Catégorisation automatique de documents : apprentissage supervisé

Sciences de l'information · Master 1

Comprendre la catégorisation supervisée de documents : corpus d'entraînement, modèles et évaluation.

Introduction

La catégorisation automatique de documents attribue à chaque texte une ou plusieurs classes parmi un ensemble prédéfini : thème, type de document, niveau de sensibilité. En apprentissage supervisé, le système s'entraîne sur un corpus de documents déjà étiquetés par des professionnels, puis généralise à de nouveaux documents.

Cette approche est utile pour trier des courriels, répartir des demandes, ou compléter une classification dans un fonds numérique. Elle pose toutefois des questions de qualité du corpus d'entraînement, de biais et d'évaluation.

Objectifs d'apprentissage

Décrire les étapes d'un projet de catégorisation supervisée
Distinguer corpus d'entraînement, de validation et de test
Citer des familles de modèles
Interpréter une matrice de confusion et les mesures d'évaluation
Identifier les limites et les biais

Concepts clés

Corpus étiqueté: Des documents déjà classés par des experts servent à entraîner le modèle.
Représentation: Le texte est converti en vecteurs, par exemple par pondération TF-IDF.
Évaluation: Précision, rappel et mesure F se calculent sur un jeu de test séparé.
Limites: Le modèle reproduit les biais et erreurs du corpus d'entraînement.

Conclusion

La catégorisation supervisée peut soutenir la classification de grands fonds, mais sa qualité dépend du corpus, des mesures d'évaluation et du suivi humain.

Les professionnels de l'information gardent un rôle central : définir les classes, constituer le corpus, valider les résultats et documenter les limites.

Cartes

Qu'est-ce que l'apprentissage supervisé ?: Un apprentissage à partir d'exemples dont la bonne classe est connue.
Pourquoi séparer entraînement et test ?: Pour mesurer la performance sur des documents que le modèle n'a pas vus.
Que contient une matrice de confusion ?: Le croisement des classes réelles et prédites, avec bonnes et mauvaises attributions.
Que mesure la précision ?: La proportion de documents attribués à une classe qui lui appartiennent réellement.
Que mesure le rappel ?: La proportion de documents d'une classe qui ont été correctement retrouvés.
Qu'est-ce que la mesure F ?: Une moyenne combinant précision et rappel en un seul indicateur.
Citez deux familles de modèles de catégorisation.: Naive Bayes et machines à vecteurs de support (SVM), entre autres.
Quel est le risque d'un corpus déséquilibré ?: Le modèle favorise les classes majoritaires et néglige les classes rares.
Qu'est-ce que le surapprentissage ?: Un modèle trop adapté aux données d'entraînement qui généralise mal.
Pourquoi garder une validation humaine ?: Pour contrôler les cas incertains, corriger les erreurs et enrichir le corpus.

Glossaire

Corpus d'entraînement: Ensemble de documents étiquetés servant à apprendre le modèle.
Étiquette: Classe attribuée à un document.
Matrice de confusion: Tableau croisant les classes réelles et prédites.
Précision: Part des prédictions correctes parmi les documents attribués à une classe.
Rappel: Part des documents d'une classe qui sont retrouvés.
Surapprentissage: Excès d'adaptation au corpus d'entraînement.