Un modèle de mixture de modèles génératifs pour les documents structurés multimédias:Application à la classification de documents XML et HTML

Ludovic Denoyer; Patrick Gallinari

Document numérique 2004/3 Vol. 8

Article de revue

Un modèle de mixture de modèles génératifs pour les documents structurés multimédias

Application à la classification de documents XML et HTML

Par Ludovic Denoyer
et Patrick Gallinari

Pages 35 à 54

DENOYER, Ludovic
et GALLINARI, Patrick,

2004. Un modèle de mixture de modèles génératifs pour les documents structurés multimédias Application à la classification de documents XML et HTML. Document numérique, 2004/3 Vol. 8, p.35-54. URL : https://stm.cairn.info/revue-document-numerique-2004-3-page-35?lang=fr.

Denoyer, Ludovic.
et al.

« Un modèle de mixture de modèles génératifs pour les documents structurés multimédias : Application à la classification de documents XML et HTML ». Document numérique, 2004/3 Vol. 8, 2004. p.35-54. CAIRN.INFO, stm.cairn.info/revue-document-numerique-2004-3-page-35?lang=fr.

Denoyer, L.
et Gallinari, P.

(2004). Un modèle de mixture de modèles génératifs pour les documents structurés multimédias Application à la classification de documents XML et HTML. Document numérique, . 8(3), 35-54. https://stm.cairn.info/revue-document-numerique-2004-3-page-35?lang=fr.

Figure 1

Description de l'image par IA : L'image montre un diagramme de document structuré avec des étiquettes et du texte pour Introduction, Section et Paragraphe.

L'image représente un diagramme de structure d'un document. Ce diagramme est organisé en forme d'arbre avec des nœuds et des branches. Les nœuds sont des cercles contenant des flèches qui indiquent la direction de la structure. Chaque nœud est étiqueté avec un libellé et un texte descriptif. En haut du diagramme, il y a un nœud étiqueté "INTRODUCTION" avec le texte "Ce document est un exemple de document structuré". Ce nœud est connecté à un autre nœud étiqueté "DOCUMENT" avec le texte "Ce document est un exemple de document structuré". Sous le nœud "DOCUMENT", il y a deux branches principales. La première branche mène à un nœud étiqueté "SECTION" avec le texte "Ceci est la première section". Ce nœud est connecté à deux autres nœuds étiquetés "PARAGRAPHE". Le premier nœud "PARAGRAPHE" a le texte "Ceci est le premier paragraphe" et le second nœud "PARAGRAPHE" a le texte "Ceci est le second paragraphe". La seconde branche principale mène à un autre nœud étiqueté "SECTION" avec le texte "La seconde section est composée de deux petits paragraphes". Ce nœud est connecté à deux autres nœuds étiquetés "PARAGRAPHE". Le premier nœud "PARAGRAPHE" a le texte "Ceci est le premier paragraphe" et le second nœud "PARAGRAPHE" a le texte "Ceci est le troisième paragraphe". Les connexions entre les nœuds montrent la hiérarchie et la relation entre les différentes sections et paragraphes du document.

Un exemple de document structuré

Figure 2

Description de l'image par IA : Deux diagrammes montrant des structures de documents avec des sections, sous-sections et paragraphes.

L'image montre deux diagrammes de modélisation de la structure d'un document. Le premier diagramme, intitulé "MODELE 1", présente une structure hiérarchique simple. Il commence par un nœud principal étiqueté "Document" qui se divise en deux sections principales : "Introduction" et "Section". La section "Introduction" mène à un nœud "Paragraphe". La section "Section" se divise en deux autres nœuds "Paragraphe". Le deuxième diagramme, intitulé "MODELE 2", montre une structure plus complexe. Il commence également par un nœud principal étiqueté "Document" qui se divise en trois sections principales : "Introduction", "Section", et "Section". La section "Introduction" mène à un nœud "Paragraphe". La première section "Section" se divise en deux nœuds "Paragraphe". La deuxième section "Section" se divise également en deux nœuds "Paragraphe". Les deux modèles montrent des structures différentes pour organiser les sections et les paragraphes d'un document, avec le deuxième modèle étant plus détaillé et complexe que le premier.

Deux modélisations possibles de la structure

Figure 3

Description de l'image par IA : Diagram de réseau bayésien avec nœuds de structure et contenu, reliant des sections et paragraphes.

L'image représente un réseau bayésien avec des nœuds ronds et des nœuds rectangulaires. Les nœuds ronds représentent les nœuds de structure, tandis que les nœuds rectangulaires représentent les nœuds de contenu. Les arcs entre les nœuds indiquent les dépendances entre les éléments de structure, et les arcs en pointillés montrent la dépendance entre le contenu et la structure. En haut de l'image, il y a un nœud rond étiqueté "Document". Ce nœud se divise en deux autres nœuds ronds étiquetés "Introduction" et "Section". Le nœud "Introduction" mène à un nœud rectangulaire avec le texte "Ce document est un exemple de document structuré". Le nœud "Section" se divise en deux autres nœuds ronds étiquetés "Section". Le premier de ces nœuds se divise en un nœud rectangulaire avec le texte "Ceci est la première section" et en un autre nœud rond étiqueté "Paragraphe". Ce nœud "Paragraphe" se divise en deux nœuds rectangulaires avec les textes "Ceci est le premier paragraphe" et "Ceci est le deuxième paragraphe". Le second nœud "Section" se divise en un nœud rectangulaire avec le texte "La deuxième section est composée d'un seul paragraphe" et en un autre nœud rond étiqueté "Paragraphe". Ce nœud "Paragraphe" se divise en deux nœuds rectangulaires avec les textes "Ceci est le deuxième paragraphe" et "Ceci est le troisième paragraphe". Les dépendances entre les nœuds montrent comment les sections et les paragraphes sont organisés dans le document, avec des relations claires entre les éléments de structure et de contenu.

Le réseau bayésien final. Les nœuds ronds sont des nœuds de structure tandis que les nœuds rectangulaires sont des nœuds de contenu. Les arcs représentent les dépendances entre éléments de structure et ceux en pointillés la dépendance contenu / structure

Figure 4

Description de l'image par IA : Diagram de réseau bayésien montrant la structure d'un document avec sections et paragraphes.

L'image représente un réseau bayésien pour un modèle textuel. Elle montre une structure hiérarchique avec des nœuds et des arcs. En haut, il y a un nœud intitulé "Document" qui se divise en deux sections principales : "Introduction" et "Section". La section "Introduction" contient un texte structuré en plusieurs phrases, chacune reliée par des flèches à un nœud intitulé "Document". La section "Section" se divise en deux sous-sections, chacune composée de phrases reliées par des flèches. Chaque sous-section contient des phrases qui sont reliées à des nœuds intitulés "Paragraphe". Les phrases sont interconnectées, indiquant des relations entre elles. L'image illustre comment les différentes parties d'un document sont organisées et interconnectées dans un modèle bayésien.

Le réseau bayésien final pour le modèle textuel

Figure 5

Description de l'image par IA : Document plat avec réseau bayésien. Texte et flèches reliant mots-clés.

Le réseau bayésien construit pour un document plat

Figure 6

Description de l'image par IA : Chien et chat interagissant, image en noir et blanc.

Un document structuré comprenant une image et un texte

Tableau 1

Tableau comparatif des performances de cinq classifieurs avec des scores pour plusieurs métriques.

<div> <body> <div class="page"> <table> <tbody> <tr> <td></td> <th>cou.</th> <th>dep.</th> <th>sta.</th> <th>fac.</th> <th>stu.</th> <th>'0.1d</th> <th>Macro</th> <th>Micro</th> </tr> <tr> <th>Naive Bayes (NB) BN Model</th> <td>0.96 0.96</td> <td>0.93 0.82</td> <td>0.07 0.03 0.17 0.17</td> <td>0.67 0.72</td> <td>0.91 0.93</td> <td>0.65 0.76</td> <td>0.70 0.70</td> <td>0.81 0.83</td> </tr> <tr> <th>SVM</th> <td>0.90</td> <td>0.79</td> <td></td> <td>0.85</td> <td>0.91</td> <td>0.77</td> <td>0.73</td> <td>0.85</td> </tr> <tr> <th>NB + Fisher</th> <td>0.95</td> <td>0.77</td> <td></td> <td>0.82</td> <td>0.91</td> <td>0.71</td> <td>0.72</td> <td>0.85</td> </tr> <tr> <th>BN + Fisher</th> <td>0.95</td> <td>0.83</td> <td>0.14</td> <td>0.84</td> <td>0.94</td> <td>0.72</td> <td>0.73</td> <td>0.87</td> </tr> </tbody> </table> </div> </body> </div>

Performance des 5 classifieurs testés sur le corpus WebKB

Tableau 2

Tableau comparatif des performances de cinq classifieurs avec des scores Macro et Micro.

Performance des 5 classifieurs sur le corpus INEX

Tableau 3

Tableau des données linguistiques en français, anglais, allemand, néerlandais, portugais, espagnol, grec et italien.

<div> <body> <div class="page"> <table> <tbody> <tr> <td></td> <th>PORNO</th> <th>GENERAL</th> <th>AMBIGUS</th> <th>TOTAL NON PORNO</th> </tr> <tr> <th>French</th> <td>830</td> <td>2042</td> <td>420</td> <td>2462</td> </tr> <tr> <th>English</th> <td>3808</td> <td>1827</td> <td>640</td> <td>2467</td> </tr> <tr> <th>Gerrman</th> <td>357</td> <td>1428</td> <td>290</td> <td>1718</td> </tr> <tr> <th>Dutch</th> <td>349</td> <td>1200</td> <td>220</td> <td>1420</td> </tr> <tr> <th>Portuguese</th> <td>63</td> <td>200</td> <td>93</td> <td>293</td> </tr> <tr> <th>Spanish</th> <td>530</td> <td>1448</td> <td>641</td> <td>2089</td> </tr> <tr> <th>Greek</th> <td>309</td> <td>870</td> <td>359</td> <td>1229</td> </tr> <tr> <th>Italian</th> <td>386</td> <td>1138</td> <td>223</td> <td>1361</td> </tr> <tr> <th>Total</th> <td>6614</td> <td>10153</td> <td>2886</td> <td>13039</td> </tr> </tbody> </table> </div> </body> </div>

Composition de la base de données

Tableau 4

Tableau comparatif des scores Micro-average et Macro-average pour différents modèles.

Rappel Micro-average et Macro-average sur la base NetProtect

Compte personnel

Un modèle de mixture de modèles génératifs pour les documents structurés multimédias

Application à la classification de documents XML et HTML

Accès institutions

Toutes les institutions

Un modèle de mixture de modèles génératifs pour les documents structurés multimédias

Application à la classification de documents XML et HTML

Citer cet article

Accès institutions

Toutes les institutions