FR3016981A1 - Procede d'analyse semantique d'un texte - Google Patents

Abstract

La présente invention concerne un procédé d'analyse sémantique d'un texte en langage naturel reçu par un équipement (1), le procédé étant caractérisé en ce qu'il comprend la mise en œuvre d'étapes de : (a) Découpage syntaxique en une pluralité de mots ; (b) Filtrage des mots par rapport à une pluralité de liste de mots de référence chacune étant associée à une thématique, de sorte à identifier : • L'ensemble des mots associés à au moins une thématique, • L'ensemble des thématiques ; (c) Construction d'une pluralité de sous-ensembles de l'ensemble des mots associés à au moins une thématique ; (d) Pour chacun desdits sous-ensembles et pour chaque thématique identifiée, calcul : • d'un coefficient de couverture de la thématique et/ou d'un coefficient de pertinence de la thématique en fonction d'occurrences de mots de référence associés à la thématique ; • d'au moins un coefficient d'orientation de la thématique à partir des mots ne faisant pas partie du sous-ensemble ; (e) Pour chacun desdits sous-ensembles et pour chaque thématique identifiée, calcul d'un coefficient sémantique représentatif d'un degré de sens porté par le sous-groupe. (f) Sélection d'au moins un couple sous-ensemble/thématique. (g) Classification du texte en fonction dudit au moins un couple sous-ensemble /thématique sélectionné.

Description

DOMAINE TECHNIQUE GENERAL La présente invention concerne le domaine de la compréhension sémantique par ordinateur.

Plus précisément elle concerne un procédé d'analyse sémantique d'un texte en langage naturel par des moyens de traitement de données, en vue de sa classification. ETAT DE L'ART L'analyse sémantique d'un texte en langage naturel vise à en établir la signification en utilisant le sens des mots qui le constituent, suite à une analyse lexicale qui permet de décomposer ce texte à l'aide d'un lexique ou d'une grammaire. L'humain le réalise inconsciemment pour comprendre les textes qu'il lit, et des développements récents visent à conférer des capacités semblables aux machines. On connait pour le moment des algorithmes d'analyse sémantique automatisée conçus pour qu'un ordinateur puisse classer un texte dans plusieurs catégories prédéterminées, par exemple des thèmes généraux 20 tels que « nature », « économie », « littérature », etc. Toutefois, cette classification s'avère très limitée et peu évolutive. Dans la mesure où le choix des diverses catégories possible est souvent arbitraire, des textes situés à la frontière de deux catégories peuvent poser problème aux algorithmes. De plus, classifier plus finement dégrade 25 fortement les performances des algorithmes et entraîne des erreurs d'appréciation, causées notamment par les ambiguïtés dues à certains homonymes et certaines tournures (par exemple une double négation). De façon générale, donner par un traitement informatique un sens « absolu » à un texte est une opération très complexe et souvent 30 contestable. Par exemple, déterminer si un texte prend position « pour » ou « contre » une opinion est aujourd'hui hors de portée de l'analyse sémantique informatisée.

Il serait souhaitable de disposer d'un procédé amélioré d'analyse sémantique d'un texte par un ordinateur en vue de sa classification qui soit significativement plus performant et plus fiable que tout ce qui fait actuellement, et qui ne soit pas limité par des modèles sémantiques préétablis. PRESENTATION DE L'INVENTION La présente invention propose un procédé d'analyse sémantique d'un texte 10 en langage naturel reçu par un équipement depuis des moyens de saisie, le procédé étant caractérisé en ce qu'il comprend la mise en oeuvre par des moyens de traitement de données de l'équipement d'étapes de : (a) Découpage syntaxique d'au moins une partie du texte en une pluralité de mots ; 15 (b) Filtrage des mots de ladite partie de texte par rapport à une pluralité de liste de mots de référence stockées sur des moyens de stockage de données de l'équipement chacune étant associée à une thématique, de sorte à identifier : - L'ensemble des mots de ladite partie du texte associés à au 20 moins une thématique, - L'ensemble des thématiques de ladite partie du texte ; (c) Construction d'une pluralité de sous-ensembles de l'ensemble des mots de ladite partie du texte associés à au moins une thématique ; (d) Pour chacun desdits sous-ensembles et pour chaque thématique 25 identifiée, calcul : - d'un coefficient de couverture de la thématique et/ou d'un coefficient de pertinence de la thématique en fonction d'occurrences dans ladite partie du texte de mots de référence associés à la thématique ; 30 - d'au moins un coefficient d'orientation de la thématique à partir des mots de ladite partie du texte ne faisant pas partie du sous-ensemble ; (e) Pour chacun desdits sous-ensembles et pour chaque thématique identifiée, calcul d'un coefficient sémantique représentatif d'un degré de sens porté par le sous-groupe en fonction desdits coefficients de couverture, pertinence et/ou orientation de la thématique. (f) Sélection en fonction des coefficients sémantiques d'au moins un couple sous-ensemble/thématique. (g) Classification du texte en fonction dudit au moins un couple sousensemble/thématique sélectionné.

Selon d'autres caractéristiques avantageuses et non limitatives de l'invention : - un coefficient de couverture d'une thématique est calculé à l'étape (d) comme le nombre N de mots de référence associés à la thématique compris dans ledit sous-ensemble ; - un coefficient de pertinence d'une thématique est calculé à l'étape (d) par la formule N * (1 + ln(R)), où N est le nombre de mots de référence associés à la thématique compris dans le sous-ensemble et R le nombre total d'occurrences dans ladite partie du texte de mots de référence associés à la thématique ; - deux coefficients d'orientation de la thématique sont calculés à l'étape (c), dont un coefficient de certitude de la thématique et un coefficient de nuance de la thématique ; - un coefficient de certitude d'une thématique est calculé à l'étape (d) comme valant : 1 si les mots ne faisant pas partie du sous-ensemble sont représentatifs d'une proximité affirmative avec la thématique ; -1 si les mots ne faisant pas partie du sous-ensemble sont représentatifs d'une proximité négative avec la thématique ; - 0 si les mots ne faisant pas partie du sous-ensemble sont représentatifs d'une proximité incertaine avec la thématique ; - un coefficient de nuance d'une thématique est un scalaire positif supérieur à 1 lorsque les mots ne faisant pas partie du sous-ensemble sont représentatifs d'une amplification de la thématique, et un scalaire positif inférieur à 1 lorsque les mots ne faisant pas partie du sous-ensemble sont représentatifs d'une atténuation de la thématique ; - le procédé comprend une étape (a0) préalable de découpage du texte 5 en une pluralité de proposition, chacune étant une partie du texte pour laquelle les étapes (a) à (d) du procédé selon répétées de sorte à obtenir pour chaque proposition un ensemble de coefficients de couverture, de pertinence, et/ou d'orientation associés à la proposition, le procédé comprenant préalablement à l'étape (e) une étape (e0) de calcul pour 10 chacun desdits sous-ensemble et pour chaque thématique identifiée pour au moins une proposition du texte d'un coefficient global de couverture de la thématique et/ou d'un coefficient global de pertinence de la thématique, et d'au moins un coefficient global d'orientation de la thématique en fonction de l'ensemble desdits coefficients associés une proposition ; 15 - un coefficient global de couverture d'une thématique est calculé à l'étape (e0) comme la somme des coefficients de couverture de la thématique associée à une proposition moins le nombre de mots de référence de la thématique présents dans au moins deux propositions ; - un coefficient global de pertinence d'une thématique est calculé à 20 l'étape (e0) comme la somme des coefficients de pertinence de la thématique associée à une proposition ; - un coefficient global d'orientation d'une thématique est calculé à l'étape (e0) comme la moyenne des coefficients d'orientation de la thématique associés à une proposition pondérés par les coefficients de couverture de la 25 thématique associés ; - l'étape (e0) comprend pour chacun desdits sous-ensembles et pour chaque thématique le calcul d'un coefficient global de divergence de la thématique correspondant à l'écart-type de la distribution des produits des coefficients d'orientation par les coefficients de couverture associés à 30 chaque proposition ; - un coefficient sémantique d'un sous-ensemble A pour une thématique T est calculé à l'étape (e) par la formule M(A,T) = coefficient de pertinence(A,T) * coefficient d'orientation(A,T) * V [1 + coefficient de divergence(A,T)2] ; - les couples sous-ensemble/thématique sélectionnés à l'étape (f) sont ceux tels que pour toute partition du sous-ensemble en une pluralité de parties dudit sous-ensemble, le coefficient sémantique du sous-ensemble pour la thématique est supérieur à la somme des coefficients sémantiques des sous-parties du sous-ensemble pour la thématique ; - des groupes de couples sous-ensemble/thématique de référence sont stockés sur les moyens de stockage de données, l'étape (g) comprenant la 10 détermination du ou des groupes comprenant au moins un couple sousensemble/thématique sélectionné à l'étape (f) ; - l'étape (g) comprend la création d'un nouveau groupe si aucun groupe de couples sous-ensemble/thématique de référence ne contient au moins un couple sous-ensemble/thématique sélectionné pour le texte ; 15 - chaque couple sous-ensemble/thématique de référence est associé à un score stocké sur les moyens de stockage de données, le score d'un couple sous-ensemble/thématique de référence diminuant avec le temps mais augmentant à chaque fois que ce couple sous-ensemble/thématique est sélectionné pour un texte ; 20 - le procédé comprend une étape (h) de suppression d'un couple sousensemble/thématique de référence d'un groupe si le score dudit couple passe en dessous d'un premier seuil, ou de modification sur les moyens de stockage de données (12) de ladite pluralité de listes associées aux thématiques si le score dudit couple passe au-dessus d'un deuxième seuil ; 25 - l'étape (g) comprend pour chaque groupe de couples sousensemble/thématique de référence le calcul d'un coefficient de dilution représentant le nombre d'occurrences dans ladite partie du texte de mots de référence associés à des thématiques des couples sousensemble/thématique de référence présents dans le texte rapporté au 30 nombre total de mots de référence associés auxdites thématiques ; - tous les sous-ensembles de l'ensemble des mots de ladite partie du texte associés à au moins une thématique sont construits à l'étape (c). Selon un deuxième aspect, l'invention concerne un équipement 5 comprenant des moyens de traitement de données configurées pour mettre en oeuvre suite à la réception d'un texte en langage naturel un procédé selon le premier aspect de l'invention d'analyse sémantique du texte. BREVE DESCRIPTION DES FIGURES 10 D'autres caractéristiques et avantages de la présente invention apparaîtront à la lecture de la description qui va suivre d'un mode de réalisation préférentiel. Cette description sera donnée en référence aux dessins annexés dans lesquels : 15 la figure 1 est un schéma d'une architecture réseau dans laquelle s'inscrit l'invention ; la figure 2 est un diagramme représentant schématiquement les étapes du procédé d'analyse sémantique selon l'invention. 20 DESCRIPTION DETAILLEE D'UN MODE DE REALISATION PREFERE Architecture En référence à la figure 1, le présent procédé est mis en oeuvre par 25 des moyens de traitement de données 11 (qui consistent typiquement en un ou plusieurs processeurs) d'un équipement 1. Ce dernier peut être par exemple un ou plusieurs serveurs connectés à un réseau 4, typiquement internet, via lequel il est relié à des clients 2 (par exemple des PC personnels). 30 L'équipement 1 comprend en outre des moyens de stockage de données 12 (typiquement un ou plusieurs disques durs).

La notion de texte Un texte est ici n'importe quel message en langage naturel et porteur de sens. Le texte est reçu sous forme électronique, c'est-à-dire en un format directement traitable par les moyens de traitement 11, par exemple XML (eXtensible Markup Language). On comprendra que par reçu « depuis des moyens de saisie 14 », on entend une grande variété d'origines. De façon générale, le terme moyens de saisie désigne tout moyens, hardware et/ou software, permettant de récupérer le texte et de l'envoyer aux moyens de traitement de données 11 sous un format lisible. Le texte peut être directement tapé par un utilisateur, et les moyens de saisie 14 désignent par exemple un clavier et un logiciel de traitement de texte. Alternativement, le texte peut être un texte papier scanné et reconnu par OCR (reconnaissance optique de caractères), et les moyens de saisie 14 désignent alors un scanner et un logiciel de traitement des données numérisées, ou encore le texte peut être dicté et les moyens de saisie 14 désignent alors un microphone et un logiciel de reconnaissance vocale. Enfin, le texte peut être reçu par exemple depuis un serveur du réseau internet, éventuellement directement sous un format lisible. Le présent procédé n'est limité à aucun type de texte. Dans une structure connectée du type de la figure 1, les moyens de saisie sont typiquement ceux d'un client 2 ou un autre serveur 1. Le texte est structuré en sections. Les sections peuvent être séparées par des paragraphes ou êtres simplement enchainées. Les sections se distinguent les unes des autres par le fait que les concepts exposés sont sensiblement différents. La détection des sections non marquées par l'auteur est une opération complexe. Une section est composée de phrases séparées par une ponctuation (deux points, point, point d'exclamation, point d'interrogation, tiret d'alinea, 30 points de suspension, etc.). Une phrase est composée de propositions séparées par une ponctuation (virgule, point-virgule).

Une proposition est une suite de mots séparés par des espaces. Un mot est un ensemble ordonné de lettres et de signes particuliers (accents, tirets, etc.). Dans certains textes, les ponctuations peuve-nt ne pas être 5 respectées. Certains textes peuvent contenir des mots abrégés ou des mots éludés. Dans une première étape (a), dite de « parsing », au moins une partie du texte est découpée syntaxiquement en une pluralité de mots. Avantageusement, cette partie de phrase est une proposition, et le texte est 10 d'abord découpé proposition par proposition dans une étape (a0) avant que chaque proposition soit tour à tour découpée en mots. On connait des algorithmes capables, notamment grâce à des règles de grammaire, d'identifier les propositions. Le découpage par propositions peut se faire suite à un découpage par phrases, lui-même après un découpage par 15 sections. L'identification des mots se fait grâce aux espaces. Typiquement, un parseur (le moteur mettant en oeuvre le parsing) utilisant la ponctuation et la mise en forme comme délimiteur des propositions peut suffire si les ponctuations sont respectées. Au sein d'une proposition, l'homme du métier utilisera par exemple 20 un parseur mettant en oeuvre les règles suivantes : remplacement de chaque verbe par ce verbe à l'infinitif et association à ce dernier de trois indices (le mode, le temps, la personne) ; remplacement de chaque nom par ce nom au singulier et association à ce dernier de deux indices (le genre, le nombre) ; 25 remplacement de chaque adjectif par cet adjectif au masculin singulier et association à ce dernier de deux indices (le genre, le nombre) ; conservation des adverbes ; suppressions des mots « enjoliveurs » de la langue (à l'aide d'une 30 liste) ; déclaration comme nom propre de tout autre terme ; inscription de chaque mot, son type et ses indices dans une liste associée à la proposition. Les présentes règles peuvent être modifiées ou supprimées, d'autres règles peuvent enrichir le parseur.

La notion de catégories et thématiques Un texte se classe dans une ou plusieurs « catégories » en fonction du sens qu'il porte. Les catégories sont ici des ensembles mouvants.

Comme l'on verra plus loin, les catégories sont définies comme des groupes « d'anneaux » et peuvent être induites par l'apparition d'un texte relevant d'un sens nouveau. Lorsqu'une catégorie devient trop peuplée il est souhaitable de la segmenter en réduisant le spectre des sens admissibles dans chaque groupe de textes formés par la scission de la catégorie initiale. Chaque groupe de texte devient alors une catégorie. Une catégorie se représente par une liste de thématiques. Le thème est le sens est attaché à un ensemble de mots (dits mots de référence) entrant dans la composition d'une proposition, présents dans 20 une liste appelée thématique. La thématique est attachée à une ou plusieurs catégories. Pour chaque thématique, la liste des mots de référence associée est stockée sur les moyens de stockage 12 de l'équipement 1. Par exemple, une thématique « motorisation » peut comprendre des 25 mots de référence {moteur, piston, cylindre, vilebrequin, arbre, bielle, pédale, puissance, etc.), et une thématique « géométrie » peut comprendre les mots de référence {droite, angle, degré, étoile, rectangle, sphère, cylindre, pyramide, etc.). On voit notamment que le mot « cylindre » présente plusieurs sens et est ainsi lié aux deux thématiques bien qu'elles 30 soient éloignées. Dans la suite de la présente description, on prendra l'exemple d'une proposition formulée comme suit : « le moteur comprend trois pistons reliés à un vilebrequin par des bielles en étoile formant un angle de 120° deux à deux qui réagit à la moindre pression sur la pédale d'accélération », ou de légères variation de cette proposition. Dans l'étape (b), au moins une thématique est identifiée parmi la 5 pluralité de thématiques chacune associées à une liste de mots de référence de la thématique stockée. En particulier, il suffit qu'un mot de référence associé à la thématique soit présent pour que la thématique soit associée. Alternativement, au moins deux (voire plus) mots sont requis. 10 Dans notre exemple : le groupe de mots {moteur, piston, vilebrequin, bielle, pédale} permet de détecter une thématique « motorisation » le groupe de mots {angle, 120°, étoile} permet de détecter une thématique « géométrie ». 15 L'ensemble des mots de la partie du texte analysée associés à au moins une thématique est également identifié. Il s'agit ici de {moteur, piston, vilebrequin, bielle, pédale, angle, 120°, étoile} Anneaux sémantiques 20 Soit V un vocabulaire de Nv mots (en particulier l'ensemble des mots de référence d'au moins une thématique). Soit T un sous ensemble de V de Nt mots (en particulier l'ensemble des mots de référence présents dans au moins une thématique), Nt Nv. 25 Soit P une proposition de Np mots, telle que Np Nv. Soit Q le groupe de Nq mots communs à P et à T (il s'agit des mots de la proposition appartenant à au moins une thématique), Nq 5 Np. Soit P(P) l'ensemble des parties de P et P(Q) l'ensemble des parties de Q. 30 Par construction, P(P) et P(Q) sont des anneaux commutatifs unitaires munis de deux opérateurs : un opérateur de différence symétrique noté à (relativement à deux ensembles A et B, la différence symétrique de A et B est l'ensemble contenant les éléments contenus dans A mais pas dans B, et les éléments contenus dans B et pas dans A) ; et un opérateur d'intersection noté &. P(P) est isomorphe à Z/NpZ et P(Q) est isomorphe à Z/NqZ V A E P(P), P(A) est inclus dans P(P) et A est aussi un anneau commutatif unitaire. A contient toutes les combinaisons complètes ou partielles d'un groupe de mots. On appelle A un « anneau sémantique ». A partir de l'ensemble des mots d'une proposition appartenant à une thématique, un anneau sémantique est défini par un sous-ensemble de cet ensemble. Par exemple, si « ce véhicule est grand et bleu » est une proposition, les anneaux sémantiques de cette proposition sont notés {}, {véhicule}, {grand}, {bleu}, {véhicule, grand}, {véhicule, bleu}, {véhicule, grand, bleu}. Il est important de comprendre que chaque anneau n'est pas la simple liste des mots qui le compose, mais bien l'ensemble des ensembles comprenant i E [[0, de ces mots (qui sont d'autres anneaux sémantiques). Par exemple, l'anneau défini par véhicule et grand correspond en réalité à 20 l'ensemble { {} ; {véhicule} ; {grand} ; {véhicule, grand} }. Un anneau est dit centré s'il n'existe pas deux mots qu'il contienne appartenant à deux thématiques différentes (mais il peut contenir des mots n'appartenant à aucun thématique). Un anneau est dit régulier s'il appartient aussi à P(Q), c'est-à-dire 25 que tous les mots qu'il contient appartiennent à l'une des thématiques. Dans une étape (c), le procédé comprend la construction d'une pluralité de sous-ensembles de l'ensemble des mots de ladite partie du texte associés à au moins une thématique, en d'autres termes les anneaux sémantiques réguliers, et avantageusement le procédé comprend la 30 construction de la totalité de ces anneaux. Si l'ensemble des mots associés à au moins une thématique comprend K éléments, alors il y a 2K anneaux construits.

Matrices sémantiques Dans l'étape (d), une représentation du « sens » des anneaux 5 sémantique d'une partie du texte (qui comme expliqué est typiquement une proposition) est déterminée par les moyens de traitement de données 11 de l'équipement 1. Cette représentation prend la forme d'une matrice formée de vecteurs attachés aux thématiques et comprenant plusieurs dimensions et stockée dans les moyens de stockage de données 12 de l'équipement. 10 Cette matrice est appelée « matrice sémantique » (ou matrice de sens). Dans l'hypothèse d'un traitement proposition par proposition, une suite de matrices sémantiques est déterminée, et dans une étape (e0) une matrice sémantique globale du texte est déterminée en fonction des matrices sémantiques des anneaux des propositions. 15 Une matrice sémantique comprend au moins deux dimensions, avantageusement trois, voire quatre : la couverture, la pertinence (au moins une parmi ces deux est requise), la certitude, la nuance (les deux dernières peuvent être regroupées en une seule dimension, l'orientation). La matrice globale d'un texte peut comprendre une cinquième dimension (la 20 divergence). Coefficient de couverture d'une thématique Le procédé comprend pour chaque sous-groupe (i.e. anneau 25 sémantique) et chaque thématique identifiée, le calcul dans d'un coefficient de couverture de la thématique et/ou d'un coefficient de pertinence de la thématique (avantageusement les deux), en fonction d'occurrences dans l'anneau de mots de référence associés à la thématique. Le coefficient de couverture d'une thématique matérialise la proximité 30 entre l'anneau et la thématique, et se représente par un nombre entier, typiquement le nombre N de mots de la thématique compris dans l'anneau.

Il est possible d'adjoindre des pondérations (par exemple à certains mots « essentiels » de la thématique). Dans l'exemple précédent, la proximité entre la proposition et la thématique « motorisation » est plus forte que celle avec la thématique 5 « géométrie » (coefficient de cinq contre trois). Coefficient de pertinence d'une thématique Le coefficient de pertinence est calculé par les moyens de traitement 10 de données 11 comme le coefficient de couverture mais en prenant en compte le nombre total d'occurrence des mots du thème. En particulier, si N est le nombre de mots de la thématique contenus dans l'anneau, ou chaque mot ne compte qu'une fois (en d'autres termes le coefficient de couverture de la thématique) et R est le nombre de mots de la 15 thématique contenus dans l'anneau, ou chaque mot compte autant de fois qu'il apparait dans la proposition (nombre d'occurrence total, qui croit avec la longueur de la proposition), le coefficient de pertinence est par exemple donné par la formule N * (1 + ln(R)), avec In le logarithme népérien. Le calcul d'un coefficient de pertinence n'est pas limité à cette 20 formule, et l'homme du métier pourra par exemple utiliser les formules ch(!) avec ch le cosinus hyperbolique, ou encore * atan(!) avec atan l'arc tangente, selon le nombre et la taille des thématiques existantes. Chacune de ces formules peut être normalisée. L'utilisation de l'arc tangente amortit l'effet des grandes valeurs de R, 25 alors qu'on contraire le cosinus hyperbolique accentue l'effet des grandes valeurs de R. Coefficient de certitude d'une thématique 30 Le procédé comprend également le calcul, toujours pour chaque sous-groupe (i.e. anneau sémantique) et chaque thématique identifiée, d'au moins un coefficient d'orientation de la thématique à partir des mots de ladite partie du texte ne faisant pas partie de l'anneau (en particulier ceux n'appartenant à aucun anneau). En particulier, deux coefficients d'orientation de la thématique sont 5 calculés à l'étape (d), dont un coefficient de certitude de la thématique et un coefficient de nuance de la thématique. La certitude est véhiculée par un ensemble de mots dont l'ordre et la nature peut changer radicalement le sens porté par la proposition. Il s'agit 10 typiquement des mots tels que des négations, de la ponctuation, des mots interrogatifs/négatifs, dont une liste peut être stockée sur les moyens de stockage de données 12. La position de ces mots les uns par rapport aux autres (typique de certaines tournures) donne par ailleurs des indices sur la certitude. 15 Selon ces mots, la proximité peut être affirmative, négative ou incertaine. Dans l'exemple précédent, la proximité est affirmative (faute de mots modifiant la certitude). Par comparaison, dans une proposition qui serait formulée « aucun moteur ne comprenant aucune bielle ni aucun piston n'équipe ce véhicule à 20 pédale », la motorisation est une anti-thématique, révélée par les mots répétés « aucun(e) », « ni » et « n' ». La proximité entre ce texte et la thématique « motorisation » est négative. Par comparaison encore, dans l'exemple : « ce véhicule serait-il 25 équipé d'un moteur à piston et d'un vilebrequin à bielles ? », la proximité entre le texte et la catégorie « motorisation » est interrogative du fait de la tournure interrogative et la présence du point d'interrogation. La certitude peut ainsi se représenter par trois valeurs : 1 pour l'affirmative 30 -1 pour la négative 0 pour l'incertitude (interrogatif, interronégatif, affirmatif et négatif entremêlés, etc.) Coefficient de nuance d'une thématique La nuance est véhiculée par un ensemble de mots dont l'ordre et la 5 nature peut altérer le sens porté par la proposition. Cette altération peut être un renforcement ou un affaiblissement de la proximité avec la thématique, par exemple grâce à des adverbes tels que « certainement », « assurément », « probablement », « éventuellement ». Comme pour la nuance, il est possible de stocker sur les moyens de stockage 12 une liste 10 des mots caractéristiques d'un renforcement ou d'un affaiblissement de la proximité avec une thématique. Les moyens de traitement de données 11 comparent les mots non associés avec la thématique avec cette liste et en déduisent la valeur du coefficient de nuance, qui est en particulier un scalaire positif (supérieur à 1 pour un renforcement et inférieur à 1 pour un 15 affaiblissement) Dans l'exemple : « Assurément ce moteur comprend bien un vilebrequin et des bielles, » la nuance est un renforcement de la thématique (grâce à « assurément »), et le coefficient est par exemple 1.5. Dans l'exemple : « Matthieu croit savoir que le moteur contient un 20 vilebrequin et des bielles, » la nuance est un affaiblissement de la thématique (grâce à « croire »), et le coefficient est par exemple 0.75. Il est à noter que chaque mot représentatif d'une nuance peut être stocké associé à un coefficient, le coefficient de nuance pour la proposition étant par exemple le produit des coefficients des mots trouvés dans la 25 proposition. Alternativement, le coefficient de nuance pour la proposition peut être la somme des coefficients des mots trouvés dans la proposition. Le tableau ci-dessous donne deux exemples d'ensembles de coefficients de quelques mots porteurs de nuances, aussi bien dans une composition par produit (colonne de gauche) que par somme (colonne de 30 droite). On comprendra que l'invention n'est limitée à aucun mode de calcul du coefficient de nuance. TERME NUANCE Exemple 1 Exemple 2 Bien plus, beaucoup, énormément 2 +20% Plus, un peu plus, deux fois plus 1,25 +10% Peu, moins, un peu moins 0,8 -10% Très peu, pratiquement pas 0,5 -20% Coefficient d'orientation d'une thématique Les coefficients de nuance et de certitude peuvent constituer deux dimensions distinctes de la matrice sémantique, ou être traitées ensemble comme un coefficient d'orientation (« l'orienteur »). Il est peut être calculé comme le produit des coefficients de certitude et de nuance. En effet, ces deux concepts sont indépendants. La proximité à une thématique peut par exemple être renforcée dans le négatif par une formulation telle que « le véhicule ne comprend certainement pas de moteur », qui correspondra par exemple a un coefficient de -1.75 Le coefficient d'orientation est ainsi typiquement un nombre réel : < 0 pour la certitude négative > 0 pour la certitude affirmative 0 pour l'incertitude Et dont la valeur absolue est > 1 pour un renforcement < 1 pour une relativisation =1 pour une orientation neutre A l'issue de l'étape (d), la matrice sémantique obtenue a préférentiellement une structure du type Thème 1 Thème 2 Thème 3 Thème i Couverture 1 Couverture 2 Couverture 3 Couverture i Pertinence 1 Pertinence 2 Pertinence 3 Pertinence i Orienteur 1 Orienteur 2 Orienteur 3 Orienteur i Composition de matrices sémantiques Comme expliqué plus haut, un texte est formé de plusieurs phrases formées elles-mêmes de plusieurs propositions. Une matrice sémantique est avantageusement générée pour un anneau pour chaque proposition.

Dans une étape (e0), les matrices sémantiques d'un anneau sont combinées en une matrice globale : est calculé par les moyens de traitement de données 11 pour chaque anneau et chaque thématique identifiée pour au moins une proposition du texte un coefficient global de couverture de la thématique et/ou d'un coefficient global de pertinence de la thématique, et d'au moins un coefficient global d'orientation de la thématique en fonction de l'ensemble desdits coefficients associés une proposition. Les matrices de deux propositions sont complémentaires si elles portent sur des thèmes différents. La matrice de sens de l'ensemble des 15 deux propositions est constituée de la juxtaposition des deux matrices (puisqu'aucune thématique n'est commune). Les matrices de deux propositions sont cohérentes si elles portent sur des thèmes communs avec des orienteurs similaires. Les matrices de deux propositions sont opposées si elles portent sur 20 des thèmes communs avec des orienteurs opposés (de signes différents, i.e. la différence porte sur le coefficient de certitude de la thématique). Dans le cas général deux matrices A et B portent sur certains thèmes communs et sur d'autres différents. La matrice résultante S est alors composée d'une colonne par thème appartenant à l'une ou l'autre 25 proposition. Par exemple les règles suivantes peuvent s'appliquer à la composition de deux colonnes pour un même thème : un coefficient global de couverture d'une thématique est calculé comme la somme des coefficients de couverture de la thématique 30 associée à une proposition moins le nombre de mots de référence de la thématique présents dans au moins deux propositions (en d'autres termes il ne faut compter qu'une fois chaque mot. La couverture de la somme est ainsi comprise entre la plus grande des couvertures (cas ou tous les mots de référence de la thématique trouvés dans une proposition sont également dans l'autre), et la somme (cas ou aucun mot de référence n'est commun aux deux couvertures thématiques). Il est à noter que le coefficient global de couverture peut être facilement recalculé comme le nombre Nmax de mots de la thématique contenus dans l'ensemble des propositions) un coefficient global de pertinence d'une thématique est calculé comme la somme des coefficients de pertinence de la thématique associée à une proposition (puisque les occurrences multiples sont prises en compte) ; un coefficient global d'orientation d'une thématique est calculé comme la moyenne des coefficients d'orientation de la thématique associés à une proposition pondérés par les coefficients de couverture de la thématique associés. Par exemple, le coefficient global d'orientation du texte S formé des propositions A et B est donné par la formule OS = (OA*CA + OB*CB) / CS Par ailleurs, on définit la « divergence thématique » comme représentant les variations de sens pour une thématique dans un texte. Avantageusement, l'étape (e0) comprend ainsi pour chaque thématique le calcul d'un coefficient global de divergence de la thématique. Il se calcule par exemple comme étant l'écart type de la distribution des 25 produits des orienteurs par les couvertures des propositions concernées ramenée au produit holiste de l'orienteur par la couverture du texte global. Un texte à forte divergence est un texte dans lequel le sujet porté par la thématique est abordé avec des interrogations, des comparaisons, des confrontations. Un texte à faible divergence est un texte présentant 30 constamment le même angle de vue. Anneaux sémantiques croissants et décroissants La notion d'anneau sémantique croissant ou décroissant est relative à un morphisme, permettant de calculer un « coefficient sémantique », représentatif d'un degré de sens porté par le sous-groupe en fonction 5 desdits coefficients de couverture, pertinence et/ou orientation de la thématique, en particulier les coefficients globaux. Ce coefficient est calculé par les moyens de traitement de données à l'étape (e) du procédé. Par exemple, soit M le morphisme de P(P) R tel que 10 V A e P(P), avec T c P(V), M(A,T) = pertinence(A,T) * orienteur(A,T) * V [1 + divergence(A,T)2] M(A,T) est le coefficient sémantique de l'anneau A de la proposition P par rapport à la thématique T selon le vocabulaire V. M(A) est le coefficient sémantique de l'anneau A de la proposition P 15 par rapport à toutes les thématiques selon le vocabulaire V. Alternativement, sont possibles (en particulier dans un mode de réalisation ne comprenant pas le calcul d'un coefficient de divergence) des morphismes M tels que e A E P(P), avec T c P(V), M(A,T) = [pertinence(A,T)]2 * 20 orienteur(A,T), ou encore / A c P(P), avec T e P(V), M(A,T) = pertinence(A,T) * couverture(A,T) Toutes ces formules peuvent également être normalisées. Quelque soit le morphisme choisi, le coefficient sémantique permet 25 de sélectionner des couples anneaux/thématique les plus porteurs de sens dans une étape (f). En particulier, ce peut être ceux pour lesquels le coefficient est le plus élevé, mais alternativement on peut utiliser le critère de « croissance » des anneaux sémantiques. On appelle anneau sémantique croissant selon M, tout élément A de 30 P(Q) pour lequel : - V A' E P(A), - 3 T, M(A,T) > M(A',T) + M(A'AA,T) Avec cardinalité(A) > 1 En d'autres termes, un anneau sémantique croissant est un anneau porteur d'un sens plus grand que la somme des sens de ses parties. Pour reformuler encore, il existe une thématique telle que pour toute partition de l'anneau, la somme des coefficients sémantiques des parties de la partition de l'anneau par rapport à cette thématique est inférieure au coefficient sémantique de l'anneau entier par rapport à cette thématique. Par opposition, les autres anneaux sémantiques sont dit décroissants.

Avantageusement, les couples sous-ensemble/thématique sélectionnés à l'étape (f) sont ceux pour lesquels l'anneau est croissant pour cette thématique. Le choix du morphisme est déterminant pour sélectionner les anneaux sémantiques. Un morphisme trop lâche conduira à ce que tous les 15 anneaux soit des anneaux sémantiques croissants. Un morphisme trop strict conduira à l'absence d'anneaux sémantiques croissants. Pour illustrer cette notion d'anneaux croissants/décroissants, dans la proposition « ce véhicule est grand dedans et petit dehors », les anneaux {véhicule, grand} et {véhicule, petit} portent plus de sens que l'anneau 20 global {véhicule, grand, petit}, puisque la présence simultanée des termes grand et petit fait baisser l'orienteur. L'anneau {véhicule, grand, petit} est donc décroissant. Dans la proposition : « ce véhicule est grand et bleu », les anneaux {véhicule, grand} et {véhicule, bleu} portent moins de sens que l'anneau 25 global {véhicule, grand, bleu}. Ce dernier est croissant. L'union de deux anneaux sémantiques décroissants est un anneau sémantique décroissant. L'union d'un anneau sémantique décroissant et d'un anneau sémantique croissant est un anneau sémantique décroissant. L'union de deux anneaux sémantiques croissants est un anneau 30 sémantique soit croissant, soit décroissant. Le caractère croissant est récessif vis-à-vis de l'union.

Un anneau sémantique expressif est un ensemble de mots porteur d'un sens culturel supérieur à celui de l'union de ses parties. Par exemple dans l'expression : « ce véhicule est une vraie bombe », l'anneau expressif {véhicule, bombe} associée à une nuance de renforcement (« vraie ») porte un sens expressif non présent dans les anneaux singletons {véhicule} et {bombe} et non présent dans l'anneau décroissant {véhicule, bombe}. Un anneau expressif A est un anneau décroissant devenu croissant par un renforcement de nuance (i.e. grâce à un coefficient de nuance élevé 10 dû à la présence de « vraie » entrainant un orienteur élevé). Le morphisme M présente alors une discontinuité au voisinage de A. Il est à noter qu'avant même la mise en oeuvre de l'étape (f), certains filtres peuvent éliminer certains anneaux selon un paramétrage du moteur. Il est à noter qu'une notion de connexité entre anneaux et 15 thématiques peut être surveillée par les moyens de traitement de données 11. Un anneau fortement connexe à une thématique sera toujours sélectionné en couple avec cette thématique et jamais une autre (voir plus loin). 20 Classification du texte Un schéma global du procédé d'analyse sémantique selon l'invention est représenté par la figure 2. La première partie, qui correspond aux étapes (a) à (f) déjà décrite, 25 est mise en oeuvre par un bloc appelé l'analyseur permettant de sélectionner les couples anneaux/thématiques représentatifs du sens du texte. Dans une étape (g), un classificateur associe les catégories aux textes à l'aide des anneaux sélectionnés. En particulier, les catégories 30 correspondent à des groupes de couples sous-ensemble/thématique de référence sont stockés sur les moyens de stockage de données 12, et les catégories dans lesquelles le texte est classifié sont celles comprenant au moins un couple sous-ensemble/thématique sélectionné à l'étape (f). D'autres paramètres peuvent contribuer à la classification, telle que la « dilution ». L'étape (g) peut ainsi comprendre le calcul d'un coefficient dit de dilution, qui représente le nombre d'occurrences de termes des thématiques liées à la ou les catégories déterminées (en d'autres termes les thématiques des couples des groupes associés aux catégories), présents dans le texte rapporté au nombre total de termes desdites thématiques. On dit alors que le texte est de catégorie X selon la dilution D.

Dans un souci d'optimisation, une estimation de ces paramètres et notamment du coefficient de dilution peut être plus précoce dans le procédé. Apprentissage et enrichissement Comme expliqué, les catégories ne sont pas figées et peuvent évoluer. En particulier de nouvelles catégories peuvent être générées et d'autres segmentées. Si aucune catégorie n'est retenue, une nouvelle catégorie pourra être générée portant un sens nouveau : un nouveau groupe est créé si aucun groupe de couples sous-ensemble/thématique de référence ne contient au moins un couple sous-ensemble/thématique sélectionné pour le texte. Les couples sous-ensemble/thématique deviennent ceux de référence de ce groupe.

Lorsqu'une catégorie devient trop peuplée, une segmentation paramétrable la scinde en deux ou plusieurs catégories. Par ailleurs, les anneaux de propositions non traités par la classification et répondant à certains critères (de score) peuvent être placés 30 dans une pile d'attente. Ainsi, chaque couple sous-ensemble/thématique de référence peut être associé à un score stocké sur les moyens de stockage de données 12, le score d'un couple sous-ensemble/thématique de référence diminuant avec le temps (par exemple suivant un amortissement hyperbolique) mais augmentant à chaque fois que ce couple sous-ensemble/thématique est sélectionné pour un texte.

En d'autres termes, l'enrichissement repose sur deux mécanismes simultanés : Le « score » d'un couple anneau/thématique augmente à chaque fois qu'un même anneau est issu de l'analyse Le score d'un couple anneau/thématique s'érode avec le temps selon un amortissement hyperbolique. Et le procédé peut alors comprendre une étape (h) de suppression d'un couple sous-ensemble/thématique de référence d'un groupe si le score dudit couple passe en dessous d'un premier seuil, ou de modification sur les moyens de stockage de données 12 de ladite pluralité de listes associées aux thématiques si le score dudit couple passe au-dessus d'un deuxième seuil. En particulier, si le score dépasse le deuxième seuil, plusieurs cas peuvent se présenter selon la « connexité » entre l'anneau et la thématique, comme évoqué précédemment.

La connexité entre un anneau et une thématique peut en effet être représentée par un coefficient représentant pour chaque thématique la fréquence d'apparition de cette thématique parmi les thématiques telles que le couple anneau/thématique associé a déjà été sélectionné. En d'autres termes la connexité entre un anneau et une thématique est par exemple donnée comme le score de ce couple anneau/thématique sur la somme des scores associés à des couples de cet anneau avec une thématique de référence. Les différents cas qui peuvent se présenter sont : les anneaux non connexes aux thématiques donnent naissance à de nouvelles thématiques (création d'une nouvelle thématique pour laquelle la liste de mot associée est définie par l'anneau du couple dont le score a dépassé le deuxième seuil) ; les anneaux fortement connexes à une thématique (par exemple connexité supérieure à 90%) sont fusionnés dans la thématique connexe (par exemple, si un anneau est très proche d'une thématique mais comprend un mot de plus, ce mot finit par être ajouté à la liste de mots associée à la thématique). A l'inverse, un anneau fortement érodé (score passant en-dessous du premier seuil) disparait de la pile. Les deux seuils peuvent être définis manuellement en fonction de la « sensibilité », c'est-à-dire le niveau souhaité d'évolutivité du système. Des seuils proches (premier seuil élevé et/ou deuxième seuil bas) entrainent un fort renouvellement des thématiques et catégories.

Claims (20)

1. REVENDICATIONS1. Procédé d'analyse sémantique d'un texte en langage naturel reçu par un équipement (1) depuis des moyens de saisie (14), le procédé étant caractérisé en ce qu'il comprend la mise en oeuvre par des moyens de traitement de données (11) de l'équipement (1) d'étapes de : (a) Découpage syntaxique d'au moins une partie du texte en une pluralité de mots ; (b) Filtrage des mots de ladite partie de texte par rapport à une pluralité de liste de mots de référence stockées sur des moyens de stockage de données (12) de l'équipement (1), chacune étant associée à une thématique, de sorte à identifier : - L'ensemble des mots de ladite partie du texte associés à au moins une thématique, - L'ensemble des thématiques de ladite partie du texte ; (c) Construction d'une pluralité de sous-ensembles de l'ensemble des mots de ladite partie du texte associés à au moins une thématique ; (d) Pour chacun desdits sous-ensembles et pour chaque thématique identifiée, calcul : - d'un coefficient de couverture de la thématique et/ou d'un coefficient de pertinence de la thématique en fonction d'occurrences dans ladite partie du texte de mots de référence associés à la thématique ; - d'au moins un coefficient d'orientation de la thématique à partir des mots de ladite partie du texte ne faisant pas partie du sous-ensemble ; (e) Pour chacun desdits sous-ensembles et pour chaque thématique identifiée, calcul d'un coefficient sémantique représentatif d'un degré de sens porté par le sous-groupe en fonction desdits coefficients de couverture, pertinence et/ou orientation de la thématique.(f) Sélection en fonction des coefficients sémantiques d'au moins un couple sous-ensemble/thématique. (g) Classification du texte en fonction dudit au moins un couple sousensemble/thématique sélectionné.
2. 2. Procédé selon la revendication 1, dans lequel un coefficient de couverture d'une thématique est calculé à l'étape (d) comme le nombre N de mots de référence associés à la thématique compris dans ledit sous-ensemble.
3. 3. Procédé selon l'une des revendications précédentes, dans lequel un coefficient de pertinence d'une thématique est calculé à l'étape (d) par la formule N * (1 + ln(R)), où N est le nombre de mots de référence associés à la thématique compris dans le sous-ensemble et R le nombre total d'occurrences dans ladite partie du texte de mots de référence associés à la thématique.
4. 4. Procédé selon l'une des revendications précédentes, dans lequel deux coefficients d'orientation de la thématique sont calculés à 20 l'étape (c), dont un coefficient de certitude de la thématique et un coefficient de nuance de la thématique.
5. 5. Procédé selon la revendication 4, dans lequel un coefficient de certitude d'une thématique est calculé à l'étape (d) comme valant : 25 1 si les mots ne faisant pas partie du sous-ensemble sont représentatifs d'une proximité affirmative avec la thématique ; - -1 si les mots ne faisant pas partie du sous-ensemble sont représentatifs d'une proximité négative avec la thématique ; - 0 si les mots ne faisant pas partie du sous-ensemble sont 30 représentatifs d'une proximité incertaine avec la thématique.
6. 6. Procédé selon l'une des revendications 4 et 5, dans lequel un coefficient de nuance d'une thématique est un scalaire positif supérieur à 1 lorsque les mots ne faisant pas partie du sous-ensemble sont représentatifs d'une amplification de la thématique, et un scalaire positif inférieur à 1 lorsque les mots ne faisant pas partie du sous-ensemble sont représentatifs d'une atténuation de la thématique.
7. 7. Procédé selon l'une des revendications précédentes, comprenant une étape (a0) préalable de découpage du texte en une pluralité de proposition, chacune étant une partie du texte pour laquelle les étapes (a) à (d) du procédé selon répétées de sorte à obtenir pour chaque proposition un ensemble de coefficients de couverture, de pertinence, et/ou d'orientation associés à la proposition, le procédé comprenant préalablement à l'étape (e) une étape (e0) de calcul pour chacun desdits sous-ensemble et pour chaque thématique identifiée pour au moins une proposition du texte d'un coefficient global de couverture de la thématique et/ou d'un coefficient global de pertinence de la thématique, et d'au moins un coefficient global d'orientation de la thématique en fonction de l'ensemble desdits coefficients associés une proposition.
8. 8. Procédé selon la revendication 7, dans lequel un coefficient global de couverture d'une thématique est calculé à l'étape (e0) comme la somme des coefficients de couverture de la thématique associée à une proposition moins le nombre de mots de référence de la thématique présents dans au moins deux propositions.
9. 9. Procédé selon l'une des revendications 7 et 8, dans lequel un coefficient global de pertinence d'une thématique est calculé à l'étape (e0) comme la somme des coefficients de pertinence de la thématique associée 30 à une proposition.
10. 10. Procédé selon l'une des revendications 7 à 9, dans lequel un coefficient global d'orientation d'une thématique est calculé à l'étape (e0) comme la moyenne des coefficients d'orientation de la thématique associés à une proposition pondérés par les coefficients de couverture de la thématique associés.
11. 11. Procédé selon l'une des revendications 7 à 10, dans lequel l'étape (e0) comprend pour chacun desdits sous-ensembles et pour chaque thématique le calcul d'un coefficient global de divergence de la thématique correspondant à l'écart-type de la distribution des produits des coefficients d'orientation par les coefficients de couverture associés à chaque proposition.
12. 12. Procédé selon la revendication 11, dans lequel un coefficient 15 sémantique d'un sous-ensemble A pour une thématique T est calculé à l'étape (e) par la formule M(A,T) = coefficient de pertinence(A,T) * coefficient d'orientation(A,T) * f [1 + coefficient de divergence(A,T)2].
13. 13. Procédé selon l'une des revendications précédentes, dans 20 lequel les couples sous-ensemble/thématique sélectionnés à l'étape (f) sont ceux tels que pour toute partition du sous-ensemble en une pluralité de parties dudit sous-ensemble, le coefficient sémantique du sous-ensemble pour la thématique est supérieur à la somme des coefficients sémantiques des sous-parties du sous-ensemble pour la thématique. 25
14. 14. Procédé selon l'une des revendications précédentes, dans lequel des groupes de couples sous-ensemble/thématique de référence sont stockés sur les moyens de stockage de données (12), l'étape (g) comprenant la détermination du ou des groupes comprenant au moins un 30 couple sous-ensemble/thématique sélectionné à l'étape (f).
15. 15. Procédé selon la revendication 14, dans lequel l'étape (g) comprend la création d'un nouveau groupe si aucun groupe de couplessous-ensemble/thématique de référence ne contient au moins un couple sous-ensemble/thématique sélectionné pour le texte.
16. 16. Procédé selon l'une des revendications 14 et 15, dans lequel chaque couple sous-ensemble/thématique de référence est associé à un score stocké sur les moyens de stockage de données (12), le score d'un couple sous-ensemble/thématique de référence diminuant avec le temps mais augmentant à chaque fois que ce couple sous-ensemble/thématique est sélectionné pour un texte.
17. 17. Procédé selon la revendications 16, comprenant une étape (h) de suppression d'un couple sous-ensemble/thématique de référence d'un groupe si le score dudit couple passe en dessous d'un premier seuil, ou de modification sur les moyens de stockage de données (12) de ladite pluralité de listes associées aux thématiques si le score dudit couple passe au-dessus d'un deuxième seuil.
18. 18. Procédé selon l'une des revendications 14 à 17, dans lequel l'étape (g) comprend pour chaque groupe de couples sous- ensemble/thématique de référence le calcul d'un coefficient de dilution représentant le nombre d'occurrences dans ladite partie du texte de mots de référence associés à des thématiques des couples sousensemble/thématique de référence présents dans le texte rapporté au nombre total de mots de référence associés auxdites thématiques.
19. 19. Procédé selon l'une des revendications précédentes, dans lequel tous les sous-ensembles de l'ensemble des mots de ladite partie du texte associés à au moins une thématique sont construits à l'étape (c).
20. 20. Equipement (1) comprenant des moyens de traitement de données (11) configurés pour mettre en oeuvre suite à la réception d'untexte en langage naturel un procédé selon l'une des revendication précédentes d'analyse sémantique du texte. II