Regroupement de textes avec des approches simples et efficaces exploitant la représentation vectorielle contextuelle SBERT
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.002 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".