Utilisation de l

1
Utilisation de lUMLS dans un modèle de
recherche dinformation basé sur réseau bayesien
de concepts
Journée RIMO du WEB Intelligence

• Thi Hoang Diem LE

2
Plan

• Introduction
• Utilisation de ressources externes dans RI
• UMLS
• Un modèle dindexation conceptuelle basé sur
  réseau Bayesien
• Utilisation de connaissance du problème pour
  améliorer la performance de RI
• Évaluation
• Application dans la recherche dimages médicaux
• Conclusion et perspective

3
Introduction
Indexation
Information
Par termes simple
Morphologique Grammaticale Syntaxique
précise
Par multi-termes
Par syntagmes
synonyme
Par concepts
UMLS
multilingual
liens sémantiques
Model bayesien des concepts
- mismatch
4
Utilisation de ressources externes dans RI et RI
multilingue

• Les types des resources
• Vocabulaire contrôlé
• Taxonomie
• Thésaurus
• Ontologie
• Utilisation de ressources externes dans RI et RIM
• Conceptuelle indexation (Gonzalo1,,Baziz2,
  Loïc3)
• Expansion de la requete ou des documents
  (Voorheer4, Rila5,)
• Change de la nature des documents et de la
  requête
• Risque dajouter des termes inutiles
• Mesures des similarités sémantiques (Leacock6,
  Hirst7, Resnik8, Jiang9, Lin10,)

5
UMLS (Unified Medical Language System )

• NLM (National Library of Medicine) 1986
• Objectives
• Combiner différentes ressources dans le domaine
  biomedical (140).
• Faciliter les tâche des systèmes dinformation
  (accès, recherche, intégrer, ...)
• Multilingual(17)
• Components
• Metathesaurus (gt1.1 million concepts)
• Semantic Network
• SPECIALIST lexicon
• Natural Language Processing tools

6
Structure de lUMLS
7
Proposition dun modèle dindexation conceptuelle
basé sur réseau Bayesien

• Le schéma général du processus de RI

Requête (concepts)
Requête (texte)
Extraction de concepts
Documents (concepts)
Documents (texte)
UMLS
d2
d1
dn

Extraction de Relations sémantiques
c1
c2
cj

cj
ck
q
Documents retrouvés
Prosessus dinférence
8
Proposition dun modèle dindexation conceptuelle
basé sur réseau Bayesien (cont.)

• Reseau bayesien graphe acyclique oriente
• Réseau de documents
• Nœuds concepts
• Arcs index
• Réseau de la requete
• Nœuds concepts
• Arcs index
• Liens entre les concepts
• relations sémantiques

d2
d1
dn

c1
c2
ci

cj
ck
q
9
Proposition dun modèle dindexation conceptuelle
basé sur réseau Bayesien(cont.)

• Processus de dinférence

• Initiation de la probabilité antérieure
• un document dk est observé P(dk)1

dk
d2
d1

c1
c2
cn

2. Inference de la probabilité entre les concepts
cj
cm
3. La probabilité postérieure ou la croyance de
la requête
q
10
Utilisation de connaissance du problème pour
améliorer la performance de RI

• Les types de connaissances importantes (Lin11)
• Connaissance sur la tâche d'utilisateur
• Connaissance sur le problème
• Connaissance du domaine

Disorders (Pathology)
Procedures (Modality)
Groupes Sémantiques
Anatomy
T029 Body Location or Region
T060 Diagnostic Procedure
T047 Disease or Syndrome
C0040405
C0034067
Concepts
C0817096
Show me Chest CT of emphysema

• PK inclusion
• PK intersection

11
Évaluation

• La collection CLEF images médicales
• CLEF images médicales 2006,2007
• Anglais, Français, Allemand
• 50.026 documents
• 30 requêtes
• Résultats
• Comparaison entre modèle vectoriel avec
  termes(MVT) et avec concepts(MVC)
• Comparaison entre MVC et MVC utilisant de
  connaissance du problème
• Comparaison entre MVC et modèle dindexation
  conceptuelle basé sur réseau Bayesien(RB)
• Application dans la recherche dimages médicaux

Exemple  Show me images of a knee x-ray. Zeige
mir Röntgenbilder des Knies. Montre-moi des
radiographies du genou. 
12
Comparaison entre modèle vectoriel avec
termes(MVT) et avec concepts(MVC)
CLEFMed2006
Avec termes
Avec concepts
13
Comparaison entre MVC et MVC utilisant de
connaissance du problème
CLEFMed2006
14
Comparaison entre MVC et modèle dindexation
conceptuelle basé sur réseau Bayesien(RB)
CLEFMed2007
15
Application dans la recherche dimages médicaux
16
Conclusion et perspective

• Conclusion
• Modèle de RI qui capable d'améliorer la qualité
  des index ainsi que la correspondance entre les
  documents et la requête. Expérimentation a prouvé
  les avantages de
• utiliser des concepts au lieu des termes à l'aide
  d'une ressource externe.
• prendre en compte les liens sémantiques entre
  concepts dans la requête et ceux dans les
  documents dans un modèle à base de réseau
  Bayesien.
• d'exploiter des connaissances dans une ressource
  externe pour améliorer la performance de la
  recherche via une fonction sur le RSV
• Une fusion pour la RI multi-modalité qui permet
  un meilleur recherche que la RI mono-modalité.
• Perspective
• Typage des relations sémantiques et leur poids

17
Références

• Julio Gonzalo, Felisa Verdejo, Irina Chugur, and
  Juan Cigarran. Indexing with wordnet synsets can
  improve text retrieval. In Proceedings of the
  COLING/ACL '98 Workshop on Usage of WordNet for
  NLP, pages 3844, Montreal,Canada, 1998.
• Mustapha Baziz, Mohand Boughanem, and Nathalie
  Aussenac-Gilles. Conceptual indexing based on
  document content representation. In CoLIS, pages
  171186, 2005.
• L. Maisonnasse, Les supports de vocabulaires pour
  les systèmes de recherche d'information orientés
  précision application aux graphes pour la
  recherche d'information médicale, Ph.D. thesis,
  Université Joseph Fourier, 2008.
• Ellen M. Voorhees. Query expansion using
  lexical-semantic relations. In SIGIR '94
  Proceedings of the 17th annual international ACM
  SIGIR conference on Research and development in
  information retrieval, pages 6169, New York, NY,
  USA, 1994. Springer-Verlag New York, Inc.
• Rila Mandala, Takenobu Tokunaga, and Hozumi
  Tanaka. Combining multiple evidence from dierent
  types of thesaurus for query expansion. In
  Research and Development in Information
  Retrieval, pages 191197, 1999.
• Claudia Leacock and Martin Chodorow. Combining
  local context and wordnet similarity for word
  sense identication. An Electronic Lexical
  Database, pages 265283, 1998.
• G. Hirst and D. St-Onge. Lexical chains as
  representation of context for the detection and
  correction malapropisms, 1997.
• Philip Resnik. Semantic classes and syntactic
  ambiguity. In HLT '93 Proceedings of the
  workshop on Human Language Technology, pages
  278283, Morristown, NJ, USA, 1993. Association
  for Computational Linguistics.
• Jay J. Jiang and David W. Conrath. Semantic
  similarity based on corpus statistics and lexical
  taxonomy, 1997.
• Dekang Lin. An information-theoretic denition of
  similarity. In Proc. 15th International Conf. on
  Machine Learning, pages 296304. Morgan Kaufmann,
  Bibliographie 118 San Francisco, CA, 1998.
• Jimmy Lin and Dina Demner-Fushman. The role of
  knowledge in conceptual retrieval a study in
  the domain of clinical medicine. In SIGIR '06
  Proceedings of the 29th annual international ACM
  SIGIR conference on Research and development in
  information retrieval, pages 99106, New York, NY,
  USA, 2006. ACM Press.