Apprentissage d'ordonnancements en Recherche d'Information Structurée
Résumé
Nous présentons un modèle d’apprentissage pour la Recherche d’Information Structurée qui ajuste automatiquement ses paramètres grâce à un ensemble d’exemples étiquetés composé de requêtes et de jugements de pertinence sur un ensemble de parties de documents. Notre modèle améliore la performance d’un système de base de Recherche d’Information en optimisant un critère de coût d’ordonnancement et en combinant des scores calculés sur des parties de documents et leur contexte structurel. Nous analysons la performance de notre algorithme sur la collection INEX et nous le comparons au modèle de base qui est une adaptation d’Okapi pour la Recherche d’Information Structurée.