Skip to content
Retour aux résultats

Classification de texte — Catégorisation de texte

Type
Supervised NLP classification task

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La classification de texte, également appelée catégorisation de texte, est une tâche d'apprentissage automatique supervisé du traitement automatique du langage naturel qui attribue automatiquement des documents à des catégories prédéfinies.

S'appuyant sur l'approche des machines à vecteurs de support pour la catégorisation de texte établie par Joachims (1998) et consolidée dans la littérature sur l'exploration de texte par Aggarwal et Zhai (2012), elle permet des tâches telles que la détection de spam et la classification thématique en apprenant à partir d'exemples étiquetés.

L’intuition derrière la méthode

Lorsque vous avez de nombreux documents qui appartiennent chacun à l'une d'un ensemble fixe de catégories, leur tri manuel n'est pas évolutif. La classification de texte apprend les modèles qui séparent une catégorie d'une autre à partir d'un ensemble d'exemples déjà étiquetés, puis applique ces modèles pour étiqueter automatiquement de nouveaux documents non vus — un peu comme enseigner à un trieur en lui montrant des tas déjà triés et en le laissant classer le reste.

Histoire

La classification de texte est devenue un problème de référence en apprentissage automatique grâce à Joachims (1998), qui a montré que les machines à vecteurs de support gèrent bien les nombreuses caractéristiques pertinentes de la catégorisation de texte. Aggarwal et Zhai (2012) ont ensuite consolidé le domaine dans la littérature plus large sur l'exploration de texte, et la tâche reste un élément fondamental du traitement automatique du langage naturel appliqué.

Quand l’utiliser

Utilisez la classification de texte lorsque vous avez des données textuelles triées en catégories prédéfinies et un ensemble d'entraînement étiqueté pour apprendre. Elle nécessite au moins environ 100 documents étiquetés, et une distribution de classes équilibrée est préférée afin que le classifieur puisse apprendre chaque catégorie. Avec moins d'environ 100 documents, le classifieur a tendance à surajuster, donc une approche de classification zéro-shot est plus sûre ; sans aucune donnée textuelle, la méthode ne peut pas fonctionner et la classification générale sur des variables catégorielles est l'alternative.

Limites et points d’attention

  • Nécessite des données d'entraînement étiquetées, qui peuvent être coûteuses à produire.
  • Une distribution de classes équilibrée est préférée ; des classes déséquilibrées rendent certaines catégories difficiles à apprendre.
  • Nécessite un corpus de taille raisonnable (environ 100 documents ou plus) pour éviter le surajustement.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Automatise l'étiquetage de grandes collections de documents qu'il serait peu pratique de trier manuellement.
  • S'adapte à de nombreuses tâches — détection de spam, classification thématique et problèmes de catégorisation similaires — via le même pipeline supervisé.
  • Apprend des modèles spécifiques au domaine directement à partir d'exemples étiquetés plutôt que de s'appuyer sur des règles fixes.

Applications

  • Détection de spam — séparation des messages indésirables des messages légitimes.
  • Classification thématique — routage de documents ou d'articles dans des catégories de sujets.
  • Organisation et triage de grandes collections de documents par catégorie.
  • Tâches de prédiction et de classification dans les domaines de la santé, des sciences sociales, de l'éducation, de l'ingénierie, des sciences naturelles et des affaires, sur des corpus textuels.

Comment ça marche

Comment ça marche

1

Commencez par un corpus de documents où chaque exemple porte déjà l'une des étiquettes de catégorie prédéfinies. Ces données d'entraînement étiquetées sont le fondement de la tâche supervisée ; plus la distribution des classes est équilibrée, plus le classifieur apprend chaque catégorie de manière fiable.

2

Le texte brut est nettoyé et standardisé afin que les documents deviennent comparables : le bruit est supprimé et le contenu est normalisé et segmenté en unités analysables. Sauter cette étape permet aux jetons bruyants de dégrader tout ce qui suit.

3

Le texte nettoyé est transformé en caractéristiques numériques que le classifieur peut lire — par exemple, des représentations de fréquence de termes qui capturent les mots qui distinguent les catégories. Cela convertit les mots en nombres sur lesquels l'algorithme d'apprentissage opère.

4

Un classifieur supervisé est ajusté sur les données d'entraînement étiquetées et vectorisées, apprenant l'association entre les caractéristiques textuelles et les étiquettes de catégorie afin de pouvoir attribuer une étiquette à chaque nouveau document.

5

Le modèle entraîné est évalué sur des données étiquetées mises de côté et ses erreurs de classification sont inspectées avant le déploiement. Parce que les classes déséquilibrées rendent la précision brute trompeuse, les performances sont jugées sur les catégories que le modèle est censé séparer.

Pièges courants

  • L'entraînement sur trop peu de documents (moins d'environ 100) provoque un surajustement sur le petit ensemble d'entraînement ; préférez une approche de classification zéro-shot à la place.
  • Sauter le prétraitement du texte permet aux jetons bruyants de dégrader les caractéristiques et le modèle.
  • Les classes déséquilibrées rendent la précision brute trompeuse ; inspectez les performances par catégorie plutôt que de vous fier à une seule mesure de précision.
  • Appliquer la méthode lorsqu'il n'y a aucune donnée textuelle — revenez à la classification générale sur des variables catégorielles.

Questions fréquentes

Quelle quantité de données étiquetées me faut-il ?

Prévoyez au moins environ 100 documents étiquetés. En dessous, le classifieur a tendance à surajuster le petit ensemble d'entraînement, donc une approche de classification zéro-shot est le choix le plus sûr.

L'équilibre des classes est-il important ?

Oui. Une distribution de classes équilibrée est préférée afin que le classifieur puisse apprendre chaque catégorie de manière fiable. Avec des classes déséquilibrées, jugez les performances par catégorie plutôt que de vous fier à la précision globale.

Et si je n'ai pas de données textuelles ?

La classification de texte ne peut pas fonctionner sans texte. Si vos variables sont catégorielles à la place, utilisez des méthodes de classification générales sur ces données structurées.

En quoi est-ce différent du regroupement de documents ?

La classification de texte est supervisée : elle attribue des documents à des catégories prédéfinies apprises à partir d'exemples étiquetés. Le regroupement de documents est non supervisé et regroupe des documents similaires sans étiquettes prédéfinies.

Méthodes associées

Sources

  1. Joachims, T. (1998). Text Categorization with Support Vector Machines: Learning with Many Relevant Features. ECML 1998. Lecture Notes in Computer Science, vol 1398. Springer.

    Ouvrir la référence DOI
    Copié.
  2. Aggarwal, C. C. & Zhai, C. (2012). Mining Text Data. Springer.

    ISBN : 978-1-4614-3222-7
    Copié.