Deux méthodes de classification de règles d'association pour la fouille de textes
Identifieur interne : 004033 ( Crin/Curation ); précédent : 004032; suivant : 004034Deux méthodes de classification de règles d'association pour la fouille de textes
Auteurs : Hacène Cherfi ; Amedeo Napoli ; Yannick ToussaintSource :
English descriptors
- KwdEn :
Abstract
Un processus de fouille de données textuelles s'appuyant sur l'extraction de règles d'association engendre un très grand nombre de règles extraites. Il est alors nécessaire pour classifier les règles extraites de pouvoir disposer de critères de classification de qualité fiable, par exemple en rapport avec des connaissances disponibles sur le domaine des textes. La plupart des méthodes de classification de règles d'association mettent en oeuvre des critères statistiques pour juger de la qualité d'une règle. Dans cet article, nous présentons deux méthodes de classification : la première est classique et met en jeu des mesures statistiques tandis que la seconde est plus originale et fait appel à un modèle de connaissances du domaine. Un exemple et une discussion sur le bien-fondé de cette approche illustrent et complètent cet article.
Links toward previous steps (curation, corpus...)
- to stream Crin, to step Corpus: Pour aller vers cette notice dans l'étape Curation :004033
Links to Exploration step
CRIN:cherfi05aLe document en format XML
<record><TEI><teiHeader><fileDesc><titleStmt><title xml:lang="fr" wicri:score="-153">Deux méthodes de classification de règles d'association pour la fouille de textes</title></titleStmt><publicationStmt><idno type="RBID">CRIN:cherfi05a</idno><date when="2005" year="2005">2005</date><idno type="wicri:Area/Crin/Corpus">004033</idno><idno type="wicri:Area/Crin/Curation">004033</idno><idno type="wicri:explorRef" wicri:stream="Crin" wicri:step="Curation">004033</idno></publicationStmt><sourceDesc><biblStruct><analytic><title xml:lang="fr">Deux méthodes de classification de règles d'association pour la fouille de textes</title><author><name sortKey="Cherfi, Hacene" sort="Cherfi, Hacene" uniqKey="Cherfi H" first="Hacène" last="Cherfi">Hacène Cherfi</name></author><author><name sortKey="Napoli, Amedeo" sort="Napoli, Amedeo" uniqKey="Napoli A" first="Amedeo" last="Napoli">Amedeo Napoli</name></author><author><name sortKey="Toussaint, Yannick" sort="Toussaint, Yannick" uniqKey="Toussaint Y" first="Yannick" last="Toussaint">Yannick Toussaint</name></author></analytic></biblStruct></sourceDesc></fileDesc><profileDesc><textClass><keywords scheme="KwdEn" xml:lang="en"><term>association rule</term><term>knowledge</term><term>rule classification</term><term>text mining</term></keywords></textClass></profileDesc></teiHeader><front><div type="abstract" xml:lang="fr" wicri:score="-2133">Un processus de fouille de données textuelles s'appuyant sur l'extraction de règles d'association engendre un très grand nombre de règles extraites. Il est alors nécessaire pour classifier les règles extraites de pouvoir disposer de critères de classification de qualité fiable, par exemple en rapport avec des connaissances disponibles sur le domaine des textes. La plupart des méthodes de classification de règles d'association mettent en oeuvre des critères statistiques pour juger de la qualité d'une règle. Dans cet article, nous présentons deux méthodes de classification : la première est classique et met en jeu des mesures statistiques tandis que la seconde est plus originale et fait appel à un modèle de connaissances du domaine. Un exemple et une discussion sur le bien-fondé de cette approche illustrent et complètent cet article.</div></front></TEI><BibTex type="techreport"><ref>cherfi05a</ref><crinnumber>A05-R-020</crinnumber><category>15</category><equipe>ORPAILLEUR</equipe><author><e>Cherfi, Hacène</e><e>Napoli, Amedeo</e><e>Toussaint, Yannick</e></author><title>Deux méthodes de classification de règles d'association pour la fouille de textes</title><year>2005</year><type>Rapport de recherche</type><month>Mar</month><keywords><e>text mining</e><e>association rule</e><e>rule classification</e><e>knowledge</e></keywords><abstract>Un processus de fouille de données textuelles s'appuyant sur l'extraction de règles d'association engendre un très grand nombre de règles extraites. Il est alors nécessaire pour classifier les règles extraites de pouvoir disposer de critères de classification de qualité fiable, par exemple en rapport avec des connaissances disponibles sur le domaine des textes. La plupart des méthodes de classification de règles d'association mettent en oeuvre des critères statistiques pour juger de la qualité d'une règle. Dans cet article, nous présentons deux méthodes de classification : la première est classique et met en jeu des mesures statistiques tandis que la seconde est plus originale et fait appel à un modèle de connaissances du domaine. Un exemple et une discussion sur le bien-fondé de cette approche illustrent et complètent cet article.</abstract></BibTex></record>Pour manipuler ce document sous Unix (Dilib)
EXPLOR_STEP=$WICRI_ROOT/Wicri/Lorraine/explor/InforLorV4/Data/Crin/Curation
HfdSelect -h $EXPLOR_STEP/biblio.hfd -nk 004033 | SxmlIndent | more
Ou
HfdSelect -h $EXPLOR_AREA/Data/Crin/Curation/biblio.hfd -nk 004033 | SxmlIndent | more
Pour mettre un lien sur cette page dans le réseau Wicri
{{Explor lien
|wiki= Wicri/Lorraine
|area= InforLorV4
|flux= Crin
|étape= Curation
|type= RBID
|clé= CRIN:cherfi05a
|texte= Deux méthodes de classification de règles d'association pour la fouille de textes
}}
| This area was generated with Dilib version V0.6.33. |  |