Automatic Detection of Document Organizational Structure from Visual and Lexical Markers (Détection automatique de la structure organisationnelle de documents à partir de marqueurs visuels et lexicaux) [in French]

[O-P2.2] 340 21ème Traitement Automatique des Langues Naturelles, Marseille, 2014 Détection automatique de la structure organisationnelle de documents à partir de marqueurs visuels et lexicaux Jean-Philippe Fauconnier1 Laurent Sorin1 Mouna Kamel1 Mustapha Mojahid1 Nathalie Aussenac-Gilles1 (1) IRIT, Université Paul Sabatier, 118 Route de Narbonne, 31062 Toulouse Cedex 9 {prénom}.{nom}@irit.fr Résumé. La compréhension d’un texte s’opère à travers les niveaux d’information visuelle, logique et discursive, et leurs relations d’interdépendance. La majorité des travaux ayant étudié ces relations a été menée dans le cadre de la génération de textes, où les propriétés visuelles sont inférées à partir des éléments logiques et discursifs. Les travaux pré- sentés ici adoptent une démarche inverse en proposant de générer automatiquement la structure organisationnelle du texte (structure logique) à partir de sa forme visuelle. Le principe consiste à (i) labelliser des blocs visuels par apprentissage afin d’obtenir des unités logiques et (ii) relier ces unités par des relations de coordination ou de subordination pour construire un arbre. Pour ces deux tâches, des Champs Aléatoires Conditionnels et un Maximum d’Entropie sont respectivement utilisés. Après apprentissage, les résultats aboutissent à une exactitude de 80,46% pour la labellisation et 97,23% pour la construction de l’arbre. Abstract. The process of understanding a document uses both visual, logic and discursive information along with the mutual relationships between those levels. Most approaches studying those relationships were conducted in the frame of text generation, where the text visual properties are infered from logical and discursive elements. We chose in our work to take the opposite path by trying to infer the logical structure of texts using their visual forms. To do so, we (i) assign a logical label to each visual block and (ii) we try to connect those logical units with coordination or subordination relationships, in order to build a logical tree. We used respectively a Conditional Random Fields and a Maximum Entropy algorithms for those two tasks. After a learning phase, the obtained models give us a 80,46% accuracy for task (i) and a 97,23% accuracy for task (ii). Mots-clés : discours, structure organisationnelle, mise en forme matérielle, marqueurs métadiscursifs, champs aléatoires conditionnels, maximum d’entropie. Keywords: discourse, organizational structure, text formating, metadiscursive markers, conditional random fields, maximum entropy. 1 Introduction La construction automatique de la structure de documents constitue un enjeu majeur en Traitement Automatique du Lan- gage (TAL). En effet, les traitements des modules actuels (e.g : étiquetage morpho-syntaxique, reconnaissance d’entités nommées, etc.) opèrent généralement à un niveau de granularité qui ne prend pas en compte les phénomènes se déroulant au niveau supérieur, tels que les relations entre les sections, titres, paragraphes, etc. (Marcu, 2006). Or, une approche plus globale des textes paraît être une étape nécessaire pour améliorer l’accessibilité des documents (Sorin et al., 2013), la navigation intra-documentaire (Couto et al., 2004), le résumé automatique (Bossard, 2009) ainsi que l’extraction d’infor- mation (Fauconnier et al., 2013). Nous partons du constat qu’un texte peut être segmenté selon trois structures : (i) la structure visuelle (segmentation en pages, blocs visuels, etc.), (ii) …

Content truncated to 500 words