Abstract: The construction of the ETL (Extract-Transform-Load) process is one of the biggest tasks of building a warehouse. ETL processes area has little research, because of its difficulty and lack of formal model for representing ETL activities that map the incoming data from different sources to be in a suitable format for loading into the warehouse. A main problem in data warehousing of multidimensional text databases is to deal with the content in its text cells. In this paper, we propose a model for textual data warehouse ETL processes called ETL-Text. It combines classical data warehousing tasks, information retrieval (IR) techniques, and information processing in particular the language modeling. Our approach is based on Wikipedia as external knowledge source to extract the semantics of the textual documents. To validate our approach, we develop a prototype composed of several processing modules that illustrate the different ETL-Text processes. Also, we use the 20 Newsgroups corpus to perform our experimentation.

Abstract: Access to relevant information adapted to the needs and the context of the user is a real challenge. The user context can be assimilated to all factors that can describe his intentions and perceptions of his surroundings. It is difficult to find a contextual information retrieval system that takes into account all contextual factors. In this paper, both types of context user context and query context are integrated in an Information Retrieval (IR) model based on language modeling. Here, the query context include the integration of linguistic and semantic knowledge about the user query in order to explore the most exact understanding of user's information needs. In addition, we consider one of the important factors of the user context, the user's domain of interest or the interesting topic. A thematic algorithm is proposed to describe the user context. We assume that each topic can be characterized by a set of documents from the experimented corpus. The documents of each topic are used to build a statistical language model, which is then integrated to expand the original query model and to re-rank the retrieved documents. Our experiments on the 20_Newsgroups corpus show that the proposed contextual approach improves significantly the retrieval effectiveness compared to the basic approach, which does not consider contextual factors.

Ref HAL: hal-00713095_v1
Abstract: L’accès à une information pertinente, adaptée aux besoins et au contexte de l’utilisateur, est un véritable défi pour la communauté de la recherche d’information (RI). Les systèmes de recherche d’information (SRI) classiques ne prennent pas en compte les facteurs contextuels dans le processus d’appariement et/ou dans la phase de classement des résultats. Ils s’intéressent plutôt aux métriques de pondération et aux formules de calcul de similarité entre les termes de la requête utilisateur et ceux des documents du corpus. Dans cet article, nous proposons une approche de RI qui prend en compte à la fois les paramètres contextuels et les centres d’intérêts de l’utilisateur obtenus par un processus de segmentation thématique des documents. Ainsi, nous proposons une adaptation de la formule TF-IDF pour considérer les unités thématiques, représentées sous forme de fragments de texte, lors de la phase de représentation et de classification des documents . Nos expérimentations réalisées sur le corpus 20 Newsgroups montrent une nette amélioration des taux de précision par rapport aux SRI classiques qui ne considèrent pas les facteurs contextuels.

Ref HAL: hal-00666588_v1
Abstract: Le but principal des systèmes de recherche d’informations (SRI) classiques est de retrouver dans un corpus de documents l’information considérée comme pertinente pour une requête utilisateur. Cette pertinence est souvent liée à la fréquence d’apparition des termes dans le texte par rapport au corpus sans tenir compte du contexte de la recherche. Partant de ce constat, nous proposons dans cet article une approche pour la recherche d’information contextuelle par segmentation thématique de documents (RICSH). Cette approche s’appuie sur la méthode de pondération tf-idf que nous avons adaptée dans notre cas pour indexer le corpus. Cette adaptation se situe au niveau de l’importance du terme et de son pouvoir de discrimination par rapport aux fragments de textes et non au corpus. Ces fragments sont obtenus grâce à un processus d’identification des unités thématiques les plus pertinentes pour chaque document.

Abstract: La modélisation multidimensionnelle classique, sous la forme des différents modèles en étoile, ne prend en compte que la structure des données mais pas (ou peu) leur sémantique. Or les données complexes véhiculent une sémantique très riche. Et c’est sur ce type d’information qu’il faut se focaliser pour analyser de façon pertinente les données complexes. La plupart des travaux antérieurs qui se sont intéressés à l’intégration des données complexes dans un contexte d’entrepôt de données, ont mis particulièrement l’accent sur l’exploitation et l’analyse des données stockées dans des documents structurés ou semi-structurés. D’ailleurs, plusieurs propositions de modélisation et d’intégration de ces données dans des environnements multidimensionnels ont été publiées dans la littérature. Cependant, la prise en compte, par les mêmes systèmes, des données stockées dans des documents hétérogènes sans pour autant imposer une structure ou un format prédéfini, à l’instar des documents texte, reste encore comme l’un des principaux objectifs à atteindre par la communauté. Dans le cadre de cette thèse, nous nous intéressons à un type de données complexes, en l’occurrence les données texte.