Filtrage cognitif de l’information électronique
Loading...
Date
2007-10-19
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
ECIG 2007
Abstract
L'objectif des travaux de recherche présentés dans cet article est l’automatisation du
processus de filtrage de l’information en prenant en compte l’importance relative de
l'information et les besoins en ressources linguistiques pour son traitement.
Nous proposons une solution ouverte, dynamique et évolutive qui offre au processus de
filtrage la possibilité d’apprendre, d’exploiter ces connaissances apprises et de s’adapter à la nature de l’application. Nous l’avons modélisé à l’aide d’agents pour offrir un gain de temps par rapport à une solution algorithmique séquentielle.
Pour la validation de notre approche de filtrage, nous avons mené un ensemble
d’expériences pour évaluer les performances des techniques et outils proposés et développés.
In this paper, we present filtering process automation by taking of account the relative importance of information and the requirements in linguistic resources for its treatment. First, we introduce a set of criteria which are cues related to the document structure and content. Second, we use a machine learning method allowing the filtering process to learn from data and to adapt to the application nature. The approach architecture is modelled using agents to offer a saving of time compared to a sequential algorithmic solution. At the end, to measure the approach performances, we illustrate and discuss the results obtained by experimental evaluations.
In this paper, we present filtering process automation by taking of account the relative importance of information and the requirements in linguistic resources for its treatment. First, we introduce a set of criteria which are cues related to the document structure and content. Second, we use a machine learning method allowing the filtering process to learn from data and to adapt to the application nature. The approach architecture is modelled using agents to offer a saving of time compared to a sequential algorithmic solution. At the end, to measure the approach performances, we illustrate and discuss the results obtained by experimental evaluations.
Description
Keywords
Apprentissage automatique, Agents linguistiques, Criteres de filtrage, Filtrage d'information, Filtering criteria, Information filtering, Machine learning, Linguistic agents.