Lieu : Amphithéâtre B312 à Télécom ParisTech (46, rue Barrault – 75013 Paris)
Membres du jury :
Rapporteurs :
- Mohand-Said Hacid de l’Université Claude Bernard Lyon 1
- Amélie Marian de l’Université de Rutgers, New Jersey
Directeur de thèse
- Talel Abdessalem (Télécom ParisTech)
- Bogdan Cautis (Télécom ParisTech)
Examinateurs :
- Bernd Amann de Paris 6 (UPMC)
- Cédric Du Mouza de Paris 1 (CNAM)
- Dan Vodislav de l’Université de Cergy-Pontoise
Title : “Recherche des Objets Complexes dans le Web Structuré”
Nous assistons aujourd’hui à un développement continu et rapide du Web Structuré, dans lequel les documents (les pages Web) ne sont plus composés que du texte non structuré mais sont centrés sur les données, présentant des contenus structurés et des objets complexes. Ces pages Web sont générées le plus souvent de façon dynamique à partir d’une base de données accessible via des formulaires (Web caché), et sont organisées selon une structure régulière et prédéfinie. Les plates-formes de recherche actuelles ne permettent d’obtenir que des pages en utilisant des méthodes traditionnelles de recherche par des mots-clés, qui sont inadaptées pour interroger le Web structuré. En effet, la recherche par mots-clés est sémantiquement pauvre et ignore les liens structurels existant entre les différents contenus des objets complexes (ex. dans une page Web d’un site commercial, constituée d’une liste de livres, les entités élémentaires “titre” et “aute
ur” composant chaque “livre” sont présentées selon une disposition qui illustre leurs relations. De nouveaux moyens de recherche sur le Web sont donc nécessaires, pour permettre à l’utilisateur de cibler des données complexes avec une sémantique précise.
L’objectif de cette thèse est de fournir des algorithmes efficaces pour l’extraction et la recherche des objets structurées (un livre, un concert de musique, etc.) de façon automatique, à l’aide de méthodes adaptées allant au-delà de la recherche par mots-clés. Nous avons proposé une approche d’interrogation du Web en deux étapes, qui permet à l’utilisateur de décrire le schéma des objets ciblés, de façon souple et précise. Les deux problématiques principales adressées sont : (1) la sélection de sources Web structurées les plus pertinentes pour un schéma fourni par l’utilisateur (c-à-d, contenant les objets, instances de ce schéma), et (2) la construction de wrappers (extracteurs) pour l’extraction des objets complexes ciblés à partir des sources sélectionnées, en exploitant la régularité des structures des pages et la sémantique des données.
Notre approche est générique, dans le sens où elle n’est pas spécifique à des sources ou des objets d’un domaine particulier. Elle a été implantée (système ObjectRunner) et testée sur des sources Web appartenant à des domaines variés. Les résultats obtenus montrent, en particulier, une pertinente élevée au niveau de la sélection de sources et un gain significatif au niveau de la qualité de l’extraction par rapport aux approches existantes.
