Regroupement de textes avec des approches simples et efficaces exploitant la représentation vectorielle contextuelle SBERT

Le regroupement est une tâche non supervisée consistant à rassembler les éléments semblables \nsous un même groupe et les éléments différents dans des groupes distincts. Le regroupement \nde textes est effectué en représentant les textes dans un espace vectoriel et en étudiant leur \nsimilarité dans cet espace. Les meilleurs résultats sont obtenus à l’aide de modèles neuronaux \nqui affinent une représentation vectorielle contextuelle de manière non supervisée. Or, cette \ntechnique peuvent nécessiter un temps d’entraînement important et sa performance n’est \npas comparée à des techniques plus simples ne nécessitant pas l’entraînement de modèles \nneuronaux. \nNous proposons, dans ce mémoire, une étude de l’état actuel du domaine. Tout d’abord, \nnous étudions les meilleures métriques d’évaluation pour le regroupement de textes. Puis, \nnous évaluons l’état de l’art et portons un regard critique sur leur protocole d’entraînement. \nNous proposons également une analyse de certains choix d’implémentation en regroupement \nde textes, tels que le choix de l’algorithme de regroupement, de la mesure de similarité, de \nla représentation vectorielle ou de l’affinage non supervisé de la représentation vectorielle. \nFinalement, nous testons la combinaison de certaines techniques ne nécessitant pas d’entraînement avec la représentation vectorielle contextuelle telles que le prétraitement des données, \nla réduction de dimensionnalité ou l’inclusion de Tf-idf. \nNos expériences démontrent certaines lacunes dans l’état de l’art quant aux choix des \nmétriques d’évaluation et au protocole d’entraînement. De plus, nous démontrons que l’utilisation de techniques simples permet d’obtenir des résultats meilleurs ou semblables à des \nméthodes sophistiquées nécessitant l’entraînement de modèles neuronaux. Nos expériences \nsont évaluées sur huit corpus issus de différents domaines.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.