Msdm : un modèle générique pour les documents multi-structurés

MSDM : un modèle générique pour les documents multi-structurés

• Noureddine CHATTI

• Sylvie CALABRETTO

• Jean-Marie PINON

• {Prénom.Nom}@insa-lyon.fr

• LIRIS-INSA de Lyon

Sommaire

• La problématique

• État de l’art

• Le modèle de documents multi-structurés MSDM

• Le formalisme MultiX

• Interrogation des documents MultiX

• Conclusion

• Perspectives

La problématique

La problématique : Exemple des textes réglementaires de la CAF (1)

• Une structure logique pour l’affichage du document

La problématique : Exemple des textes réglementaires de la CAF (2)

• Une structure sémantique pour faire des inférences

La problématique : Exemple des textes réglementaires de la CAF (3)

• Chaque structure est encodée séparément au format XML

• Inconvénients :

• Redondance au niveau du contenu
• Difficulté de mise à jour
• Risque d’incohérence entre les contenus des structures

État de l’art

• Option CONCUR de SGML (plusieurs DTDs pour un même document) [ISO 86]

• TEI (Recommandations pour l’encodage d’hiérarchies multiples en XML) [TEI 02]

• Des syntaxes spécifiques : MECS, TexMECS, LMNL, …

• Utilisation de RDF grâce à son modèle de graphe [Tummarello 05]

• Le modèle de graphe GODDAG [SPE 00] [DEK 05]

• Matérialisation via une structure DOM
• Extension de XPath pour l’accès aux nœuds des différents structures

Le modèle de documents multi-structurés : MSDM

• Un document multi-structuré est défini par:

• Un ensemble de structures documentaires (SD)
• Ce sont les structures d’usages du document
• Une structure de Base (SB) :
• Organisation du contenu en vue de son partage par les structures documentaires
• Décomposition du contenu en fragments disjoints
• Un ensemble de relations de correspondances entre les structures

Le modèle de documents multi-structurés : MSDM (Les correspondances)

• Deux types de correspondances

• SDSB : correspondance entre une structure documentaire et la structure de base
• Permet d’associer un contenu à un élément d’une structure documentaire
• SDSD : correspondances entre deux structures documentaires
• Permet d’expliciter des relations particulières entres les structures documentaires
• Exemple : synonymie entre les labels de deux éléments de deux structures différentes

Le modèle de documents multi-structurés : MSDM (illustration)

Le formalisme MultiX

• Une application XML

• Un document MultiX est un document XML bien formé

• Basé sur le modèle MSDM

• Objectifs :

• Matérialisation des relations entre les structures
• Éviter la redondance du contenu

Le formalisme MultiX

• Structure générale d’un document MultiX

Le formalisme MultiX Exemple de document multi-structuré

• Un fragment d’un manuscrit ancien

Le formalisme MultiX Exemple de document multi-structuré

• Structure physique des lignes

Le formalisme MultiX Exemple de document multi-structuré

• Structure lexicale

Le formalisme MultiX Exemple de document multi-structuré

• Structure des caractères endommagés

Le formalisme MultiX Exemple de document multi-structuré

• Structure des régions textuelles

Le formalisme MultiX Exemple de document multi-structuré

• Schéma global du document multi-structuré

Le formalisme MultiX La structure de base

• Deux parties :

• Un ensemble de fragments de contenu disjoints (le plus petit ensemble de fragments recouvrants les PCDATAs des structures documentaires)
• Balise msd:fragments
• Des compositions de contenu (les PCDATAs) à partir des fragments disjoints
• Balise msd:compositions

Le formalisme MultiX La structure de base (l’exemple du document ancien)

• L’ensemble des fragments disjoints

Le formalisme MultiX La structure de base (les compositions)

• Rôle :

• Reconstruire les PCDATAs fragmentés à partir de l’ensemble des fragments disjoints

• Concaténation des fragments textuels en gérant l’insertion des espaces blancs

• Exemple :

• …
• …
• Permet de reconstruire la chaîne de caractères "hu þu me hæfst afrefredne æg"

Le formalisme MultiX La structure de base (les compositions)

• Gestion de l’insertion des espaces blancs par un codage spécifique (valeur de l’attribut idrefs)

• La valeur de idrefs est une séquence d’identificateurs de fragments séparés par :

• Un espace  concaténation avec insertion d’un espace au milieu
• idrefs="F1 F2"  permet de composer la chaîne "hu þu"
• Le caractère "="  concaténation classique (sans insertion d’espèce blanc)
• idrefs="F3=F4"  permet de composer la chaîne "me"

Le formalisme MultiX La structure de base (les compositions)

• On utilise le symbole "%" pour insérer un espace blanc au début ou/et à la fin d’une composition

• Exemple :

• Reconstitution du contenu de l’élément line suivant :
• ce, ge mid þinre wynsumnesse þines
• Si le caractère "," n’est pas géré dans SB  deux compositions sont nécessaires :
• Chaîne référencée : "ce"
• Chaîne référencée : " ge mid þinre wynsumnesse þines"

Structures documentaires et relations de correspondance – Les correspondances SDSB

• Origine de la correspondance : l’emplacement dans une SD du contenu fragmenté

• Cible de la correspondance : une composition dans SB

• Deux formes :

• Interne : définition à l’origine de la correspondance
• Externe : à l’extérieur de la structure documentaire source
• Localisation de l’origine de la correspondance par l’insertion d’un ancre (élément msd:anchor)
• Définition de la correspondance à l’intérieur de l’élément msd:correspondences
• …

Structures documentaires et relations de correspondance – Les correspondances SDSD

• Même syntaxe que les correspondances SDSB mais pas la même sémantique

• Origine de la correspondance : un élément d’une SD

• Cible de la correspondance : un élément d’une autre SD

• Deux formes : Interne et Externe

Structures documentaires et relations de correspondance – Les correspondances SDSD

• Exemple :

• Localisation des sources/cibles par des ancres

Interrogation des documents multi-structurés

• Des besoins d’interrogation spécifiques

• Exploration des relations entre les structures

• Exemple de requête :

• Trouver tous les mots qui sont coupés en fin de ligne

• Nécessité d’un langage d’interrogation adapté aux documents MultiX

• Extension de XQuery (bibliothèque de fonctions pour les documents MultiX)

Interrogation des documents multi-structurés Extension de XQuery

• Q1 : Trouver tous les mots endommagés, c'est-à-dire composés seulement de caractères endommagés

• En XQuery :

Interrogation des documents multi-structurés Extension de XQuery

• Q2 : Trouver tous les mots qui sont coupés en fin de ligne dans le texte original

• En XQuery :

Interrogation des documents multi-structurés Extension de XQuery

• Q3 : Trouver les mots qui contiennent des caractères restaurés. Indiquer pour chaque mot trouvé les caractères restaurés qu’il contient et la localisation de la ligne contenant ce mot sur l’image du manuscrit.

• En XQuery :

• Résultat de Q3 :

Conclusion

• Avantages

• Un formalisme basé sur le modèle générique MSDM
• Une syntaxe XML (simplicité et portabilité)
• Élimination de la redondance du contenu (structure de base)
• Les squelettes des structures documentaires ne changent pas
• La localisation par ancre permet de faciliter la gestion de l’évolution des documents multi-structurés
• Corrélation entre les différentes structures grâce aux relations de correspondance
• Interrogation plus efficace au moyen d’un langage adapté

• Inconvénients

• Les documents MultiX sont difficiles à créer manuellement
• Un processus totalement automatisé est également très difficile à mettre au point
• Nécessite un important effort de programmation pour parser les documents MultiX

Perspectives

• Amélioration du parseur MXP (Multi-XML Parser) pour faciliter la création des documents MultiX à partir de fichiers XML existants

• Compléter la bibliothèque de fonctions XQuery

• Création d’un parseur permettant d’analyser les documents MultiX

• Intégration de tous les outils dans un environnement de gestion de documents multi-structurés