Classification de documents XML

NIVEAU :

ORGANISME : INRIA Sophia Antipolis

ADRESSE : équipe AxIS,

ENCADREURS : Brigitte Trousse (Sophia Antipolis), Sergiu Chelcea (Sophia Antipolis), Yves Lechevallier (Rocquencourt).

04 92 38 77 45

Brigitte.Trousse@inria.fr

Sujet : ce stage se situe dans le domaine de  la fouille de documents. Celle-ci utilise différentes techniques pour  extraire une information structurée dans du texte libre, regrouper les documents dans des classes existantes ou émergeantes, afin d'aggréger ou de synthetiser l'information contenue dans une large collection. Nous nous intéressons plus particuliérement aux techniques de classification de documents XML : plus précisement,  la classification (clustering) a pour but d'identifier des classes non connue à l'avance. Pour celà on s'appuie traditionnellement sur des modèles statistiques qui manipulent des ensembles de mots.

Dans ce stage nous adressons principalement une collection de  documents XML de contenu similaire issu par exemple d'interprétations différentes, de traductions différentes d'un même texte : cela peut concerner des transformations XML de textes religieux, philosophiques,  juridiques, etc.
L'objectif du stage est de faire des propositions méthodologiques et logicielles pour l'aide à la classification de collections de documents XML.  Notons que la classification de documents XML est un domaine de recherche très actif actuellement. Dans ce stage il s'agira  de prendre en compte bien sûr une représentation interne du  document (qui pourra s'appuyer sur le contenu et/ou la  structure)  mais aussi une représentation externe du document (état du document, type d'encre utilisé etc.).  

Il s'agit de proposer de  nouvelles méthodes  de  calcul de distances entre deux documents en s'appuyant sur un document de référence et de les intégrer dans une extension de la Classification Ascendante Hiérarchique appelée "2-3 CAH" développée par (Chelcea et al 2004).  Ce travail sera fait  principalement dans le contexte du projet EuropAid Sanskrit (mars 2005-2006) et il pourra éventuellement donner lieu à d'autres expérimentations dans le cadre du  groupe de travail international INEX relativement à la collection XML d'articles IEEE Initiative for the Evaluation of XML retrieval .  L'étudiant pourra avoir des contacts avec Marc Csernel (AxIS Rocquencourt) travaillant sur le projet EuropAID Sanskrit et aussi avec Anne-Marie Vercoustre sur les aspects fouille de documents XML.

Le travail comportera les étapes suivantes:

• Familiarisation avec les documents Sanskrit et l'outil de transformation en documents XML réalisés par AxIS Rocquencourt
• Etude bibliographique sur la classification d'une collection de documents XML et sur les méthodes de calcul de distances entre deux documents XML basées sur une  représentation interne (contenu et structure) et externe (encre, etat du papier..). 
  
• Familiarisation avec l'algorithme de 2-3 CAH réalisé par S. Chelcea et de l'outil de visualisation des hiérarchies issues de la CAH et 2-3 CAH.
• Proposition de nouvelles mesures de distance entre deux documents XML s'appuyant sur un document de référence et  leur intégration dans  la  classification 2-3 hiérarchique
  
• Evaluation de ces mesures de distances  avec la 2-3 CAH et avec l'algorithme standard de CAH.
• Participation à l'amélioration de l'outil de visualisation  des hiérarchies en vue de faciliter l'interprétation des résultats
• Ecriture du rapport de stage/publication.

Bibliographie

• "Expériences de classification de documents XML homogènes", Thierry Despeyroux, Yves Lechevallier, Brigitte Trousse, Anne-Marie Vercoustre, EGC 2005, Paris.
• Un Nouvel Algorithme de Classification Ascendante 2-3 Hiérarchique. S. Chelcea, P. Bertrand et B. Trousse. In Actes de 14^ème Congrès Francophone AFRIF-AFIA de Reconnaissance des Formes et Intelligence Artificielle (RFIA 2004), volume 3, Centre de Congrès Pierre BAUDIS, Toulouse, France, pages 1471-1480, 28-30 Janvier 2004.
• A New Agglomerative 2-3 Hierarchical Clustering Algorithm. S. Chelcea, P. Bertrand et B. Trousse. In Daniel Baier and Klaus-Dieter Wernecke, editors, Innovations in Classification, Data Science, and Information Systems. Proc. 27^th Annual GfKl Conference, University of Cottbus, March 12 - 14, 2003, Studies in Classification, Data Analysis, and Knowledge Organization, Heidelberg-Berlin, Germany, pages 3-10, 2004. Springer-Verlag, ISBN 3-540-23221-4. 
  

• "A classifier for semi-structure documents", Jeonghee Yi and Neel Dundaresan, KDD 2000.
• "Structured Multimedia Document Classification", Ludovic Denoyer, Jean-Noel Vittaut, Patrick Gallinari, Sylvie Brunessaux, Stephan Brunessaux, DocEng’03.
• "A semi-structured document model for text mining", Yang Jianwu, Chen Xiaoou, Journal of Computer Science and Technology archive, Volume 17(5),603-610, May 2002.