Une technique de réétiquetage dans un contexte de catégorisation de textes

Résumé Fr En

Par essence, l’apprentissage supervisé nécessite que chaque individu de l’ensemble d’apprentissage soit préalablement étiqueté. Dans un contexte de catégorisation de textes, l’étiquetage consiste à affecter les catégories d’appartenance d’un document. Cette opération est réalisée par un expert et peut être perçue comme subjective puisque basée sur l’interprétation du document. Ainsi, l’étiquetage peut être considéré comme inconsistant dans certain cas. Par exemple, deux experts peuvent étiqueter différemment un même document, ou encore un même expert peut étiqueter différemment un même document soumis à deux instants différents. Cette inconsistance peut affecter l’efficacité du classifieur. Pour atténuer ces inconvénients, nous considérons que certains individus de l’ensemble d’apprentissage sont mal étiquetés et doivent être réétiquetés. Dans cet article, nous utilisons une méthode de relaxation afin d’optimiser la cohérence de l’étiquetage. Nous appliquons cette technique sur un corpus bien connu dans la communauté de la catégorisation de textes: la collection Reuters-21578 ApteMod. Nous montrons sur ces données que ce type de prétraitement apporte de large bénéfices.

In supervised learning, all the instances of the learning sample must be preclassified. In some cases, the labelling is done subjectively by an expert. For instance, in text categorisation, each text is assigned to one or more labels or categories. In such cases, the labelling is inconsistent because it may be different from an expert to another and even may differ on the same expert at different times. The subjectivity of the labelling affects certainly the reliability of the classifier. To reduce the consequences of the subjective labelling, we consider that some examples of the learning sample are misclassified and should be restored. In this article, we use a relaxation method to optimize the coherence of the labelling. We have applied this technique on a well-known text categorization collection: the Reuters-21578 ApteMod collection. We show that this data pre-processing brings some strong benefits.