TopicRank : ordonnancement de sujets pour l’extraction automatique de termes-clés [TopicRank: topic ranking for automatic key-term extraction]

TopicRank : ordonnancement de sujets pour l’extraction automatique de termes-clés Adrien Bougouin* — Florian Boudin* * LINA - UMR CNRS 6241, Université de Nantes UFR de Sciences et Techniques, 2 rue de la Houssinière, 44322 Nantes, France prenom.nom@univ-nantes.fr RÉSUMÉ. Les termes-clés sont les mots ou les expressions polylexicales qui représentent le contenu principal d’un document. Ils sont utiles pour diverses applications telles que l’indexa- tion automatique ou le résumé automatique, mais ne sont cependant pas disponibles pour la plupart des documents. La quantité de ces documents étant de plus en plus importante, l’ex- traction manuelle des termes-clés n’est pas envisageable et la tâche d’extraction automatique de termes-clés suscite alors l’intérêt des chercheurs. Dans cet article nous présentons Topic- Rank, une méthode non supervisée à base de graphe pour l’extraction de termes-clés. Cette méthode groupe les termes-clés candidats en sujets, ordonne les sujets et extrait de chacun des meilleurs sujets le terme-clé candidat qui le représente le mieux. Les expériences réali- sées montrent une amélioration significative vis-à-vis de l’état de l’art des méthodes à base de graphe pour l’extraction non supervisée de termes-clés. ABSTRACT. Keyphrases are single or multi-word expressions that represent the main content of a document. As keyphrases are useful in many applications such as document indexing or text summarization, and also because the vast amount of data available nowadays cannot be manu- ally annotated, the task of automatically extracting keyphrases has attracted considerable atten- tion. In this article we present TopicRank, an unsupervised graph-based method for keyphrase extraction. This method clusters the keyphrase candidates into topics, ranks these topics and extracts the most representative candidate for each of the best topics. Our experiments show a significant improvement over the state-of-the-art graph-based methods for keyphrase extraction. MOTS-CLÉS : extraction de termes-clés, groupement en sujets, ordonnancement de sujets, méthode non supervisée, méthode à base de graphe. KEYWORDS: keyphrase extraction, topic clustering, topic ranking, unsupervised method, graph- based method. TAL. Volume 55 – n° 1/2014, pages 45 à 69 46 TAL. Volume 55 – n° 1/2014 1. Introduction Un terme-clé, couramment appelé mot-clé, est un mot ou une expression poly- lexicale permettant de caractériser une partie du contenu d’un document. Groupés ensemble, les termes-clés d’un document permettent de définir les principaux su- jets (concepts) abordés dans un document (cf. exemple figure 1). Ils sont alors utiles dans de nombreuses applications du traitement automatique des langues (TAL), telles que le résumé automatique (D’Avanzo et Magnini, 2005), la compression multi- phrase (Boudin et Morin, 2013), la classification de documents (Han et al., 2007), ou l’indexation automatique de documents (Medelyan et Witten, 2008), qui nous in- téresse plus particulièrement. Pourtant, de nombreux documents, tels que ceux dispo- nibles sur Internet, n’en sont pas accompagnés et la quantité de documents à traiter est aujourd’hui trop importante pour que l’annotation de leurs termes-clés soit effectuée manuellement. C’est pourquoi de nombreux chercheurs se penchent sur la problé- matique de l’extraction automatique de termes-clés, en témoigne la quantité grandis- sante de travaux scientifiques à ce sujet (Hasan et …

Content truncated to 500 words