Création de résumé automatique Par Guillaume Blain (blaingu@lexum.umontreal.ca) & Marc-André Morissette (morissm@lexum.umontreal.ca) IFT6255 – 8 avril 2003
Qu’est-ce qu’un résumé? Une transformation réductrice d’un texte source vers un résumé par compression du contenu à l’aide d’une sélection et/ou généralisation de ce qui est important dans le texte source. - Karen Sparck Jones
Fonction AutoSummarize de MS Office Sommaires basés une requête de l’usager
Caractéristiques d’un résumé Indicatif ou Informatif Indicatif: indique la nature du texte (teaser) Informatif: tente de se substituer au texte Extrait ou abrégé Extrait: phrases ou passages tirés du texte Abrégé: reformule, compresse le texte Court ou long Taux de compression =
Mécanique de construction d’un résumé Document → Repr. interne du document Repr. interne du document → Repr. interne du résumé Repr. interne du résumé → Texte du résumé
Facteurs contextuels Facteurs d’entrée Facteurs d’intention Influence l’analyse Facteurs d’intention Influence les transformations Facteurs de sortie Influence la forme du résumé
Facteurs d’entrée - analyse (1) Today on MSN Latest war updates Iraqis swim Tigris to flee Saddam's notorious cousin may be dead Why isn't cash obsolete? Your Week Online tax helper, $30 How to make DVD flicks 6 steps to sexier legs Forme Structure Échelle Type de langue Genre littéraire
Facteur d’entrée -analyse (2) Type de sujet Ordinaire (connaisances générales) Code de la route Spécialisé (informatique, recherche d’information) Précision/Rappel Restreint (étudiant du cours ift6255) Date d’examen
Facteurs d’entrée - analyse (3) Multiplicité Simple Article de journal, rapport de recherche Multiple Journal au complet, tous les rapports d’un laboratoire de recherche
Facteurs d’intention - transformation Situation Précis, flou; qui, pourquoi, comment Audience Ciblée, non ciblée Utilisation Tâche: recherche, sommaire, mémoire, invite
Facteurs de sortie - construction Contenu Tous les sujets, le sujet central, information partielle; couverture Format Prose, informations tabulaires, phrases disparates Style Indicatif, informatif, critique, recapitulatif
Approches étalon Approche aléatoire Approche en-tête On sélectionne n phrases au hasard dans le document Approche en-tête On sélectionne les n premières phrases du document
Approche basée sur la RI Luhn 1958 Extrait = phrases significatives Une phrase significative contient des mots significatifs (mots-clés) Mots significatifs = entre A et B Stemming Stop list
Approches basée sur la structure du texte (1) Edmundson 69 Mots-repères (cues) Mots-bonus: greatest, significant, … Mots-malus: hardly, impossible, … Mots-titre Mots-clés se trouvant dans le titre et les sous-titres
Approches basée sur la structure du texte (2) Positionnement Début du texte Fin du texte Première phrase d’un paragraphe Dernière phrase d’un paragraphe Toutes les méthodes! 1Mots-repère + 2Mots-clés + 3Mots-titre + 4Positionnement
Évaluation (Edmundson) Corpus d’entraînement avec des extraits sélectionnés manuellement (compression 25%) Comparaison entre les résumés obtenus manuellement et automatiquement Précision = Quand la taille
Résultats (Edmundson) Mots-clés diminuent efficacité
Extension probabiliste Kupiec, Pederson, Chen 1995 Classification Bayesienne à partir de caractéristiques du texte En supposant les caractéristiques statistiquement indépendantes
Extension probabiliste (2) Résultats (compression 25%) Précision de 84%
Problèmes (Paice 1990) Extraits phrase par phrase sont incohérents et difficiles à lire. Solution: ajouter les phrases nécessaires pour produire un passage propre. Balance: est-ce que des parties sont sur-représentées? Couverture: est-ce qu’on a oublié quelque chose? Anaphore Connecteur rhétorique Anaphore (auteur) J’aime les bananes. Elles sont toutefois trop jaunes à mon goût.
Parsage rhétorique du discours (1) Analyse en profondeur Basé sur les relations rhétorique entre les passages. (Mann et Thompson 88) Objectif de l’auteur. Pourquoi ajouter cette phrase? Noyau – Satellite À l’origine du sens et de la cohérence d’un texte
Parsage rhétorique du discours (2) Exemple d’une relation: pièce à conviction [Noyau: En réalité, la tentation de fumer au secondaire est plus grande qu’à n’importe quel autre moment de la vie d’une personne :] [Satellite: On sait que plus de 300 adolescents commencent à fumer chaque jour.] Effet de la relation: le satellite augmente la crédibilité du noyau aux yeux du lecteur
2 Background Justification 3 Elaboration 8 Concession 10 Antithesis 8 Example 2 Background Justification 3 Elaboration 8 Concession 10 Antithesis With its distant orbit (50 percent farther from the sun than Earth) and slim atmospheric blanket, (1) Mars experiences frigid weather conditions (2) 4 5 Contrast Surface temperatures typically average about -60 degrees Celsius (-76 degrees Fahrenheit) at the equator and can dip to -123 degrees C near the poles (3) Although the atmosphere holds a small amount of water, and water-ice clouds sometimes develop, (7) Most Martian weather involves blowing dust and carbon monoxide. (8) Yet even on the summer pole, where the sun remains in the sky all day long, temperatures never warm enough to melt frozen water. (10) Each winter, for example, a blizzard of frozen carbon dioxide rages over one pole, and a few meters of this dry-ice snow accumulate as previously frozen carbon dioxide evaporates from the opposite polar cap. (9) Only the midday sun at tropical latitudes is warm enough to thaw ice on occasion, (4) 5 Evidence Cause but any liquid water formed in this way would evaporate almost instantly (5) because of the low atmospheric pressure (6)
Parsage rhétorique du discours (4) Intuition de Daniel Marcu: Résumé peut être produit à partir de l’arbre de parsage. Nœuds près de la racine correspondent aux idées centrales du texte. Performance d’environ 65% avec des textes courts. Question: est-ce que ça fonctionne avec des textes plus longs?
Chaînes lexicales (1) Établir des chaînes sur les mots qui ont un liens dans WordNet (Barzilay & Elhadad) Les chatons sont très mignons. Ces petits animaux sont si adorables qu’on en déjeunerait. Les chats eux sont plus comme leur cousins les tigres: indépendants et chasseurs. Les félins on en général une bien mauvaise réputation.
Chaînes lexicales (2) Les phrases importantes sont traversées par des chaînes fortes. Désambiguification tardive Stratégie de sélection: Première phrase avec un membre de la chaîne Première phrase avec un membre significatif de la chaîne Déterminer le segment avec la plus haute densité de termes. Première phrase de ce segment.
Résumé multidocument – SUMMONS (1) Gabarits MUC, organisés chronologiquement Opérateurs de combinaison Changement de perspective Contradiction Ajout Clarification Similarité Concaténation, généralisation Absence Tendance Favorise les combinaisons
Résumé multidocument – SUMMONS (2)
Cadre multilingue Megumi Kameyama Extraction d’information dans les discours Extraction à objectifs clos vers objectifs dynamiques 3 étapes Requête en langue usager Recherche/abstraction dans la langue du corpus Résumé en langue usager
Évaluation Mesure Accord entre les juges humains Référentiel de base Précision Rappel Accord entre les juges humains Référentiel de base Compression: C = (longueur Résumé) / (longueur Txt) Rétention: R = (info dans Résumé) / (info dans Txt)
Conférences et évaluation (1) SUMMAC (Programme TIPSTER) Ad hoc: pertinence selon une requête Catégorisation: textes sources vs résumé Question/réponse: sans lecture, lecture du résumé et lecture du texte
Conférences et évaluation (2) MUC (Message Understanding Conference) Entités nommées Coréférence des entités (anaphores) Instantiation de gabarits (templates) prédéfinis Instantiation de scénarios par gabarits
Conférences et évaluation (3) DUC (Programme TIDES) Précision/Rappel Méthode utilitaire (Radev et al.) Similarité de contenu
Discussion et analyse Top-down Bottom-up Hybride De la structure vers le contenu Bottom-up Du contenu (mots, phrases) vers la compréhension Hybride Dans les deux directions simultanément ou en complément
Évaluation formelle Toute les méthodes ne sont pas évaluées Évaluations varient Corpus de test différent 25% de taux de compression ! 2 pages incohérentes pour 8 pages cohérentes (et encore)
Avenir Abstraction Plus de rigueur Passer de l’expérimentation à l’application Améliorer la lisibilité Améliorer l’interaction avec l’usager
Conclusion Explosion du domaine Intégration des technologies connexes Traitement en langue naturelle Recherche d’information Avenir prometteur Encore beaucoup de travail