale afin d'obtenir une segmentation en fragments \u00e0 la fois th\u00e9matiquement coh\u00e9rents et diff\u00e9rents les uns des autres.",
"cite_spans": [
{
"start": 500,
"end": 521,
"text": "(Yamron et al., 1998;",
"ref_id": "BIBREF26"
},
{
"start": 522,
"end": 546,
"text": "Georgescul et al., 2006;",
"ref_id": "BIBREF10"
},
{
"start": 547,
"end": 567,
"text": "Galley et al., 2003;",
"ref_id": "BIBREF9"
},
{
"start": 568,
"end": 581,
"text": "Hearst, 1997;",
"ref_id": "BIBREF14"
},
{
"start": 582,
"end": 595,
"text": "Reynar, 1994;",
"ref_id": "BIBREF23"
},
{
"start": 596,
"end": 619,
"text": "Moens and Busser, 2001;",
"ref_id": "BIBREF20"
},
{
"start": 620,
"end": 631,
"text": "Choi, 2000;",
"ref_id": "BIBREF5"
},
{
"start": 632,
"end": 652,
"text": "Ferret et al., 1998;",
"ref_id": "BIBREF8"
},
{
"start": 653,
"end": 679,
"text": "Utiyama and Isahara, 2001)",
"ref_id": "BIBREF25"
},
{
"start": 701,
"end": 715,
"text": "(Purver, 2011)",
"ref_id": "BIBREF22"
},
{
"start": 1127,
"end": 1148,
"text": "(Yamron et al., 1998;",
"ref_id": "BIBREF26"
},
{
"start": 1149,
"end": 1171,
"text": "Blei and Moreno, 2001)",
"ref_id": "BIBREF2"
},
{
"start": 1462,
"end": 1484,
"text": "(Misra and Yvon, 2010;",
"ref_id": "BIBREF19"
},
{
"start": 1485,
"end": 1509,
"text": "Riedl and Biemann, 2012)",
"ref_id": "BIBREF24"
},
{
"start": 2317,
"end": 2331,
"text": "(Hearst, 1997)",
"ref_id": "BIBREF14"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "La technique que nous proposons peut s'appliquer \u00e0 tout type de donn\u00e9es textuelles et est ind\u00e9pendante d'un domaine particulier. Notre objectif est cependant de l'appliquer \u00e0 la segmentation de journaux t\u00e9l\u00e9vis\u00e9s afin de permettre \u00e0 des utilisateurs de naviguer dans ce type de donn\u00e9es. De mani\u00e8re \u00e0 rester g\u00e9n\u00e9rique et non supervis\u00e9e, la segmentation th\u00e9matique peut dans ce cas s'appuyer sur la transcription automatique de la parole prononc\u00e9e dans les \u00e9missions. L'analyse des mots de la transcription vise alors \u00e0 trouver un changement significatif de vocabulaire et donc un changement de th\u00e8me (Hearst, 1997) . Cependant, les particularit\u00e9s des transcriptions automatiques accroissent la difficult\u00e9 de la t\u00e2che de segmentation. En effet, ces transcriptions ne contiennent ni casse, ni ponctuation, et ne sont donc pas structur\u00e9es en phrases comme des textes standards mais en groupes de soufle correspondant aux mots prononc\u00e9s par une personne entre deux inspirations. De plus, elles peuvent contenir de nombreux mots mal transcrits. Difficult\u00e9 suppl\u00e9mentaire, les journaux TV peuvent avoir des segments th\u00e9matiques tr\u00e8s courts, contenant peu de mots et donc peu de r\u00e9p\u00e9titions, en particulier quand le pr\u00e9sentateur fait volontairement usage de synonymes. Cela rend l'utilisation du crit\u00e8re de coh\u00e9sion lexicale particuli\u00e8rement ardue. Notre algorithme de segmentation th\u00e9matique ayant un fort potentiel pour traiter ces cas, nous avons souhait\u00e9 le tester sur ces donn\u00e9es difficiles.",
"cite_spans": [
{
"start": 599,
"end": 613,
"text": "(Hearst, 1997)",
"ref_id": "BIBREF14"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "La technique pr\u00e9sent\u00e9e ici repose sur l'algorithme de segmentation de textes propos\u00e9 par Utiyama et Isahara (2001) , algorithme dont les capacti\u00e9s ont \u00e9t\u00e9 attest\u00e9es pour le texte \u00e9crit. C'est un mod\u00e8le probabiliste qui fournit une segmentation non supervis\u00e9e. Dans cette approche, il n'y a donc pas de tentative d'apprentissage de l'ensemble des mod\u00e8les th\u00e9matiques le plus probable \u00e0 partir des donn\u00e9es d'apprentissage, mais au contraire l'ensemble est g\u00e9n\u00e9r\u00e9 par l'algorithme \u00e9tant donn\u00e9s les textes \u00e0 segmenter. Ce mod\u00e8le est ind\u00e9pendant du domaine et permet l'obtention de segments de longueurs tr\u00e8s vari\u00e9es. Il consiste en une repr\u00e9sentation du document \u00e0 segmenter sous forme d'un graphe, o\u00f9 les noeuds repr\u00e9sentent les fronti\u00e8res th\u00e9matiques potentielles et les arcs les segments. La segmentation th\u00e9matique est obtenue en trouvant le meilleur chemin dans le graphe valu\u00e9, dans lequel les poids refl\u00e8tent la valeur de coh\u00e9sion lexicale. Notre contribution consiste \u00e0 d\u00e9finir un mod\u00e8le statistique am\u00e9lior\u00e9 qui permet d'int\u00e9grer la rupture lexicale. Par cons\u00e9quent, notre algorithme se r\u00e9sume en un d\u00e9codage d'un treillis afin d'identifier la meilleure segmentation. Cette repr\u00e9sentation permet de consid\u00e9rer la valeur de rupture lexicale en chaque noeud. La solution propos\u00e9e est test\u00e9e pour la segmentation de journaux TV transcrits mais \u00e9galement de textes \u00e9crits, et les \u00e9valuations montrent une am\u00e9lioration en pr\u00e9cision et rappel par rapport \u00e0 la seule utilisation de la valeur de la coh\u00e9sion lexicale. L'article est organis\u00e9 de la fa\u00e7on suivante : des travaux en segmentation th\u00e9matique existants sont pr\u00e9sent\u00e9s dans la section 2. Dans la section 3, nous d\u00e9taillons notre approche, en d\u00e9crivant d'abord le mod\u00e8le g\u00e9n\u00e9ral d'Utiyama et Isahara puis le nouveau mod\u00e8le statistique propos\u00e9. Dans la section 4, les exp\u00e9riences sont pr\u00e9sent\u00e9es, avec des d\u00e9tails sur les corpus utilis\u00e9s et une analyse des r\u00e9sultats.",
"cite_spans": [
{
"start": 89,
"end": 114,
"text": "Utiyama et Isahara (2001)",
"ref_id": "BIBREF25"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Dans cette section, nous pr\u00e9sentons rapidement les notions-cl\u00e9s concernant le concept de segmentation th\u00e9matique, ainsi que les techniques existantes et les traits qu'elles exploitent pour r\u00e9aliser cette t\u00e2che.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Techniques de segmentation th\u00e9matique",
"sec_num": "2"
},
{
"text": "Le concept de th\u00e8me est difficile \u00e0 d\u00e9finir pr\u00e9cis\u00e9ment et les linguistes qui ont tent\u00e9 de le caract\u00e9riser en offrent de nombreuses d\u00e9finitions. Dans (Brown and Yule, 1983) , la difficult\u00e9 de d\u00e9finir un th\u00e8me est longuement discut\u00e9e et les auteurs soulignent que : \"The notion of 'topic' is clearly an intuitively satisfactory way of describing the unifying principle which makes one stretch of discourse 'about' something and the next stretch 'about' something else, for it is appealed to very frequently in the discourse analysis literature. Yet the basis for the identification of 'topic' is rarely made explicit.\".",
"cite_spans": [
{
"start": 150,
"end": 172,
"text": "(Brown and Yule, 1983)",
"ref_id": "BIBREF3"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Le concept de th\u00e8me",
"sec_num": "2.1"
},
{
"text": "Souhaitant appliquer la segmentation th\u00e9matique \u00e0 des journaux TV, nous avons cherch\u00e9 \u00e0 voir si la notion de th\u00e8me avait \u00e9t\u00e9 d\u00e9finie dans le contexte d'\u00e9missions t\u00e9l\u00e9vis\u00e9es. Le projet Topic Detection and Tracking (Allan, 2002) s'est par exemple focalis\u00e9 sur le rep\u00e9rage de segments de journaux TV th\u00e9matiquement li\u00e9s. Dans ce cadre, les notions d'\u00e9v\u00e9nement et de th\u00e8me ont \u00e9t\u00e9 d\u00e9finies : un \u00e9v\u00e9nement est quelque chose qui se produit \u00e0 un instant et un endroit sp\u00e9cifique et qui est associ\u00e9 \u00e0 des actions particuli\u00e8res ; un th\u00e8me est, quant \u00e0 lui, l'ensemble form\u00e9 d'un \u00e9v\u00e9nement et de tous les \u00e9v\u00e9nements qui lui sont directement li\u00e9s. Un \u00e9v\u00e9nement est donc relativement court et \u00e9volue dans le temps, tandis qu'un th\u00e8me est plus stable et plus long.",
"cite_spans": [
{
"start": 213,
"end": 226,
"text": "(Allan, 2002)",
"ref_id": "BIBREF0"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Le concept de th\u00e8me",
"sec_num": "2.1"
},
{
"text": "Dans notre cadre de segmentation de journaux TV, un th\u00e8me correspond \u00e0 un reportage qui forme une unit\u00e9 s\u00e9mantique coh\u00e9rente dans la structure d'un journal. Notre algorithme est \u00e9galement \u00e9valu\u00e9 sur des textes \u00e9crits, form\u00e9s par concat\u00e9nation de parties extraites d'articles s\u00e9lectionn\u00e9s al\u00e9atoirement dans le corpus Brown (Choi, 2000) ; un th\u00e8me est alors associ\u00e9 \u00e0 chaque partie formant le texte final.",
"cite_spans": [
{
"start": 323,
"end": 335,
"text": "(Choi, 2000)",
"ref_id": "BIBREF5"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Le concept de th\u00e8me",
"sec_num": "2.1"
},
{
"text": "Pour r\u00e9aliser la segmentation th\u00e9matique de textes, diverses caract\u00e9ristiques peuvent \u00eatre exploit\u00e9es afin d'identifier les changements th\u00e9matiques. Elles peuvent reposer sur la coh\u00e9sion lexicale (i.e., prendre en compte les informations de distribution du vocabulaire) ou sur des marqueurs linguistiques tels que des indices prosodiques (Guinaudeau and Hirschberg, 2011) ou des marqueurs du discours (Grosz and Sidner, 1986; Litman and Passonneau, 1995) . Les techniques g\u00e9n\u00e9riques, qui sont celles qui nous int\u00e9ressent ici, exploitent traditionnellement la seule coh\u00e9sion lexicale, ind\u00e9pendante du type de documents consid\u00e9r\u00e9s et ne n\u00e9cessitant pas de phase d'apprentissage. L'id\u00e9e-cl\u00e9 des m\u00e9thodes fond\u00e9es sur la coh\u00e9sion lexicale est de consid\u00e9rer qu'un changement significatif dans le vocabulaire utilis\u00e9 est un signe de changement th\u00e9matique. Ces approches peuvent \u00eatre divis\u00e9es en deux familles :",
"cite_spans": [
{
"start": 338,
"end": 371,
"text": "(Guinaudeau and Hirschberg, 2011)",
"ref_id": "BIBREF13"
},
{
"start": 401,
"end": 425,
"text": "(Grosz and Sidner, 1986;",
"ref_id": "BIBREF11"
},
{
"start": 426,
"end": 454,
"text": "Litman and Passonneau, 1995)",
"ref_id": "BIBREF17"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "M\u00e9thodes pour la segmentation th\u00e9matique",
"sec_num": "2.2"
},
{
"text": "\u2022 les m\u00e9thodes locales (Hearst, 1997; Hernandez and Grau, 2002; Ferret et al., 1998; Claveau and Lef\u00e8vre, 2011) qui cherchent \u00e0 rep\u00e9rer localement les ruptures lexicales ; \u2022 les m\u00e9thodes globales (Reynar, 1994; Choi, 2000; Utiyama and Isahara, 2001; Malioutov and Barzilay, 2006; Misra and Yvon, 2010) exploitant une mesure de la coh\u00e9sion lexicale.",
"cite_spans": [
{
"start": 23,
"end": 37,
"text": "(Hearst, 1997;",
"ref_id": "BIBREF14"
},
{
"start": 38,
"end": 63,
"text": "Hernandez and Grau, 2002;",
"ref_id": "BIBREF15"
},
{
"start": 64,
"end": 84,
"text": "Ferret et al., 1998;",
"ref_id": "BIBREF8"
},
{
"start": 85,
"end": 92,
"text": "Claveau",
"ref_id": "BIBREF6"
},
{
"start": 196,
"end": 210,
"text": "(Reynar, 1994;",
"ref_id": "BIBREF23"
},
{
"start": 211,
"end": 222,
"text": "Choi, 2000;",
"ref_id": "BIBREF5"
},
{
"start": 223,
"end": 249,
"text": "Utiyama and Isahara, 2001;",
"ref_id": "BIBREF25"
},
{
"start": 250,
"end": 279,
"text": "Malioutov and Barzilay, 2006;",
"ref_id": "BIBREF18"
},
{
"start": 280,
"end": 301,
"text": "Misra and Yvon, 2010)",
"ref_id": "BIBREF19"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "M\u00e9thodes pour la segmentation th\u00e9matique",
"sec_num": "2.2"
},
{
"text": "Une m\u00e9thode locale repose sur la comparaison locale de r\u00e9gions du document et associe un changement th\u00e9matique aux endroits o\u00f9 il y a une similarit\u00e9 faible entre deux r\u00e9gions cons\u00e9cutives (i.e., elles identifient les zones de fortes ruptures lexicales). Par exemple, TextTiling (Hearst, 1997) , qui est consid\u00e9r\u00e9 comme un algorithme de segmentation th\u00e9matique fondamental, analyse le texte \u00e0 l'aide d'une fen\u00eatre glissante qui couvre des blocs adjacents de texte et est centr\u00e9e en un point du texte correspondant \u00e0 une fronti\u00e8re th\u00e9matique potentielle. Les contenus avant et apr\u00e8s chaque fronti\u00e8re possible sont repr\u00e9sent\u00e9s par des vecteurs de mots pond\u00e9r\u00e9s, un poids fort indiquant qu'un mot est particuli\u00e8rement pertinent pour d\u00e9crire un contenu. Une mesure de similarit\u00e9, par exemple cosinus, est calcul\u00e9e entre les deux vecteurs. Plus l'angle entre les deux vecteurs diminue, plus le cosinus approche de 1, indiquant par l\u00e0-m\u00eame la plus grande similarit\u00e9 entre les contenus avant et apr\u00e8s la fronti\u00e8re potentielle. Les valeurs de similarit\u00e9 sont calcul\u00e9es \u00e0 chaque fronti\u00e8re possible et la s\u00e9quence r\u00e9sultante de valeurs de similarit\u00e9 est analys\u00e9e. Les points de scores de similarit\u00e9 les plus bas (i.e., forte rupture) repr\u00e9sentent alors les fronti\u00e8res th\u00e9matiques. Ce type de m\u00e9thode locale pr\u00e9sente certains d\u00e9savantages dont une sensibilit\u00e9 aux variations de tailles des segments dans les textes puisqu'un voisinage de taille fixe est consid\u00e9r\u00e9, ainsi qu'une difficult\u00e9 de choix de la valeur de seuil pour d\u00e9cider qu'une rupture est suffisamment forte pour placer une fronti\u00e8re. Choi (2000) ou Reynar (1994) . Cependant, la limite principale de ce type de m\u00e9thode globale est un risque de sur-segmentation.",
"cite_spans": [
{
"start": 278,
"end": 292,
"text": "(Hearst, 1997)",
"ref_id": "BIBREF14"
},
{
"start": 1586,
"end": 1597,
"text": "Choi (2000)",
"ref_id": "BIBREF5"
},
{
"start": 1601,
"end": 1614,
"text": "Reynar (1994)",
"ref_id": "BIBREF23"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "M\u00e9thodes pour la segmentation th\u00e9matique",
"sec_num": "2.2"
},
{
"text": "L'originalit\u00e9 de la solution que nous proposons consiste dans la combinaison des deux types de m\u00e9thodes. Une m\u00e9thode fond\u00e9e sur le m\u00eame principe, visant \u00e0 capturer dans une vue globale des dissimilarit\u00e9s locales, a \u00e9t\u00e9 pr\u00e9sent\u00e9e dans (Malioutov and Barzilay, 2006) , mais, d'une part, le nombre de segments \u00e0 trouver est fix\u00e9 a priori et, d'autre part, la couverture est limit\u00e9e car la dissimilarit\u00e9 entre segments est calcul\u00e9e en utilisant une fen\u00eatre.",
"cite_spans": [
{
"start": 234,
"end": 264,
"text": "(Malioutov and Barzilay, 2006)",
"ref_id": "BIBREF18"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "M\u00e9thodes pour la segmentation th\u00e9matique",
"sec_num": "2.2"
},
{
"text": "Le point de d\u00e9part de notre m\u00e9thode est le mod\u00e8le statistique propos\u00e9 dans (Utiyama and Isahara, 2001 ), qui est flexible et offre des possibilit\u00e9s d'extension par int\u00e9gration de nouvelles informations. Plusieurs travaux l'ont d\u00e9j\u00e0 utilis\u00e9 avec succ\u00e8s dans le contexte de la segmentation de journaux TV (Huet et al., 2008; Guinaudeau et al., 2012) , le modifiant pour int\u00e9grer des connaissances sp\u00e9cifiques aux \u00e9missions TV. Contrairement \u00e0 ces travaux, nous avons red\u00e9fini le mod\u00e8le de (Utiyama and Isahara, 2001 ) afin qu'il puisse prendre en compte non seulement la coh\u00e9sion mais aussi la rupture lexicale et, par cons\u00e9quent, am\u00e9liorer la segmentation de tout type de donn\u00e9es textuelles. Consid\u00e9rer la rupture est en particulier int\u00e9ressant pour traiter les cas de textes contenant des changements brutaux de vocabulaire. La fa\u00e7on dont nous combinons les deux crit\u00e8res est d\u00e9taill\u00e9e dans la section 3.",
"cite_spans": [
{
"start": 75,
"end": 101,
"text": "(Utiyama and Isahara, 2001",
"ref_id": "BIBREF25"
},
{
"start": 303,
"end": 322,
"text": "(Huet et al., 2008;",
"ref_id": "BIBREF16"
},
{
"start": 323,
"end": 347,
"text": "Guinaudeau et al., 2012)",
"ref_id": "BIBREF12"
},
{
"start": 487,
"end": 513,
"text": "(Utiyama and Isahara, 2001",
"ref_id": "BIBREF25"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "M\u00e9thodes pour la segmentation th\u00e9matique",
"sec_num": "2.2"
},
{
"text": "Nous rappelons tout d'abord l'algorithme de Utiyama et Isahara, puis expliquons le nouveau mod\u00e8le statistique que nous proposons.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Combinaison de la coh\u00e9sion et de la rupture lexicales",
"sec_num": "3"
},
{
"text": "L'algorithme propos\u00e9 par Utiyama et Isahara d\u00e9finit un mod\u00e8le probabiliste et consiste \u00e0 d\u00e9terminer la segmentation qui produit les segments les plus coh\u00e9rents d'un point de vue lexical tout en respectant une distribution a priori de la longueur des segments. L'id\u00e9e principale est de trouver la segmentation la plus probable pour une s\u00e9quence de t unit\u00e9s \u00e9l\u00e9mentaires (i.e., phrases ou \u00e9nonc\u00e9s compos\u00e9s de mots) W = u t 1 parmi toutes les segmentations possibles, i.e., S = arg max",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Le mod\u00e8le statistique",
"sec_num": "3.1"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "S P[W |S]P[S] .",
"eq_num": "(1)"
}
],
"section": "Le mod\u00e8le statistique",
"sec_num": "3.1"
},
{
"text": "En admettant que chaque segment est une unit\u00e9 ind\u00e9pendante du reste du texte et que les mots contenus dans un segment sont eux aussi ind\u00e9pendants, la probabilit\u00e9 du texte W pour une segmentation S = S m 1 est donn\u00e9e par ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Le mod\u00e8le statistique",
"sec_num": "3.1"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "P[W |S m 1 ] = m i=1 n i j=1 P[w i j |S i ] ,",
"eq_num": "(2)"
}
],
"section": "Le mod\u00e8le statistique",
"sec_num": "3.1"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "|S i ] = f i (w i j ) + 1 n i + k ,",
"eq_num": "(3)"
}
],
"section": "Le mod\u00e8le statistique",
"sec_num": "3.1"
},
{
"text": "o\u00f9 f i (w i j ) est le nombre d'occurrences de w i j dans S i et k est le nombre total de mots diff\u00e9rents dans le texte W (i.e., la taille du vocabulaire). Cette probabilit\u00e9 va favoriser les segments homog\u00e8nes car elle cro\u00eet quand les mots sont r\u00e9p\u00e9t\u00e9s et d\u00e9cro\u00eet quand ils sont diff\u00e9rents. La distribution a priori des longueurs des segments est donn\u00e9e par P [S m 1 ] = n \u2212m , o\u00f9 n est le nombre total de mots. Elle a une valeur \u00e9lev\u00e9e quand le nombre de segments est faible, tandis que P[W |S] a des valeurs \u00e9lev\u00e9es quand le nombre de segments est grand.",
"cite_spans": [
{
"start": 360,
"end": 364,
"text": "[S m",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Le mod\u00e8le statistique",
"sec_num": "3.1"
},
{
"text": "Cette approche peut \u00eatre vue comme la recherche du meilleur chemin dans un graphe valu\u00e9, graphe repr\u00e9sentant toutes les segmentations possibles. Chaque noeud correspond \u00e0 une fronti\u00e8re possible et un arc entre les noeuds i et j repr\u00e9sente un segment contenant les unit\u00e9s comprises entre u i+1 et u j . Le poids attribu\u00e9 \u00e0 chaque arc de ce type est",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Le mod\u00e8le statistique",
"sec_num": "3.1"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "v(i, j) = j k=i+1 ln(P[u k |S i\u2192 j ]) \u2212 \u03b1ln(n) ,",
"eq_num": "(4)"
}
],
"section": "Le mod\u00e8le statistique",
"sec_num": "3.1"
},
{
"text": "Le mod\u00e8le d\u00e9fini ci-dessus suppose que chaque segment S i du texte est ind\u00e9pendant des autres, ce qui ne permet pas de combiner la valeur de la coh\u00e9sion lexicale et celle de la rupture lexicale. En effet, lors du calcul du poids associ\u00e9 au segment S i , nous devrions ajouter une p\u00e9nalit\u00e9 marquant \u00e0 quel point le contenu de S i diff\u00e8re de celui du segment pr\u00e9c\u00e9dent S i\u22121 . Pour cette raison, nous proposons une hypoth\u00e8se markovienne entre les segments nous permettant, pour chaque segment, de consid\u00e9rer celui qui le pr\u00e9c\u00e8de. La probabilit\u00e9 d'un texte W pour une segmentation S = S m 1 devient alors",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "P[W |S m 1 ] = P[W |S 1 ] m i=2 P[W |S i , S i\u22121 ] .",
"eq_num": "(5)"
}
],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "Pour d\u00e9terminer la segmentation de probabilit\u00e9 maximum\u015c, le co\u00fbt associ\u00e9 au segment S i , \u00e9tant donn\u00e9 S i\u22121 , est puisque l'algorithme de segmentation consiste \u00e0 d\u00e9terminer le meilleur chemin dans un graphe pond\u00e9r\u00e9, cela n'a pas d'impact car aucune pr\u00e9supposition de graphe probabiliste n'est faite pour segmenter. Par cons\u00e9quent, la nouvelle d\u00e9finition de la segmentation la plus probable est Les vecteurs contiennent les poids associ\u00e9s aux mots dans les unit\u00e9s. Ces poids sont calcul\u00e9s en utilisant les mesures de TF-IDF et Okapi (Claveau, 2012) , transform\u00e9es en dissimilarit\u00e9s.",
"cite_spans": [
{
"start": 532,
"end": 547,
"text": "(Claveau, 2012)",
"ref_id": "BIBREF6"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "ln(P[W |S i , S i\u22121 ]) = ln(P[W i |S i ]) \u2212 \u03bb( 1 \u2206(W i , W i\u22121 ) ) ,",
"eq_num": "(6)"
}
],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "S = arg max S m i=1 ln(P[W i |S i ]) \u2212 \u03bb m i=2 ( 1 \u2206(W i , W i\u22121 ) ) \u2212 \u03b1mln(n) .",
"eq_num": "(7)"
}
],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "Pour d\u00e9terminer la meilleure segmentation, nous utilisons un algorithme de programmation dynamique. Lors du d\u00e9codage, on associe \u00e0 chaque noeud le co\u00fbt du meilleur chemin en fonction des arcs entrants. Par exemple dans la figure 1, les calculs au noeud n 3,1 consistent \u00e0 choisir la valeur la plus \u00e9lev\u00e9e entre le poids associ\u00e9 \u00e0 l'arc e 21,31 et \u00e0 l'arc e 22,31 .",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "\u2022 Pour le premier arc, le score est donn\u00e9 par la valeur associ\u00e9e au noeud n 2,1 , la valeur de la coh\u00e9sion lexicale de l'arc e 21,31 et la rupture entre le segment contenant u 2 et le segment contenant u 3 .",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "\u2022 Pour le second, le score est donn\u00e9 par la valeur associ\u00e9e au noeud n 2,2 , la coh\u00e9sion lexicale de l'arc e 22,31 et la rupture lexicale entre le segment contenant \u00e0 la fois u 1 et u 2 et le segment contenant seulement u 3 .",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "Si dans l'exemple donn\u00e9 (cf. FIGURE 1) le score le plus \u00e9lev\u00e9 est obtenu pour le chemin form\u00e9 de e 01,11 e 11,32 e 32,41 , la segmentation de probabilit\u00e9 maximum est",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "[u 1 ][u 2 u 3 ][u 4 ].",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "Utiliser cette repr\u00e9sentation nous permet donc de consid\u00e9rer tous les chemins possibles de longueurs variables, traitant ainsi toutes les combinaisons possibles de segments cons\u00e9cutifs pour le calcul de la coh\u00e9sion lexicale et \u00e9galement de la rupture lexicale. ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction de la rupture lexicale",
"sec_num": "3.2"
},
{
"text": "Nous pr\u00e9sentons ici les exp\u00e9riences r\u00e9alis\u00e9es en fournissant tout d'abord des d\u00e9tails sur les transcriptions de journaux TV et les donn\u00e9es textuelles utilis\u00e9es, puis en analysant les r\u00e9sultats obtenus.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Exp\u00e9riences",
"sec_num": "4"
},
{
"text": "Deux corpora sont consid\u00e9r\u00e9s dans notre t\u00e2che de segmentation th\u00e9matique. Le premier est un corpus de journaux TV contenant 56 journaux (\u223c1/2 heure chacun), enregistr\u00e9s de f\u00e9vrier \u00e0 mars 2007 sur la cha\u00eene de TV fran\u00e7aise France 2. Les journaux consistent en une succession de reportages de courte dur\u00e9e (2-3 mn), contenant tr\u00e8s peu de r\u00e9p\u00e9titions de mots par rapport \u00e0 Le second corpus est un jeu de donn\u00e9es artificiel propos\u00e9 par Choi (2000) et utilis\u00e9 par diff\u00e9rents auteurs pour comparer leurs m\u00e9thodes \u00e0 des approches existantes. Il consiste en 700 documents cr\u00e9\u00e9s par concat\u00e9nation de 10 parties de textes correspondant chacune aux z premi\u00e8res phrases d'articles choisis al\u00e9atoirement dans le corpus Brown, z \u00e9tant lui-m\u00eame choisi al\u00e9atoirement dans un intervalle fix\u00e9. Une limite de ce jeu de donn\u00e9es est qu'il comporte donc des changements th\u00e9matiques tr\u00e8s brutaux, ce qui est rarement le cas dans des documents classiques. Cependant, il est int\u00e9ressant car il contient des segments de longueurs variables. Pour l'\u00e9valuation, des mesures de rappel, pr\u00e9cision et F1-mesure ont \u00e9t\u00e9 utilis\u00e9es apr\u00e8s alignement de la r\u00e9f\u00e9rence et des fronti\u00e8res propos\u00e9es. Une tol\u00e9rance de 10 secondes dans le positionnement est autoris\u00e9e dans le cas des transcriptions de journaux TV, et de 2 phrases pour les donn\u00e9es textuelles. Le rappel correspond \u00e0 la part de fronti\u00e8res de r\u00e9f\u00e9rence d\u00e9tect\u00e9es par la m\u00e9thode et la pr\u00e9cision au ratio des fronti\u00e8res produites appartenant \u00e0 la segmentation de r\u00e9f\u00e9rence. La F1mesure combine rappel et pr\u00e9cision en une valeur unique. D'autres mesures ont \u00e9t\u00e9 pr\u00e9c\u00e9demment propos\u00e9es pour \u00e9valuer la segmentation th\u00e9matique de textes. Cependant, contrairement \u00e0 la mesure Pk (Beeferman et al., 1997) , le rappel et la pr\u00e9cision ne sont pas sensibles aux variations de tailles des segments et ces mesures ne favorisent pas les segmentations avec peu de fronti\u00e8res comme la mesure WindowDiff (Pevzner and Hearst, 2002) , ce qui justifie notre choix.",
"cite_spans": [
{
"start": 432,
"end": 443,
"text": "Choi (2000)",
"ref_id": "BIBREF5"
},
{
"start": 1696,
"end": 1720,
"text": "(Beeferman et al., 1997)",
"ref_id": "BIBREF1"
},
{
"start": 1911,
"end": 1937,
"text": "(Pevzner and Hearst, 2002)",
"ref_id": "BIBREF21"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Corpus",
"sec_num": "4.1"
},
{
"text": "Les tests effectu\u00e9s ont consist\u00e9 \u00e0 faire varier les param\u00e8tres \u03b1 et \u03bb de l'\u00e9quation 7, \u03b1 permettant diff\u00e9rents compromis entre les valeurs de pr\u00e9cision et de rappel, tandis que \u03bb donne plus ou moins d'importance \u00e0 la rupture.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Corpus",
"sec_num": "4.1"
},
{
"text": "Parmi les diverses configurations test\u00e9es dans les exp\u00e9riences, seules quelques-unes sont pr\u00e9sent\u00e9es ici. La figure 2 illustre tout d'abord les r\u00e9sultats obtenus pour la segmentation des journaux TV transcrits par les deux syst\u00e8mes de RAP, en les comparant au syst\u00e8me de r\u00e9f\u00e9rence correspondant \u00e0 l'algorithme d 'Utiyama et Isahara (2001) standard. Les valeurs pr\u00e9sent\u00e9es correspondent \u00e0 des pond\u00e9rations TF-IDF lors de l'\u00e9valuation de la rupture lexicale, les r\u00e9sultats obtenus avec Okapi \u00e9tant similaires. Nous constatons que les pr\u00e9cision et rappel pour le corpus LIMSI sont sup\u00e9rieurs \u00e0 ceux du corpus IRENE, ce qui se justifie par le taux d'erreur de transcription plus \u00e9lev\u00e9 de ce dernier. Notre m\u00e9thode reposant sur la coh\u00e9rence du vocabulaire, l'am\u00e9lioration assez faible obtenue par rapport au syst\u00e8me \u00e9talon s'explique par le fait que les transcriptions sont des donn\u00e9es difficiles, contenant des segments tr\u00e8s courts et peu de r\u00e9p\u00e9titions. Le gain en F1-mesure lors de la segmentation des transcriptions manuelles et automatiques est donn\u00e9 dans le tableau 1. Ces r\u00e9sultats ne concernent toutefois que 6 journaux TV, la F1-mesure retenue correspondant aux segmentations fournissant le nombre de fronti\u00e8res le plus proche de celui de la r\u00e9f\u00e9rence. Le gain est inf\u00e9rieur l\u00e0 encore pour les transcriptions IRENE dont le taux d'erreur est plus \u00e9lev\u00e9. Avoir \u00e0 sa disposition moins de mots potentiellement r\u00e9p\u00e9t\u00e9s accro\u00eet la difficult\u00e9 de discriminer entre des segments appartenant \u00e0 des th\u00e8mes diff\u00e9rents. Cependant notre mod\u00e8le parvient \u00e0 am\u00e9liorer la segmentation m\u00eame pour ces donn\u00e9es bruit\u00e9es.",
"cite_spans": [
{
"start": 312,
"end": 338,
"text": "'Utiyama et Isahara (2001)",
"ref_id": "BIBREF25"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Corpus",
"sec_num": "4.1"
},
{
"text": "Notre m\u00e9thode offrant une am\u00e9lioration limit\u00e9e sur la segmentation des transcriptions de FIGURE 2 -Courbe rappel/pr\u00e9cision pour les transcriptions obtenues gr\u00e2ce aux syst\u00e8mes de reconnaissance de la parole LIMSI et IRENE. UI repr\u00e9sente les r\u00e9sultats obtenus gr\u00e2ce \u00e0 la seule coh\u00e9sion lexicale ; \u03bb \u2212 value indique l'importance donn\u00e9e \u00e0 la rupture lexicale dans notre approche journaux TV, nous avons \u00e9galement utilis\u00e9 le corpus de Choi afin de v\u00e9rifier que notre mod\u00e8le fonctionnait bien sur des donn\u00e9es plus classiques. Par ailleurs, le jeu de donn\u00e9es artificiel de Choi nous permet d'observer le comportement de notre approche lorsque les longueurs des segments varient. Les r\u00e9sultats de notre m\u00e9thode sur le corpus de Choi sont pr\u00e9sent\u00e9s sur la figure 3.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Corpus",
"sec_num": "4.1"
},
{
"text": "Les nombres mentionn\u00e9s sur chaque figure (par exemple 3-5, 3-11) correspondent \u00e0 l'intervalle de valeurs pour z. Les r\u00e9sultats de diff\u00e9rents \u00e9chantillons du jeu de donn\u00e9es sont fournis. On observe que lorsque notre algorithme traite des textes \u00e9crits, il obtient de meilleures performances, augmentant les valeurs de rappel et de pr\u00e9cision. Plus les segments sont longs en moyenne, plus importante est l'am\u00e9lioration apport\u00e9e par la prise en compte de la rupture. Cependant les param\u00e8tres utilis\u00e9s doivent encore \u00eatre ajust\u00e9s pour que l'importance donn\u00e9e \u00e0 la rupture, pour tout type de donn\u00e9es, soit fix\u00e9e et soit capable d'assigner la p\u00e9nalit\u00e9 n\u00e9cessaire aux poids calcul\u00e9s. Nous avons observ\u00e9 qu'il ne semble pas y avoir de valeur pr\u00e9cise \u00e0 donner \u00e0 l'importance de la rupture ; cependant les valeurs plus \u00e9lev\u00e9es conduisent \u00e0 un rappel plus bas et une pr\u00e9cision plus \u00e9lev\u00e9e, conduisant \u00e0 une sous-segmentation.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Corpus",
"sec_num": "4.1"
},
{
"text": "o\u00f9 S i\u2192 j est le segment correspondant \u00e0 l'arc allant du noeud i au noeud j. Pour les petits segments, la probabilit\u00e9 d'estimer les mots contenus dans le segment est plus faible ; le facteur \u03b1 fournit un compromis entre la longueur moyenne des segments retourn\u00e9s et la valeur de la coh\u00e9sion lexicale.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
},
{
"text": "c ATALA",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
}
],
"back_matter": [
{
"text": "FIGURE 3 -Courbes rappel/pr\u00e9cision obtenues sur le corpus de Choi",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "annex",
"sec_num": null
},
{
"text": "Nous avons propos\u00e9 une m\u00e9thode originale de segmentation th\u00e9matique qui combine la coh\u00e9sion lexicale et la rupture lexicale, identifiant des zones de continuit\u00e9s et de ruptures dans l'organisation globale des donn\u00e9es. Les r\u00e9sultats obtenus montrent que la combinaison des deux mesures produit des segmentations de meilleure qualit\u00e9 que lors de l'emploi de la seule coh\u00e9sion lexicale. Il reste toutefois encore des possibilit\u00e9s d'am\u00e9liorer notre approche.Nous proposons comme perspectives d'employer d'autres techniques de calcul de la rupture lexicale. Parmi elles, la vectorisation (Claveau and Lef\u00e8vre, 2011) implique une comparaison indirecte entre des segments cons\u00e9cutifs, en proposant un changement dans l'espace de repr\u00e9sentation des segments et l'utilisation de documents pivots pour le calcul de la rupture. Les segments ne partageant pas beaucoup de vocabulaire quoiqu'abordant le m\u00eame th\u00e8me pourraient alors \u00eatre consid\u00e9r\u00e9s comme similaires. Cette m\u00e9thode pourrait donc permettre de pallier le manque de r\u00e9p\u00e9titions de mots qui appara\u00eet particuli\u00e8rement dans le cas de transcriptions de journaux TV. Par ailleurs, une fa\u00e7on de r\u00e9gler finement les param\u00e8tres \u03b1 and \u03bb utilis\u00e9s dans notre mod\u00e8le statistiques doit \u00eatre d\u00e9termin\u00e9e.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusions",
"sec_num": "5"
}
],
"bib_entries": {
"BIBREF0": {
"ref_id": "b0",
"title": "Topic Detection and Tracking : event-based information organization",
"authors": [
{
"first": "J",
"middle": [],
"last": "Allan",
"suffix": ""
}
],
"year": 2002,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Allan, J., editor (2002). Topic Detection and Tracking : event-based information organization. Kluwer Academic Publishers.",
"links": null
},
"BIBREF1": {
"ref_id": "b1",
"title": "Text segmentation using exponential models",
"authors": [
{
"first": "D",
"middle": [],
"last": "Beeferman",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Berger",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Lafferty",
"suffix": ""
}
],
"year": 1997,
"venue": "Proceedings of the 2nd Conference on Empirical Methods in Natural Language Processing",
"volume": "",
"issue": "",
"pages": "35--46",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Beeferman, D., Berger, A., and Lafferty, J. (1997). Text segmentation using exponential models. In Proceedings of the 2nd Conference on Empirical Methods in Natural Language Processing, pages 35-46.",
"links": null
},
"BIBREF2": {
"ref_id": "b2",
"title": "Topic segmentation with an aspect hidden Markov model",
"authors": [
{
"first": "D",
"middle": [],
"last": "Blei",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Moreno",
"suffix": ""
}
],
"year": 2001,
"venue": "Proceedings of the 24th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval",
"volume": "",
"issue": "",
"pages": "343--348",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Blei, D. and Moreno, P. (2001). Topic segmentation with an aspect hidden Markov model. In Proceedings of the 24th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pages 343-348.",
"links": null
},
"BIBREF3": {
"ref_id": "b3",
"title": "Discourse analysis",
"authors": [
{
"first": "G",
"middle": [],
"last": "Brown",
"suffix": ""
},
{
"first": "G",
"middle": [],
"last": "Yule",
"suffix": ""
}
],
"year": 1983,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Brown, G. and Yule, G. (1983). Discourse analysis. Cambridge University Press.",
"links": null
},
"BIBREF5": {
"ref_id": "b5",
"title": "Advances in domain independent linear text segmentation",
"authors": [
{
"first": "F",
"middle": [
"Y Y"
],
"last": "Choi",
"suffix": ""
}
],
"year": 2000,
"venue": "Proceedings of the 1st International Conference of the North American Chapter of the Association for Computational Linguistics",
"volume": "",
"issue": "",
"pages": "26--33",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Choi, F. Y. Y. (2000). Advances in domain independent linear text segmentation. In Procee- dings of the 1st International Conference of the North American Chapter of the Association for Computational Linguistics, pages 26-33.",
"links": null
},
"BIBREF6": {
"ref_id": "b6",
"title": "Vectorisation, Okapi et calcul de similarit\u00e9 pour le TAL : pour oublier enfin le TF-IDF. Actes de la conf\u00e9rence conjointe JEP-TALN-RECITAL",
"authors": [
{
"first": "V",
"middle": [],
"last": "Claveau",
"suffix": ""
}
],
"year": 2012,
"venue": "",
"volume": "",
"issue": "",
"pages": "85--98",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Claveau, V. (2012). Vectorisation, Okapi et calcul de similarit\u00e9 pour le TAL : pour oublier enfin le TF-IDF. Actes de la conf\u00e9rence conjointe JEP-TALN-RECITAL 2012, pages 85-98.",
"links": null
},
"BIBREF7": {
"ref_id": "b7",
"title": "Topic segmentation of TV-streams by mathematical morphology and vectorization",
"authors": [
{
"first": "V",
"middle": [],
"last": "Claveau",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Lef\u00e8vre",
"suffix": ""
}
],
"year": 2011,
"venue": "Proceedings of the 12th International Conference of the International Speech Communication Association, Interspeech'11",
"volume": "",
"issue": "",
"pages": "1105--1108",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Claveau, V. and Lef\u00e8vre, S. (2011). Topic segmentation of TV-streams by mathematical morpho- logy and vectorization. In Proceedings of the 12th International Conference of the International Speech Communication Association, Interspeech'11, pages 1105-1108.",
"links": null
},
"BIBREF8": {
"ref_id": "b8",
"title": "Thematic segmentation of texts : Two methods for two kinds of texts",
"authors": [
{
"first": "O",
"middle": [],
"last": "Ferret",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Grau",
"suffix": ""
},
{
"first": "N",
"middle": [],
"last": "Masson",
"suffix": ""
}
],
"year": 1998,
"venue": "Proceedings of the 36th Annual Meeting of the Association for Computational Linguistics and 17th International Conference on Computational Linguistics",
"volume": "",
"issue": "",
"pages": "392--396",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Ferret, O., Grau, B., and Masson, N. (1998). Thematic segmentation of texts : Two methods for two kinds of texts. In Proceedings of the 36th Annual Meeting of the Association for Computational Linguistics and 17th International Conference on Computational Linguistics, pages 392-396.",
"links": null
},
"BIBREF9": {
"ref_id": "b9",
"title": "Discourse segmentation of multi-party conversation",
"authors": [
{
"first": "M",
"middle": [],
"last": "Galley",
"suffix": ""
},
{
"first": "K",
"middle": [],
"last": "Mckeown",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Fosler-Lussier",
"suffix": ""
},
{
"first": "Jing",
"middle": [],
"last": "",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "",
"suffix": ""
}
],
"year": 2003,
"venue": "Proceedings of the 41st Annual Meeting of the Association for Computational Linguistics, ACL",
"volume": "",
"issue": "",
"pages": "562--569",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Galley, M., McKeown, K., Fosler-Lussier, E., and Jing, H. (2003). Discourse segmentation of multi-party conversation. In Proceedings of the 41st Annual Meeting of the Association for Computational Linguistics, ACL, pages 562-569.",
"links": null
},
"BIBREF10": {
"ref_id": "b10",
"title": "Word distributions for thematic segmentation in a support vector machine approach",
"authors": [
{
"first": "M",
"middle": [],
"last": "Georgescul",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Clark",
"suffix": ""
},
{
"first": "Armstrong",
"middle": [],
"last": "",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "",
"suffix": ""
}
],
"year": 2006,
"venue": "Proceedings of the 10th Conference on Computational Natural Language Learning",
"volume": "",
"issue": "",
"pages": "101--108",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Georgescul, M., Clark, A., and Armstrong, S. (2006). Word distributions for thematic seg- mentation in a support vector machine approach. In Proceedings of the 10th Conference on Computational Natural Language Learning, CoNLL-X, pages 101-108.",
"links": null
},
"BIBREF11": {
"ref_id": "b11",
"title": "Attention, intentions, and the structure of discourse",
"authors": [
{
"first": "B",
"middle": [
"J"
],
"last": "Grosz",
"suffix": ""
},
{
"first": "C",
"middle": [
"L"
],
"last": "Sidner",
"suffix": ""
}
],
"year": 1986,
"venue": "Computational Linguistics",
"volume": "12",
"issue": "3",
"pages": "175--204",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Grosz, B. J. and Sidner, C. L. (1986). Attention, intentions, and the structure of discourse. Computational Linguistics, 12(3) :175-204.",
"links": null
},
"BIBREF12": {
"ref_id": "b12",
"title": "Enhancing lexical cohesion measure with confidence measures, semantic relations and language model interpolation for multimedia spoken content topic segmentation",
"authors": [
{
"first": "C",
"middle": [],
"last": "Guinaudeau",
"suffix": ""
},
{
"first": "G",
"middle": [],
"last": "Gravier",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "S\u00e9billot",
"suffix": ""
}
],
"year": 2012,
"venue": "Computer Speech and Language",
"volume": "26",
"issue": "2",
"pages": "90--104",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Guinaudeau, C., Gravier, G., and S\u00e9billot, P. (2012). Enhancing lexical cohesion measure with confidence measures, semantic relations and language model interpolation for multimedia spoken content topic segmentation. Computer Speech and Language, 26(2) :90-104.",
"links": null
},
"BIBREF13": {
"ref_id": "b13",
"title": "Accounting for prosodic information to improve ASR-based topic tracking for TV broadcast news",
"authors": [
{
"first": "C",
"middle": [],
"last": "Guinaudeau",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Hirschberg",
"suffix": ""
}
],
"year": 2011,
"venue": "12th Annual Conference of the International Speech Communication Association, Interspeech'11",
"volume": "",
"issue": "",
"pages": "1401--1404",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Guinaudeau, C. and Hirschberg, J. (2011). Accounting for prosodic information to improve ASR-based topic tracking for TV broadcast news. In 12th Annual Conference of the International Speech Communication Association, Interspeech'11, pages 1401-1404.",
"links": null
},
"BIBREF14": {
"ref_id": "b14",
"title": "TextTiling : Segmenting text into multi-paragraph subtopic passages",
"authors": [
{
"first": "M",
"middle": [
"A"
],
"last": "Hearst",
"suffix": ""
}
],
"year": 1997,
"venue": "Computational Linguistics",
"volume": "23",
"issue": "1",
"pages": "33--64",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Hearst, M. A. (1997). TextTiling : Segmenting text into multi-paragraph subtopic passages. Computational Linguistics, 23(1) :33-64.",
"links": null
},
"BIBREF15": {
"ref_id": "b15",
"title": "Analyse th\u00e9matique du discours : segmentation, structuration, description et repr\u00e9sentation",
"authors": [
{
"first": "N",
"middle": [],
"last": "Hernandez",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Grau",
"suffix": ""
}
],
"year": 2002,
"venue": "Actes du 5e colloque international sur le document \u00e9lectronique",
"volume": "",
"issue": "",
"pages": "277--285",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Hernandez, N. and Grau, B. (2002). Analyse th\u00e9matique du discours : segmentation, struc- turation, description et repr\u00e9sentation. In Actes du 5e colloque international sur le document \u00e9lectronique, pages 277-285.",
"links": null
},
"BIBREF16": {
"ref_id": "b16",
"title": "Un mod\u00e8le multi-sources pour la segmentation en sujets de journaux radiophoniques",
"authors": [
{
"first": "S",
"middle": [],
"last": "Huet",
"suffix": ""
},
{
"first": "G",
"middle": [],
"last": "Gravier",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "S\u00e9billot",
"suffix": ""
}
],
"year": 2008,
"venue": "Actes de 15e conf\u00e9rence sur le traitement automatique des langues naturelles, TALN'08",
"volume": "",
"issue": "",
"pages": "49--58",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Huet, S., Gravier, G., and S\u00e9billot, P. (2008). Un mod\u00e8le multi-sources pour la segmentation en sujets de journaux radiophoniques. In Actes de 15e conf\u00e9rence sur le traitement automatique des langues naturelles, TALN'08, pages 49-58.",
"links": null
},
"BIBREF17": {
"ref_id": "b17",
"title": "Combining multiple knowledge sources for discourse segmentation",
"authors": [
{
"first": "D",
"middle": [
"J"
],
"last": "Litman",
"suffix": ""
},
{
"first": "R",
"middle": [
"J"
],
"last": "Passonneau",
"suffix": ""
}
],
"year": 1995,
"venue": "Proceedings of the 33rd Annual Meeting of the Association for Computational Linguistics",
"volume": "",
"issue": "",
"pages": "108--115",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Litman, D. J. and Passonneau, R. J. (1995). Combining multiple knowledge sources for discourse segmentation. In Proceedings of the 33rd Annual Meeting of the Association for Computational Linguistics, pages 108-115.",
"links": null
},
"BIBREF18": {
"ref_id": "b18",
"title": "Minimum cut model for spoken lecture segmentation",
"authors": [
{
"first": "I",
"middle": [],
"last": "Malioutov",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Barzilay",
"suffix": ""
}
],
"year": 2006,
"venue": "Proceedings of the 21st International Conference on Computational Linguistics and the 44th Annual Meeting of the Association for Computational Linguistics",
"volume": "",
"issue": "",
"pages": "25--32",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Malioutov, I. and Barzilay, R. (2006). Minimum cut model for spoken lecture segmentation. In Proceedings of the 21st International Conference on Computational Linguistics and the 44th Annual Meeting of the Association for Computational Linguistics, pages 25-32.",
"links": null
},
"BIBREF19": {
"ref_id": "b19",
"title": "Mod\u00e8les th\u00e9matiques pour la segmentation de documents",
"authors": [
{
"first": "H",
"middle": [],
"last": "Misra",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Yvon",
"suffix": ""
}
],
"year": 2010,
"venue": "Actes des 10e journ\u00e9es internationales d'analyse statistique des donn\u00e9es textuelles",
"volume": "",
"issue": "",
"pages": "203--213",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Misra, H. and Yvon, F. (2010). Mod\u00e8les th\u00e9matiques pour la segmentation de documents. In Actes des 10e journ\u00e9es internationales d'analyse statistique des donn\u00e9es textuelles, pages 203-213.",
"links": null
},
"BIBREF20": {
"ref_id": "b20",
"title": "Generic topic segmentation of document texts",
"authors": [
{
"first": "M.-F",
"middle": [],
"last": "Moens",
"suffix": ""
},
{
"first": "R",
"middle": [
"D"
],
"last": "Busser",
"suffix": ""
}
],
"year": 2001,
"venue": "Proceedings of the 24th International Conference on Research and Developement in Information Retrieval",
"volume": "",
"issue": "",
"pages": "418--419",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Moens, M.-F. and Busser, R. D. (2001). Generic topic segmentation of document texts. In Proceedings of the 24th International Conference on Research and Developement in Information Retrieval, pages 418-419.",
"links": null
},
"BIBREF21": {
"ref_id": "b21",
"title": "A critique and improvement of an evaluation metric for text segmentation",
"authors": [
{
"first": "L",
"middle": [],
"last": "Pevzner",
"suffix": ""
},
{
"first": "M",
"middle": [
"A"
],
"last": "Hearst",
"suffix": ""
}
],
"year": 2002,
"venue": "Computational Linguistics",
"volume": "28",
"issue": "",
"pages": "19--36",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Pevzner, L. and Hearst, M. A. (2002). A critique and improvement of an evaluation metric for text segmentation. Computational Linguistics, 28 :19-36.",
"links": null
},
"BIBREF22": {
"ref_id": "b22",
"title": "Topic segmentation",
"authors": [
{
"first": "M",
"middle": [],
"last": "Purver",
"suffix": ""
}
],
"year": 2011,
"venue": "Spoken Language Understanding : Systems for Extracting Semantic Information from Speech",
"volume": "",
"issue": "",
"pages": "291--317",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Purver, M. (2011). Topic segmentation. In Tur, G. and de Mori, R., editors, Spoken Language Understanding : Systems for Extracting Semantic Information from Speech, chapter 11, pages 291-317. Wiley.",
"links": null
},
"BIBREF23": {
"ref_id": "b23",
"title": "An automatic method of finding topic boundaries",
"authors": [
{
"first": "J",
"middle": [
"C"
],
"last": "Reynar",
"suffix": ""
}
],
"year": 1994,
"venue": "Proceedings of the 32nd Annual Meeting on Association for Computational Linguistics",
"volume": "",
"issue": "",
"pages": "331--333",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Reynar, J. C. (1994). An automatic method of finding topic boundaries. In Proceedings of the 32nd Annual Meeting on Association for Computational Linguistics, pages 331-333.",
"links": null
},
"BIBREF24": {
"ref_id": "b24",
"title": "How text segmentation algorithms gain from topic models",
"authors": [
{
"first": "M",
"middle": [],
"last": "Riedl",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Biemann",
"suffix": ""
}
],
"year": 2012,
"venue": "Proceedings of the Conference of the North American Chapter of the Association for Computational Linguistics : Human Language Technologies",
"volume": "",
"issue": "",
"pages": "553--557",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Riedl, M. and Biemann, C. (2012). How text segmentation algorithms gain from topic models. In Proceedings of the Conference of the North American Chapter of the Association for Computational Linguistics : Human Language Technologies, pages 553-557.",
"links": null
},
"BIBREF25": {
"ref_id": "b25",
"title": "A statistical model for domain-independent text segmentation",
"authors": [
{
"first": "M",
"middle": [],
"last": "Utiyama",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Isahara",
"suffix": ""
}
],
"year": 2001,
"venue": "Proceedings of the 39th Annual Meeting on the Association for Computational Linguistics",
"volume": "",
"issue": "",
"pages": "499--506",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Utiyama, M. and Isahara, H. (2001). A statistical model for domain-independent text segmenta- tion. In Proceedings of the 39th Annual Meeting on the Association for Computational Linguistics, pages 499-506.",
"links": null
},
"BIBREF26": {
"ref_id": "b26",
"title": "A hidden Markov model approach to text segmentation and event tracking",
"authors": [
{
"first": "J",
"middle": [],
"last": "Yamron",
"suffix": ""
},
{
"first": "I",
"middle": [],
"last": "Carp",
"suffix": ""
},
{
"first": "L",
"middle": [],
"last": "Gillick",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Lowe",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Van Mulbregt",
"suffix": ""
}
],
"year": 1998,
"venue": "Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing",
"volume": "",
"issue": "",
"pages": "333--336",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Yamron, J., Carp, I., Gillick, L., Lowe, S., and van Mulbregt P. (1998). A hidden Markov model approach to text segmentation and event tracking. In Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing, ICASSP, pages 333-336.",
"links": null
}
},
"ref_entries": {
"FIGREF0": {
"type_str": "figure",
"num": null,
"text": "Un exemple de treillis de segmentation",
"uris": null
},
"TABREF0": {
"html": null,
"type_str": "table",
"text": "Une m\u00e9thode globale r\u00e9alise quant \u00e0 elle une comparaison globale entre toutes les r\u00e9gions du document, en cherchant \u00e0 maximiser globalement la valeur de la coh\u00e9sion lexicale. Dans Utiyama et Isahara (2001), la valeur de la coh\u00e9sion lexicale d'un segment S i est vue comme la mesure de 'un mod\u00e8le de langue \u2206 i , appris sur le segment S i , \u00e0 pr\u00e9dire les mots du segment. Le mod\u00e8le de langue \u2206 i doit donc d'abord \u00eatre estim\u00e9, puis la probabilit\u00e9 g\u00e9n\u00e9ralis\u00e9e des mots du segment S i , \u00e9tant donn\u00e9 \u2206 i , doit \u00eatre d\u00e9termin\u00e9e. Apr\u00e8s le calcul de la valeur de coh\u00e9sion lexicale pour chaque segment, la segmentation maximisant globalement cette valeur est choisie. Cet algorithme s'est av\u00e9r\u00e9 performant au regard d'autres algorithmes de segmentation th\u00e9matique de textes tels que ceux de",
"content": "<table><tr><td>TALN-R\u00c9CITAL 2013, 17-21 Juin, Les Sables d'Olonne</td><td/><td/></tr><tr><td>la capacit\u00e9 d</td><td/><td/></tr><tr><td>205</td><td>c</td><td>ATALA</td></tr></table>",
"num": null
},
"TABREF1": {
"html": null,
"type_str": "table",
"text": "|S i ] est donn\u00e9e par une loi de Laplace dont les param\u00e8tres sont estim\u00e9s sur S i , i.e.,",
"content": "<table><tr><td>TALN-R\u00c9CITAL 2013, 17-21 Juin, Les Sables d'Olonne</td><td/><td/></tr><tr><td colspan=\"3\">o\u00f9 n i est le nombre de mots du segment S i , w i j est le j e mot de S i et m le nombre de segments. La probabilit\u00e9 P[w i j P[w i j</td></tr><tr><td>206</td><td>c</td><td>ATALA</td></tr></table>",
"num": null
},
"TABREF3": {
"html": null,
"type_str": "table",
"text": "De l'\u00e9quation 6, on peut d\u00e9duire que, pour un noeud donn\u00e9 repr\u00e9sentant une fronti\u00e8re th\u00e9matique, tous les segments de longueurs diff\u00e9rentes arrivant \u00e0 ce noeud sont conserv\u00e9s. Au niveau impl\u00e9mentation, nous d\u00e9finission un treillis dans lequel un arc e ip, jl repr\u00e9sente une prolongation d'un chemin de longueur l du noeud n ip au noeud n jl . Un noeud n ip rassemble donc tous les segments de longueur p unit\u00e9s se terminant apr\u00e8s u i . Ceci signifie qu'en chaque point du texte o\u00f9 une fronti\u00e8re potentielle est consid\u00e9r\u00e9e, nous analysons toutes les combinaisons possibles d'unit\u00e9s cons\u00e9cutives pr\u00e9c\u00e9dant cette fronti\u00e8re. Un arc e ip, jl repr\u00e9sente un segment contenant toutes les unit\u00e9s entre u i+1 et u j , avec j \u2212 i = l. Un co\u00fbt est associ\u00e9 \u00e0 chaque arc en se fondant sur l'\u00e9quation 6. D'une part, ce co\u00fbt consiste en la valeur de la coh\u00e9sion lexicale du segment couvert par l'arc calcul\u00e9 gr\u00e2ce \u00e0 l'\u00e9quation 3 ; d'autre part, une p\u00e9nalit\u00e9 est associ\u00e9e \u00e0 chacune des valeurs de ce type, en fonction de la rupture lexicale entre le segment couvert par l'arc et le segment pr\u00e9c\u00e9dent dans le texte. Selon le noeud dont il provient, le segment pr\u00e9c\u00e9dent peut lui aussi avoir diff\u00e9rentes longueurs. Par cons\u00e9quent, la rupture est calcul\u00e9e entre toutes les paires possibles de segments. Pour obtenir la rupture, une mesure de similarit\u00e9 cosinus est utilis\u00e9e entre les vecteurs repr\u00e9sentant",
"content": "<table><tr><td>\u2022 le segment qui contient les unit\u00e9s couvertes par l'arc (de score le plus \u00e9lev\u00e9) arrivant au noeud n i, j et</td></tr><tr><td>\u2022 le segment qui contient les unit\u00e9s couvertes par l'arc sortant de ce noeud vers n i+k,k .</td></tr></table>",
"num": null
},
"TABREF5": {
"html": null,
"type_str": "table",
"text": "d'autres types d'\u00e9missions, des synonymes \u00e9tant fr\u00e9quemment pr\u00e9f\u00e9r\u00e9s. Les transcriptions utilis\u00e9es dans les exp\u00e9riences proviennent de deux syst\u00e8mes de transcription : IRENE, le syst\u00e8me de l'IRISA, et LIMSI, le syst\u00e8me du Laboratoire d'Informatique pour la M\u00e9canique et les Sciences de l'Ing\u00e9nieur. IRENE a un taux d'erreurs mots plus \u00e9lev\u00e9 d'environ 7%. La segmentation de r\u00e9f\u00e9rence a \u00e9t\u00e9 cr\u00e9\u00e9e en associant un th\u00e8me \u00e0 chaque reportage. Les fronti\u00e8res th\u00e9matiques sont donc plac\u00e9es au d\u00e9but de l'introduction du reportage et \u00e0 la fin de ses remarques conclusives.",
"content": "<table/>",
"num": null
}
}
}
} |