Modèle Neuronal de Recherche d'Information Augmenté par une Ressource Sémantique

Abstract

De nombreux travaux en recherche d'information (RI) ont montre l'apport de la semantique des mots pour ameliorer l'appariement de document-requete. D'une part, la semantique symbolique derivee de ressources externes permet de representer des entites et leurs relations explicites. D'autre part, la semantique distributionnelle inferee des corpus permet de representer les relations semantiques implicites d'un corpus. Dans cet article, nous proposons de combiner ces deux types de representations semantiques. Ainsi, nous presentons un modele neuronal pour la RI ad-hoc qui exploite les representations semantiques latentes des documents et des requetes en beneficiant des concepts et des relations exprimes au sein d'une ressource externe. Les evaluations sur deux jeux de donnees prouvent l'efficacite de notre modele par rapport aux modeles neuronaux profonds d'appariement de l'etat de l'art. ABSTRACT. In information retrieval task, the words semantic has been recognized as significant mean to improve the document-query matching. First, the symbolic semantics extracted from external resources allows to represent entities and their explicit relations. Second, the distributed semantics inferred from the corpus allows to exploit the implicit relations hidden in a corpus. In this paper, we introduce a neural model that leverages the latent semantic representations of documents and queries by taking advantage of the concepts and relations expressed within an external resource. Experimental results obtained on two datasets indicate our model effectiveness in comparison with state-of-the-art deep neural retrieval models.