Pairing text content from on-line news sites: Development and adaptation of an Information Retrieval System
Appariement de contenus textuels dans le domaine de la presse en ligne : Développement et adaptation d'un système de recherche d'information
Résumé
The goal of this thesis, conducted within an industrial framework, is to pair textual media content. Specifically, the aim is to pair on-line news articles to relevant videos for which we have a textual description. The main issue is then a matter of textual analysis, no image or spoken language analysis was undertaken in the present study. The question that arises is how to compare these particular objects, the texts, and also what criteria to use in order to estimate their degree of similarity. We consider that one of these criteria is the topic similarity of their content, in other words, the fact that two documents have to deal with the same topic to form a relevant pair. This problem fall within the field of Information Retrieval (IR) which is the main strategy called upon in this research. Furthermore, when dealing with news content, the time dimension is of prime importance. To address this aspect, the field of Topic Detection and Tracking (TDT) will also be explored. The pairing system developed in this thesis distinguishes different steps which complement one another. In the first step, the system uses Natural Language Processing (NLP) methods to index both articles and videos, in order to overcome the traditionnal bag-of-words representation of texts. In the second step, two scores are calculated for an article-video pair : the first one reflects their topical similarity and is based on a vector space model ; the second one expresses their proximity in time, based on an empirical function. At the end of the algorithm, a classification model learned from manually annotated document pairs is used to rank the results. Evaluation of the system’s performances raised some further questions in this doctoral research. The constraints imposed both by the data and the specific need of the partner company led us to adapt the evaluation protocol traditionnal used in IR, namely the Cranfield paradigm.We therefore propose an alternative solution for evaluating the system that takes all our constraints into account.
L’objectif de cette thèse, menée dans un cadre industriel, est d’apparier des contenus textuels médiatiques. Plus précisément, il s’agit d’apparier à des articles de presse en ligne des vidéos pertinentes, pour lesquelles nous disposons d’une description textuelle. Notre problématique relève donc exclusivement de l’analyse de matériaux textuels, et ne fait intervenir aucune analyse d’image ni de langue orale. Surviennent alors des questions relatives à la façon de comparer des objets textuels, ainsi qu’aux critères mobilisés pour estimer leur degré de similarité. L’un de ces éléments est selon nous la similarité thématique de leurs contenus, autrement dit le fait que deux documents doivent relater le même sujet pour former une paire pertinente. Ces problématiques relèvent du domaine de la recherche d’information (RI), dans lequel nous nous ancrons principalement. Par ailleurs, lorsque l’on traite des contenus d’actualité, la dimension temporelle est aussi primordiale et les problématiques qui l’entourent relèvent de travaux ayant trait au domaine du Topic Detection and Tracking (TDT) dans lequel nous nous inscrivons également. Le système d’appariement développé dans cette thèse distingue donc différentes étapes qui se complètent. Dans un premier temps, l’indexation des contenus fait appel à des méthodes de Traitement Automatique des Langues (TAL) pour dépasser la représentation classique des textes en sacs de mots. Ensuite, deux scores sont calculés pour rendre compte du degré de similarité entre deux contenus : l’un relatif à leur similarité thématique, basé sur un modèle vectoriel de RI ; l’autre à leur proximité temporelle, basé sur une fonction empirique. Finalement, un modèle de classification appris à partir de paires de documents, décrites par ces deux scores et annotées manuellement, permet d’ordonnancer les résultats. L’évaluation des performances du système a elle aussi fait l’objet de questionnements dans ces travaux de thèse. Les contraintes imposées par les données traitées et le besoin particulier de l’entreprise partenaire nous ont en effet contraint à adopter une alternative au protocole classique d’évaluation en RI, le paradigme de Cranfield.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...