MEANS : une approche sémantique pour la recherche de réponses aux questions médicales [MEANS: a semantic approach to medical question answering]

MEANS : une approche sémantique pour la recherche de réponses aux questions médicales Asma Ben Abacha* — Pierre Zweigenbaum** * CRP Henri Tudor, Luxembourg ** LIMSI-CNRS, France asma.benabacha@tudor.lu, pz@limsi.fr RÉSUMÉ. Nous présentons une approche pour la recherche de réponses à des questions médicales posées en langage naturel, appelée MEANS. Cette approche se fonde sur des techniques de TAL pour l’extraction des entités médicales et des relations sémantiques exprimées dans les ques- tions et les corpus médicaux. MEANS utilise les langages du Web sémantique pour représenter et interroger les informations recherchées par les utilisateurs. Cette caractéristique permet de partager les informations extraites à partir des corpus et de considérer l’acquisition cumulative de connaissances à moyen et long terme. MEANS construit une requête SPARQL initiale et plu- sieurs requêtes relaxées comme interprétation sémantique formelle de la question. L’évaluation de MEANS sur un jeu de données réelles a abouti à des résultats encourageants en termes de précision et de MRR et a permis de constater les améliorations significatives apportées par sa méthode de relaxation de requêtes. ABSTRACT. We present a medical question answering approach, called MEANS. This approach relies on natural language processing techniques to extract medical entities and relations from the user questions and medical corpora. It also uses semantic Web languages to represent and query the information searched by the users. This feature allows to share the information ex- tracted from textual corpora using standard languages and to consider incremental knowledge acquisition in mid-and-long terms. MEANS constructs an initial SPARQL query and several relaxed queries as semantic interpretations of a user question. The evaluation of MEANS on a real dataset shows promising results for both precision and MRR and showed the significant benefits of the query relaxation technique. MOTS-CLÉS : système de Questions-réponses, extraction d’information, recherche sémantique. KEYWORDS: Question-Answering System, Information Extraction, Semantic Search. TAL. Volume 55 – n˚ 1/2014, pages 71 à 104 72 TAL. Volume 55 – n˚ 1/2014 1. Introduction Au cours des dernières décennies, la quantité d’information a augmenté de façon exponentielle dans tous les domaines et notamment le domaine médical. En effet, le volume des connaissances médicales double tous les cinq ans (Engelbrecht, 1997), voire tous les deux ans (Hotvedt, 1996). Avec la numérisation à large échelle, retrou- ver automatiquement une information de haute précision est devenu un défi. Dans ce contexte, plusieurs moteurs de recherche spécialisés dans ce domaine ont vu le jour : citons par exemple PubMed 1, CISMeF 2 ou Health On the Net 3. À une requête don- née, ces moteurs retournent un ensemble de documents et délèguent à l’utilisateur la tâche de trouver l’information cherchée si elle existe dans les documents renvoyés. Les systèmes de questions-réponses présentent une alternative axée sur la préci- sion pour faciliter et accélérer la recherche d’information. Un système de questions- réponses vise à répondre directement à des questions posées en langue naturelle avec une réponse précise extraite à partir d’une collection de documents, du Web ou d’une base de données. La nature et la complexité de …

Content truncated to 500 words