Le résumé automatique de textes - LaLIC - Université Paris-Sorbonne

Chapitre 2 : Le résumé automatique de textes
Prob(S) = [Prob(S∈R). [Prob(c 1 | S∈R)…( Prob(c k | S∈R)]] / [Prob(c 1 )…Prob(c k )]
Où :
• Prob(S∈R) est le taux de compression du résumé (0,1 par exemple).
• Prob(c i | S∈R) est la probabilité que ce critère soit présent pour un segment du
résumé.
• Prob(c i ) est la probabilité que ce critère soit présent.
Ici, l’apprentissage prend une place importante, notamment pour calculer les
probabilités conditionnelles Prob(c i | S∈R) et sans conditions Prob(c i ) pour chaque
critère. On donnera l’exemple les travaux de S. Teufel [Teufel 1997] qui suivent ceux
de J. Kupiec [Kupiec et al. 1995] et qui emploient cette approche probabiliste avec
apprentissage. L’apprentissage s’effectue sur un corpus d’articles scientifiques auxquels
sont joints leur résumé fait par les auteurs. Teufel retient cinq critères : la présence de
cue phrases, la position dans le texte, la longueur de la phrase, le présence de termes
thématiques et la présence de termes du titre. Pour un texte qui est soumis au système,
l’idée est de juger la pertinence des phrases de celui-ci à travers la probabilité qu’elles
ont d’appartenir au résumé, et ceci en fonction des valeurs qui ont été calculées lors de
l’apprentissage préalable pour tous les critères. Grâce à cette méthode on peut
sélectionner les combinaisons les plus adéquates pour construire le résumé. Toutefois
Teufel admet que l’amélioration du système ne peut passer que par l’ajout de nouveaux
critères positifs et non par plus d’apprentissages.
Pour les techniques utilisant l’apprentissage, elles sont généralement assez
variables et s’utilisent de nombreuses façons. Leurs inconvénients portent cependant sur
leur dépendance aux corpus, et aussi sur l’incapacité, qui résulte de leur utilisation, à
maîtriser le processus résumant. Nous entendons par cette dernière remarque le fait que
toute action effectuée, telle que l’estimation de la pertinence, à la suite et sous la
condition d’un apprentissage, ne peut pas être totalement explicable comme cela peut
l’être pour un système à base de règles ou de connaissances bien définies.
L’apprentissage est conditionné par l’objectif d’obtenir les sorties qui sont espérées, et
peu importe les traitements effectués de manière interne au système, le travail étant
alors uniquement de paramétrer le système convenablement (les coefficients, les
probabilités conditionnelles, etc.) et de ne retenir que la combinaison de critères la plus
68