I Etude Bibliographique

Faessel Nicolas

Description

UNIVERSITES PAUL CEZANNE, de PROVENCE, de la MEDITERRANEE UNIVERSITE du SUD TOULON-VAR ECOLE NATIONALE SUPERIEURE d’ARTS et METIERS MASTER SIS Sciences de l’Information et des Systèmes Mémoire de recherche Présentée le 23 Juin 2006 par Nicolas Faessel Sujet Intégration du langage de recherche d’information NEXI dans le langage de requêtes XQuery. Stage de recherche effectué au Laboratoire : LSIS Dans l’équipe : INCOD Sous la direction de : Jacques Le Maitre I ETUDE BIBLIOGRAPHIQUE 1. INTRODUCTION.............................................................................................................................................. 3 2. L’INFORMATION SOUS TOUTES SES FORMES...................................................................................... 4 3. LA RECHERCHE D’INFORMATION........................................................................................................... 4 3.1. INDEXATION.................................................................................................................................................. 5 3.2. LES DIFFERENTS MODELES DE RECHERCHE D’INFORMATION......................................................................... 7 a Le modèle booléen ................................................................................................................................ 7 b Le modèle vectoriel .............................................. ...

Sujets

• informatique
• ordinateur
• réseau
• réseaux

Informations

• Publié par: Orku
• Nombre de lectures: 42
• Langue: Français

Extrait

  

UNIVERSITES PAUL CEZANNE, de PROVENCE, de la MEDITERRANEE UNIVERSITE du SUD TOULON-VAR ECOLE NATIONALE SUPERIEURE dARTS et METIERS 

MASTER SIS 

Sciences de lInformation et desSystèmes      Mémoire de recherche   Présentée le 23 Juin 2006 par Nicolas Faessel     Sujet   Intégration du langage de recherche dinformation NEXI dans le langage de requêtes XQuery.       

 Stage de recherche effectué au Laboratoire : LSIS Dans léquipe : INCOD Sous la direction de : Jacques Le Maitre 

1.

2.

3.

4.

5.

6.

1.

2.

3.

4.

5.

6.

7.

8.

I ETUDE BIBLIOGRAPHIQUE 

INTRODUCTION .............................................................................................................................................. 3

LINFORMATION SOUS TOUTES SES FORMES ...................................................................................... 4

LA RECHERCHE DINFORMATION ........................................................................................................... 4

3.1. I NDEXATION .................................................................................................................................................. 5 3.2. L ES DIFFERENTS MODELES DE RECHERCHE D  INFORMATION ......................................................................... 7 aLe modèle booléen ................................................................................................................................ 7 b ............................................................................................................................... 8Le modèle vectoriel cLe modèle probabiliste........................................................................................................................ 10 dLe modèle densemble flou.................................................................................................................. 10

LE FORMAT DE DONNEE XML ................................................................................................................. 11

4.1. XP ATH 2.0 ET XQ UERY .............................................................................................................................. 12 aXPath 2.0 ............................................................................................................................................ 12 bXQuery ................................................................................................................................................ 12 4.2. XQ UERY F ULL -T EXT .................................................................................................................................. 12

RECHERCHE DINFORMATION SEMI STRUCTUREE ........................................................................ 13

5.1. INEX .......................................................................................................................................................... 13 5.2. NEXI .......................................................................................................................................................... 15 a ............................................................................................................. 15Les requêtes de contenu (CO) bLes requêtes de structure et contenu (CAS) ........................................................................................ 15 5.3. I NTEGRATION DE NEXI DANS XQ UERY ...................................................................................................... 16

CONCLUSION ................................................................................................................................................. 16

II CONTRIBUTION 

INTRODUCTION ............................................................................................................................................ 17

DESCRIPTION DES LANGAGES ................................................................................................................ 17

2.1. XQ UERY ..................................................................................................................................................... 17 2.2. NEXI .......................................................................................................................................................... 19

SEMANTIQUE DUNE REQUETE NEXI.................................................................................................... 19

INTEGRATION DE NEXI DANS XQUERY................................................................................................ 21

DESCRIPTION DU PROTOTYPE ................................................................................................................ 22 5.1. P ARAMETRAGE D  EXECUTION D  UNE REQUETE XQ UERY +  NEXI .............................................................. 23 5.2. E XECUTION DE LA REQUETE ........................................................................................................................ 24 a 24Caractéristiques des moteurs XQuery................................................................................................. bPrincipe général dexécution de la fonction about ............................................................................. 25

EXPERIMENTATION .................................................................................................................................... 25

6.1. C ORPUS D  ANALYSE ..... .............................. 25................................................................................................ 6.2. S TRATEGIE D  IMPLEMENTATION ................................................................................................................. 26 6.3. J EUX D  ESSAIS ............................................................................................................................................ 26 6.4. E XEMPLE DE RESULTATS ............................................................................................................................. 27 6.5. D ISCUSSION ................................................................................................................................................ 28

CONCLUSION ET PERSPECTIVES............................................................................................................ 28

7.1. P ERSPECTIVES D  EVOLUTION ...................................................................................................................... 29 aIndexation ........................................................................................................................................... 29 b 29Extension de XQuery........................................................................................................................... c 29Utilisation de XQuery Full-Text.......................................................................................................... dPrise en compte de nouvelles pondérations ........................................................................................ 30

REFERENCES ................................................................................................................................................. 30

I Etude Bibliographique   1.Introduction  Lapparition de lécriture a permis depuis 5000 ans de conserver une trace des connaissances de lhumanité. Dès lors, la transmission du savoir nest plus forcement orale, mais peut se perpétuer à travers les écrits. Chaque époque apportant son lot de révolution, la typographie inventée par Gutenberg en 1440 a permis un accroissement constant des documents et par conséquent de la masse dinformation disponible. Linformatique et les TIC ont aussi provoqué une révolution dont il est impossible de ne pas tenir compte de nos jours. Un tel volume dinformation soulève bien des problèmes, tels que la représentation, lorganisation, le stockage et la restitution de cette dernière, plus encore quand elle devient lapanage de tous. Ainsi, des méthodes de classification, de stockage et de recherche se sont grandement développées ces dernières années. Puis des méthodes dévaluation sont aussi apparues, pour mesurer la qualité des recherches en cours. Pour répondre à toutes ces problématiques une multitude de solutions ont été développées, chacune tenant compte de spécificités propres à la problématique rencontrée. En effet, il existe différentes façons de stocker des données, selon lusage que lon souhaite en faire, et donc plusieurs manières dy accéder. On peut par exemple faire une distinction entre information structurée et information non structurée. Linformation structurée est un ensemble de données organisées en un certain nombre de champs structurés pour un accès prédéfini, répondant généralement à des besoins applicatifs, comme cest le cas pour les bases de données relationnelles, les annuaires, les anciens systèmes documentaires. Linformation non structurée, quant à elle, contient le plus généralement du texte, écrit en langue naturelle, comme cest le cas pour les livres, les articles, les rapports Une distinction est admise entre linterrogation de base de données qui vise à interroger de manière précise un ensemble de données et la recherche dinformation traditionnelle, qui consiste à retrouver un ensemble de documents utiles et pertinents pour un utilisateur en quête dinformation sur un sujet qui nest pas forcement formellement défini. Le langage XML, qui est un méta langage à balises, permet le rapprochement des communautés bases de données et recherche dinformation. XML permet aussi bien la représentation de la structure logique de nimporte quel type de documents contenant du texte libre, que léchange de données entre applications. On parle ainsi de données semistructurées. Un langage de requête spécifique à XML doit ainsi couvrir deux aspects principaux, orienté documents et orienté données [29]. Pour laspect orienté documents, il doit permettre linterrogation flexible des collections de documents, aussi bien sur la structure que sur le contenu, mais surtout classer les réponses par ordre de pertinence par rapport à la question posée. Pour laspect orienté données, qui concerne surtout les échanges de données entre applications, dans un format qui leur est spécifique, un tel langage doit permettre la sélection dinformations, mais aussi la manipulation de ces informations, par exemple, les regrouper ou les restructurer dans un nouveau document. Un tel langage a été proposé comme standard par le W3C. Cest XQuery [4], un langage de requête qui opère à la façon de SQL sur des collections de documents représentés chacun sous la forme dun arbre appeléarbre de document. Afin de le rapprocher de lorientation recherche dinformation, ce langage a été étendu à la recherche plein texte afin de permettre la recherche dinformation dans les feuilles textuelles de larbre dun document [1]. XQuery repose sur un langage dadressage de nuds XPath, qui est considéré comme trop compliqué pour la recherche dinformation. Il a donc été simplifié pour aboutir à NEXI. Etendre XQuery avec NEXI permettrait notamment dordonner et de structurer les éléments dun document

XML trouvés par une requête NEXI et de les classer selon leur degré de similarité avec cette requête.   2.Linformation sous toutes ses formes  Internet et la numérisation des documents a changé notre façon daccéder à linformation. Le Web est devenu un entrepôt universel de culture et de connaissance, qui permet un partage didées et dinformations sans précédent. Mais ça na pas toujours été le cas. En effet, avant, pour obtenir un document, il fallait se rendre dans un centre documentaire où lon pouvait rechercher un ouvrage dont il était préférable de connaître lauteur ou le titre. Il était relativement difficile de formuler une requête de la forme : « Je cherche un ouvrage évoquant limmigration aux Etats-Unis en 1876 », à moins que cet ouvrage ait un titre suffisamment explicite. Les données telles que le titre, lauteur, contenues dans les bases dun centre documentaire correspondent à de linformation secondaire, qui permet ensuite daccéder à linformation primaire : le contenu de louvrage. Ces données sont dites structurées, car elles gardent une forme fixe, quelque soit louvrage référencé. Les bases de données relationnelles (par exemple la base de clients dune entreprise) stockent elles aussi des données structurées. Lorganisation des données est connue, et laccès se fait généralement par certains champs spécifiques. Par exemple, un assuré accède à son contrat dassurance par son numéro dassuré. Linformation non structurée quant à elle se présente généralement sous forme de texte brut. On évalue, pour les documents présents sur le web, à 80% linformation non structurée contre 20% dinformation structurée. Mais linformation ne répond pas seulement à la dichotomie présentée ci-dessus : on peut aussi parler dinformation formelle ou informelle, textuelle ou multimédia, structurée, semi structurée ou plein texte Afin daccéder indifféremment à toutes ces données qui ont une représentation hétérogène, il existe une approche médiateur, qui permet dunifier laccès aux données par une seule interface.   3.La recherche dinformation  La recherche dinformation dépend de plusieurs disciplines : classification, interface utilisateur, visualisation de données, traitement automatique du langage naturel (TALN). La classification permet dorganiser linformation secondaire, pour mieux accéder à linformation primaire (généralement textuelle). Linterrogation de linformation textuelle, qui est généralement écrite en langue naturelle, doit tenir compte des caractéristiques de cette langue. En effet, le langage naturel a trois caractéristiques qui rendent son interprétation par un ordinateur difficile : limplicite, la redondance et lambiguïté. Ainsi, dans un texte, les idées peuvent être expliquées de plusieurs manières différentes par redondance, de manière partielle (implicite) ou être interprétées de plusieurs façons (ambiguïté)[31], [22]. Etant donnée une requête utilisateur, le but dun système de recherche dinformation est de rechercher les documents dont le contenu est plus ou moins conforme à cette requête. En ce sens, la recherche dinformation se différencie de linterrogation dune base de données.  Le contenu dun document est généralement représenté par un ensemble de termes et une requête sexprime elle-même sous forme dun ensemble de termes, éventuellement pondérés et/ou connectés par des conjonctions, disjonctions ou des négations.

Pour une requête donnée, il faut pouvoir évaluer la pertinence des documents retrouvés par le système [16]. Une première idée serait de considérer la pertinence comme une approche booléenne : le document répond ou ne répond pas à la requête. Mais il peut être intéressant de connaître aussi les documents qui correspondent plus ou moins à une requête. En plus de la pertinence des réponses, on peut mesurer la performance dun système de recherche dinformation par lerappel la etprécision le, et leurs corollaires :bruit et lesilence (voir Figure 1). On peut les définir comme suit : Soient : P lensemble des documents pertinents,N P leur nombre R lensemble des documents retrouvés,N R leur nombre N RP de documents pertinents retrouvés (cardinal de lensemble nombre  le P∩R) Re N P N RP Rappel= N N P RP Silence=1−app l= N − P  − Précision=  N RP Bruit=1−Précision= N R N RP  N R N R

Ensemble des documents

EnsemblePdes documents Pertinents

EnsembleRdes documents retrouvés

Bruit

Silence Documents pertinents retrouvés   Figure 1 :Bruit et silence en recherche d'information  Le bruit correspond aux documents retrouvés non pertinents, et le silence aux documents pertinents qui nont pas été retrouvés.  3.1.Indexation  P. Lefevre définit lindexation comme suit [18]: Lindexation est la représentation formalisée et condensée du contenu thématique ou sémantique dun document, à laide dindicateurs sémantiques qui peuvent être des indices de classification ou des descripteurs, contrôlés ou non. Ces indicateurs appartiennent au langage naturel et/ou à un langage documentaire. Lindexation a un double but, de représentation et dadressage.  Lindexation consiste donc à associer à un document lensemble des termes qui caractérisent son contenu.manières dindexer un document, selon les méthodes deIl existe plusieurs recherche que lon utilisera par la suite. En effet, lindexation nest pas une fin en soi, mais plutôt un des traitements préalables à la recherche dinformation, en vue de faciliter laccès à posteriori aux données indexées. Dans lapproche la plus classique, lindexation dun document, se déroule en trois étapes :

 (1)analyse lexicale du texte le transformant en un ensemble de mots, (2)élimination des mots dits vides, tels que les articles ou les prépositions, (3)pour but denlever les préfixes et les suffixes etracinisation des mots restants, avec permettre la recherche de document contenant des variations syntaxiques des termes de la requête.  On peut aussi indexer un document avec des termes extraits dun thésaurus ou dune ontologie. On trouvera une analyse détaillée des principales méthodes dindexation dans [2].  Une fois que les termes qui indexent un document sont sélectionnés, on peut leur attribuer un poids traduisant leur importance dans la description du contenu de ce document. Il est classique de faire lhypothèse quun terme est dautant plus significatif quil est fréquent dans un document et quil lest dautant moins quil est fréquent dans la collection de documents à indexer. Considérons par exemple une collection de plusieurs milliers de documents. Si lon retrouve dans tous les documents plusieurs fois le même terme, celui-ci peut-être considéré comme inutile pour décrire le contenu du document. Alors quun terme qui napparaît que dans quelques documents peut être considéré comme très significatif. On peut donc dire que chaque terme a un degré de pertinence quand il est utilisé pour décrire le contenu dun document. Cest ce que lon peut appeler le poids du terme, qui quantifie limportance du terme indexé pour décrire le contenu sémantique du document. Baesa-Yates définit le poids comme suit [2]: Soit t le nombre de terme indexé dans le système et k i  terme indexé générique. K = un{k 1 , ,k t }est lensemble de tous les termes indexés. Un poids w i,j >0est associé à chaque terme indexé k i  dun document d j . Pour un terme indexé quinapparaîtpas le texte du dans document, w i,j =0. Au document d j  d est associé un vecteur des termes indexés j représenté par d j = (w 1,j , w 2,j , , w t,j ). Le poids se calcule de différentes manières selon lemodèle de recherche dinformationque le système utilise. Par exemple, dans le modèle vectoriel décrit un peu plus loin, le poids se mesure à partir de différents facteurs de fréquence doccurrence du terme à peser. Le premier facteur est la fréquence brute dun termek i à lintérieur dun documentd j . Cette fréquence de terme est souvent nomméefacteur tf(term frequency)et mesure comment le terme décrit le document (c'est-à-dire la caractérisation intra-document). Un autre facteur est important, cest la fréquence inverse du terme dans lensemble des documents nomméeidf(inverse document frequencyle fait quun terme qui apparaît dans). Lutilisation de ce facteur sexplique par beaucoup de documents nest pas vraiment utile pour déterminer si le document est pertinent ou non. Grâce à ces deux facteurs, on va pouvoir calculer la fréquence pondérée de ces termes.  Définition :Soit N le nombre total de documents dans le système et n i  le nombre de documents dans lesquels le terme indexé k i apparaît. Soit freq i,j la fréquence brute du terme k i  dans le document d j (cest-à-dire le nombre de fois que le terme k i est mentionné dans le texte du document d j ). La fréquence normalisée f i,j du terme k i dans le document d i est donnée par e , f ,j fr q i j =  i max l freq l,j où le maximum est calculé avec tous les termes qui sont mentionnés dans le texte du document d j . Si le terme k i napparaît pas dans le document d j alors f i j =0. , Soit idf i la fréquence inverse documentaire pour k i donnée par

idf i =log N n i

Ainsi le poids est défini par w i,j =f i,j ×log n N  i ou par une variation de cette formule. Une telle stratégie est appelée stratégie tf-idf   Les termes sont supposés mutuellement indépendants,c'est-à-dire que la fréquence dun terme nest pas liée à la fréquence dun autre. Cela signifie que connaître le poidsw i,j associé à la paire (k i , d j ) ne nous apprend rien sur le poidsw i+1,j associé au couple (k i+1 ,d j ). En réalité, les termes indexés dans un document ne sont pas sans corrélation. Par exemple, supposons que les termesordinateurs etréseau sont utilisés pour indexer un document qui couvre le domaine des réseaux dordinateurs. En général, dans ce document, lapparition dun de ces deux mots entraîne lapparition de lautre. Ainsi, les deux mots étant corrélés, leurs poids devraient refléter cette corrélation. Bien que lindépendance mutuelle des termes semble être un peu simpliste, elle facilite lautomatisation de lindexation. En fait, aucune approche passée na montré que lutilisation de la corrélation des termes indexés est avantageuse sur des collections générales.  3.2.Les différents modèles de recherche dinformation  Lindexation simplifie donc la recherche dinformation, mais soulève quand même quelques problèmes. En effet, la sémantique des documents et de linformation recherchée ne sexprime pas tout à fait naturellement sous forme dun ensemble dindex. Il y a des pertes quand on remplace un document par un ensemble de mots. Il devient donc difficile de savoir si un document contenant un ensemble de mots retrouvés pour un ensemble de mots recherchés exprime bien linformation que lon recherche. Face à une requête donnée, le problème central de la recherche dinformation est donc de savoir si tel document est pertinent ou non. Des algorithmes de classement essayent de fournir un tri par rapport à la pertinence des résultats trouvés. Ainsi, dans les réponses classées, les documents qui apparaissent en premier sont sensés être les plus pertinents. Il existe différents modèles de recherche dinformation, qui fournissent chacun leur approche quant à la notion de pertinence. Les trois modèles classiques sont le modèle booléen, le modèle vectoriel, et le modèle probabiliste. Des approches alternatives à ces trois modèles sont apparues au fil des années. Baesa-Yates en décrit 15 dans [2]. Nous ne décrirons ici que les modèles classiques.  aLe modèle booléen Dans ce modèle, les documents et les requêtes sont représentés comme un ensemble dindex. Basé sur la théorie des ensembles et lalgèbre booléen, il fournit un cadre facile à appréhender pour les utilisateurs dun système de recherche dinformation. Les requêtes sont exprimées par des expressions booléennes qui ont une sémantique précise. Ce modèle est plus orienté modèle de recherche de données que recherche dinformation, car sa stratégie de recherche est basée sur une décision binaire (un document est pertinent ou non). Il regarde juste si les termes indexés sont présents ou absents dun document. Même sil est facile de formuler correctement des requêtes booléennes, la sémantique précise de ce modèle rend difficile lexpression de linformation dont on a besoin. Comme le résultat de la requête, les poids des termes indexés sont tous binaires, i.e., w i,j ∈{0,1}. Une requête q est composée de termes

indexés liés par trois connecteurs :et,ou,non. Une requête est essentiellement une expression booléenne conventionnelle qui peut être représentée comme la disjonction de vecteurs conjonctifs (dans la disjunctive normal form  DNF). Par exemple, la requête [q=k a  ∧ (k b ∨ ¬ k c )] peut être écrite dans la forme disjonctive normale comme [ q r dnf = (1,1,1) ∨(1,1,0)∨composants est un vecteur de poids binaires associé au(1,0,0)], où chacun des tuple (k a , k b , k c ). Ces vecteurs de poids binaires sont appelés les composants conjonctifs de r q dnf .  Définition :Pour le modèle booléen, les variables de poids des termes indexés sont toutes binaires, c'est-à-dire w i,j ∈{0,1}. Une requête q est une expression Booléenne r conventionnelle. Soit q r dnf  q forme normale disjonctive de la requête q. Soit la cc un des composants de  q r dnf .La similarité entre un document d j et la requête q est définie par  r r r r

sim(d j ,q)   1si q cc (q cc q dnf ) (k i , i ( j ) i cc ))   =    0sin ∃ on ∈ ∧ ∀g d=g q      Si sim(d j , q) = 1 alors le modèle booléen prédit que le document d j  pertinent pour la est requête q (il peut pourtant ne pas lêtre). Dans les autre cas, le document nestpasrtpenine.t  Le modèle booléen prédit que chaque document estpertinentounon pertinent. Il ny a pas de correspondance partielle pour les conditions de la requête. Par exemple, considérons un documentd j pour lequel d j = (0,1,0). Le documentd j inclut le termek b mais il est considéré non pertinent pour la requête [q=k a ∧(k b ∨ ¬k c )], car il ninclut pas le termek a , bien quil puisse ne pas contenir le termek c . Les avantages principaux du modèle booléen sont sa simplicité et son formalisme bien défini. Linconvénient majeur est que la correspondance exacte des termes peut causer autant de bruit que de silence. Le poids des termes indexés peut mener à une certaine amélioration dans la performance de la recherche.  bLe modèle vectoriel Le modèle vectoriel [23] reconnaît que lutilisation binaire des poids est trop limitée et propose un cadre dans lequel la correspondance partielle est possible. Cela est fait en affectant un poidsnon binairepour indexer les termes dun document et dune requête. Ces termes ont pour finalité de permettre le calcul dundegré de similaritéentre la requête de lutilisateur et chaque document stocké dans le système. En triant les documents retrouvés par ordre décroissant de ce degré de similarité, le modèle vectoriel prend en considération les documents qui ne correspondent que partiellement à la requête. Cela a pour effet que lensemble des documents classé est un peu plus précis que lensemble de documents retrouvé par le modèle booléen.  Définition :Pour le modèle vectoriel, le poids w i,j associé au couple(k i , d j )est positif et non binaire. Les termes indexés dans la requête ont aussi un poids. Soit w i,q le poids associé au couple[k i , q], où w i,q ≥ 0.Dans  qce cas, le vecteur de la requête r est défini par q r =(w 1,q , w 2,q , ,w t,q )où test le nombre total de termes indexés dans le système. Comme précédemment, le vecteur associé au document d j  dest représenté par j = (w 1,j , w 2,j , , w t,j ).

 Par conséquent, un documentd j et une requête utilisateurq représentés comme des sont vecteurs t-dimensionnels comme montré dans la Figure 2. Le modèle vectoriel propose dévaluer le degré de similarité du documentd j avec la requêteqcomme la corrélation entre les vecteursd j etq r Cette corrélation peut être quantifiée, par exemple, par le cosinus de. langle entre ces deux vecteurs : r • sim(d j ,q)= d d r j q r ×q

j ∑ i t =1 w i,j ×w i,q  = ∑ i t =1 w i 2 ,j × ∑ t j=1 w i, 2 q où |d j | et |q r | sont les normes des vecteurs requête et document. Le facteur |q r | naffecte pas le classement (c'est-à-dire lordre des documents) parce quil est toujours le même pour tous les documents. Le facteurd j fournit une normalisation de lespace des documents.

d j

θ

 Figure 2 :Le degré de similaritésim(dj, q)est représenté par le cosinusθ  Commew i,j ≥ 0 etw i,q ≥ 0,sim(q, d j ) varie de 0 à +1. Ainsi, plutôt que dessayer de prédire si un document est pertinent ou non, le modèle vectoriel classe les documents en fonction de leur degré de similarité avec la requête. Un document peut être récupéré même sil correspond seulementpartiellementà la requête. Par exemple, on peut établir un seuil sursim(q, d j ) et récupérer les documents qui ont un degré de similarité au dessus de ce seuil.  Les avantages du modèle vectoriel sont que : (1)son schéma de mesure de poids des termes améliore les performances de recherche ; (2)partielle permet de retrouver des documents qui sontsa stratégie de correspondance prochesdes conditions de la requête ; (3)sa formule de classement au moyen du cosinus trie les documents en fonction de leur degré de similitude par rapport à la requête. Théoriquement, le modèle vectoriel a le désavantage que les termes indexés soient supposés mutuellement indépendants. Cependant, la prise en compte de la dépendance des termes peut en pratique savérer être un inconvénient. Certaines dépendances de termes sont locales, et leur utilisation sur lensemble des documents de la collection risquerait de baisser la performance globale. En dépit de sa simplicité, le modèle vectoriel est une stratégie de classement énergique dans la collection générale. Il produit des ensembles de réponses rangées difficiles à améliorer sans expansion de requête ou sans retour de pertinence (relevance feedback). Une grande variété de méthodes de classement alternatives a été comparée au modèle vectoriel, mais en général ce dernier est souvent aussi bon, voire supérieur aux autres. De plus, il est simple et rapide. Pour ces raisons, le modèle vectoriel est un modèle de recherche très utilisé de nos jours. 

cLe modèle probabiliste Le modèle probabiliste essaye destimer pour une requêteqdonnée, la probabilité que lutilisateur trouve le documentd j pertinent [21]. Définition :Pour le modèle probabiliste, les poids des termes indexés sont binaires, c'est-à- dire w i,j ∈{0,1},w i,q ∈{0,1}.Une requête q est un sous ensemble de termes indexés. Soit R lensemble des documents connus comme pertinents (ou initialement supposés comme tel). Soit R le complément de R (c'est-à-dire lensemble des documents non pertinents). r Soit P( dR | j )la probabilité que le document d j soit pertinent pour la requête q. Soit P(R | d j )la probabilité que d j ne soit pas pertinent pour q. La similarité sim(d j ,q)entre le document d j q est définie comme le ratioet la requête r sim(d q)= P P(R|d R| r j )  j ( , d j ) En utilisant la règle de Bayes, on obtient r × = sim(d j ,q) P P ( ( d d r j |R |R ) ) P P ( (R R) )  j × r P(d j | R) représente la probabilité de sélectionner au hasard le documentd j dans lensemble R des documents pertinents.P(R) représente la probabilité quun document choisi au hasard parmi lensemble de la collection soit pertinent. CommeP(R) etP(R) sont les mêmes pour chaque document de la collection on peut simplifier la formule par : r j , r sim(d q) P ~ P( ( d d j j |R |R ) ) Lavantage du modèle probabiliste est que les documents sont classés dans lordre décroissant de leur probabilité de pertinence. Les inconvénients sont quil faut dabord classer les documents en ensemble pertinent et en ensemble non pertinent, et que la fréquence des termes nest pas prise en compte (les poids sont binaires).  dLe modèle densemble flou La représentation des documents et des requêtes par un ensemble de mots-clés fournit une description qui ne représente quune partie de la sémantique réelle du contenu des documents et des requêtes. Ainsi, la correspondance des termes de la requête au document est approximative. On peut modéliser cela en considérant chaque terme de la requête comme unensemble flouet ajouter à chaque document undegré dappartenance(généralement entre 0 et 1) à la requête. La théorie desensembles flouspermet la représentation de classes dont les limites ne sont pas clairement définies [5]. Lidée principale est dassocier une fonction dappartenance aux éléments de la classe.  Définition :Un sous ensemble flou A dun univers U est caractérisé par une fonction dappartenance µ A : U→[0, 1]qui associe à chaque élément u de U un nombre µ A (u)dans lintervalle [0,1]. 

Les trois opérations généralement utilisées sur les ensembles flous sont : le complément dun ensemble flou, lunion de deux ou plusieurs ensembles, et lintersection de deux ou plusieurs ensembles.  Définition : A leSoit U un univers, A et B deux sous ensembles de U, complément de A dans U, u un élément de U. Alors  A (u)=1− A(u) µ A∪B (u)=max(µ A (u),µ B (u)) µ A B (u)=min(µ A (u),µ B (u)) ∩  Les ensembles flous sont utilisés pour représenter limprécision et ont des applications dans plusieurs domaines.   4.Le format de donnée XML  Le format XML [6] (eXtensible Markup Langage) est un langage qui permet de structurer linformation contenue dans un fichier par des balises. Les documents XML peuvent être utilisés selon deux approches :  • les documents ont une structure uniforme et sont vusLapproche orientée données : comme une base de données. Dans ce cadre, XML peut être utilisé comme un langage dinterface entre des applications hétérogènes. • :Lapproche orientée documents les documents nont pas de structures uniformes. Laccent est mis sur leurs contenus textuels 

  Figure 3 :Les trois couches structurelles pour les collections de documents XML  La Figure 3 [28] montre que le balisage des documents XML peut seffectuer sur trois niveaux. Au niveauséneatitonrp, le balisage est utilisé pour la mise en forme du document, comme en HTML. Au niveaulogique, les balises décrivent lorganisation du document (par exemple un ouvrage est découpé en chapitre, eux même découpés en paragraphe, qui contiennent des phrases). Le niveausémantiquepermet dindiquer le contexte sémantique des éléments contenus dans de telles balises. Voici un exemple de document XML et larbre de document qui lui est associé : 