The impact of domains for Keyphrase extraction (Influence des domaines de spécialité dans l’extraction de termes-clés) [in French]

[O-RI.3] 13 21ème Traitement Automatique des Langues Naturelles, Marseille, 2014 Influence des domaines de spécialité dans l’extraction de termes-clés Adrien Bougouin Florian Boudin Béatrice Daille LINA – UMR CNRS 6241, 2 rue de la Houssinière 44322 Nantes Cedex 3, 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’indexation automatique ou le résumé automatique, mais ne sont pas toujours disponibles. De ce fait, nous nous intéressons à l’extraction automatique de termes-clés et, plus parti- culièrement, à la difficulté de cette tâche lors du traitement de documents appartenant à certaines disciplines scientifiques. Au moyen de cinq corpus représentant cinq disciplines différentes (archéologie, linguistique, sciences de l’information, psychologie et chimie), nous déduisons une échelle de difficulté disciplinaire et analysons les facteurs qui influent sur cette difficulté. Abstract. Keyphrases are single or multi-word expressions that represent the main content of a document. Key- phrases are useful in many applications such as document indexing or text summarization. However, most documents are not provided with keyphrases. To tackle this problem, researchers propose methods to automatically extract keyphrases from documents of various nature. In this paper, we focus on the difficulty of automatic keyphrase extraction in scienti- fic papers from various areas. Using five corpora representing five areas (archaeology, linguistics, information sciences, psychology and chemistry), we observe the difficulty scale and analyze factors inducing a higher or a lower difficulty. Mots-clés : Extraction de termes-clés, articles scientifiques, domaines de spécialité, méthodes non-supervisées. Keywords: Keyphrase extraction, scientific papers, specific domain, unsupervised methods. 1 Introduction Un terme-clé est un mot ou une expression polylexicale qui représente un concept important d’un document auquel il est associé. En pratique, plusieurs termes-clés représentant des concepts différents sont associés à un même document. Ils forment alors un ensemble à partir duquel il est possible de caractériser, synthétiser, le contenu du document. Du fait de cette capacité de synthèse, les termes-clés sont utilisés dans de nombreuses applications telles que le résumé automa- tique (D’Avanzo & Magnini, 2005), la classification de documents (Han et al., 2007) ou l’indexation automatique (Mede- lyan & Witten, 2008). Cependant, tous les documents ne sont pas accompagnés de termes-clés et leur assignation manuelle est une tâche coûteuse. Pour pallier ce problème, de plus en plus de chercheurs s’intéressent à l’extraction automatique de termes-clés, en témoignent les récentes campagnes d’évaluation (Paroubek et al., 2012; Kim et al., 2010), ainsi que les nombreux travaux à ce sujet (Hasan & Ng, 2014). L’extraction automatique de termes-clés consiste à extraire du contenu d’un document les unités textuelles les plus im- portantes, celles qui permettent de le résumer. Parmi les méthodes d’extraction automatique de termes-clés existantes, nous distinguons deux catégories : les méthodes supervisées et les méthodes non-supervisées. Dans le cadre supervisé, la tâche d’extraction de termes-clés est considérée comme une tâche de classification (Witten et al., 1999) où il s’agit d’at- tribuer la classe « terme-clé » ou « non terme-clé » aux termes-clés candidats …

Content truncated to 500 words