Modèle de compréhension du besoin en information pour la RI conversationnelle
Résumé
IR is based on a standard framework that queries document collections through an information need expressed as a set of keywords. Our contribution aims at overpassing this usual paradigm by starting the retrieval process from the natural language expression of the information need; giving rise to a new generation of IR systems based on conversational features (also called "search-oriented conversational systems"). Therefore, the first step focuses on the query formulation from the information need expressed in natural language. In this paper, we propose a query formulation model able of 1) translating natural language expressions to keyword queries in a supervised manner, and 2) injecting relevance feedback in the learning process through reinforcement learning technics. To overcome the lack of training data, we consider the translation model as a word selection process. Our model is evaluated on two TREC collections to demonstrate its effectiveness.
La RI repose sur un cadre standard qui interroge des collections de documents à partir d'un besoin en information exprimé sous la forme d'un ensemble de mots-clés. Notre contribution vise à dépasser ce paradigme habituel en traitant directement le besoin en information exprimé en langage naturel pour tendre vers une nouvelle génération de systèmes de RI axés sur l'aspect conversationnels (appelés aussi "search oriented conversational systems"). Une première étape réside alors dans la formulation de requêtes à partir de besoins en information exprimés en langage naturel. Nous proposons dans ce papier un modèle de formulation de requêtes capable 1) d'apprendre la traduction des expressions en langage naturel en requêtes de type mots-clés de manière supervisée, et 2) d'injecter les retours de pertinence dans le pro-cessus d'apprentissage (apprentissage par renforcement). Pour pallier au manque de données d'apprentissage, nous considérons le modèle de traduction comme un modèle de sélection de mots. Notre modèle est évalué sur deux collections TREC démontrant ainsi son efficacité
Origine : Fichiers produits par l'(les) auteur(s)
Loading...