@inproceedings{delichere-memmi-2002-analyse,
title = "Analyse Factorielle Neuronale pour Documents Textuels",
author = "Delich{\`e}re, Mathieu and
Memmi, Daniel",
editor = "Pierrel, Jean-Marie",
booktitle = "Actes de la 9{\`e}me conf{\'e}rence sur le Traitement Automatique des Langues Naturelles. Articles longs",
month = jun,
year = "2002",
address = "Nancy, France",
publisher = "ATALA",
url = "https://aclanthology.org/2002.jeptalnrecital-long.1",
pages = "33--42",
abstract = "En recherche documentaire, on repr{\'e}sente souvent les documents textuels par des vecteurs lexicaux de grande dimension qui sont redondants et co{\^u}teux. Il est utile de r{\'e}duire la dimension des ces repr{\'e}sentations pour des raisons {\`a} la fois techniques et s{\'e}mantiques. Cependant les techniques classiques d{'}analyse factorielle comme l{'}ACP ne permettent pas de traiter des vecteurs de tr{\`e}s grande dimension. Nous avons alors utilis{\'e} une m{\'e}thode adaptative neuronale (GHA) qui s{'}est r{\'e}v{\'e}l{\'e}e efficace pour calculer un nombre r{\'e}duit de nouvelles dimensions repr{\'e}sentatives des donn{\'e}es. L{'}approche nous a permis de classer un corpus r{\'e}el de pages Web avec de bons r{\'e}sultats.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="delichere-memmi-2002-analyse">
<titleInfo>
<title>Analyse Factorielle Neuronale pour Documents Textuels</title>
</titleInfo>
<name type="personal">
<namePart type="given">Mathieu</namePart>
<namePart type="family">Delichère</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Daniel</namePart>
<namePart type="family">Memmi</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2002-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 9ème conférence sur le Traitement Automatique des Langues Naturelles. Articles longs</title>
</titleInfo>
<name type="personal">
<namePart type="given">Jean-Marie</namePart>
<namePart type="family">Pierrel</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Nancy, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>En recherche documentaire, on représente souvent les documents textuels par des vecteurs lexicaux de grande dimension qui sont redondants et coûteux. Il est utile de réduire la dimension des ces représentations pour des raisons à la fois techniques et sémantiques. Cependant les techniques classiques d’analyse factorielle comme l’ACP ne permettent pas de traiter des vecteurs de très grande dimension. Nous avons alors utilisé une méthode adaptative neuronale (GHA) qui s’est révélée efficace pour calculer un nombre réduit de nouvelles dimensions représentatives des données. L’approche nous a permis de classer un corpus réel de pages Web avec de bons résultats.</abstract>
<identifier type="citekey">delichere-memmi-2002-analyse</identifier>
<location>
<url>https://aclanthology.org/2002.jeptalnrecital-long.1</url>
</location>
<part>
<date>2002-06</date>
<extent unit="page">
<start>33</start>
<end>42</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Analyse Factorielle Neuronale pour Documents Textuels
%A Delichère, Mathieu
%A Memmi, Daniel
%Y Pierrel, Jean-Marie
%S Actes de la 9ème conférence sur le Traitement Automatique des Langues Naturelles. Articles longs
%D 2002
%8 June
%I ATALA
%C Nancy, France
%G French
%F delichere-memmi-2002-analyse
%X En recherche documentaire, on représente souvent les documents textuels par des vecteurs lexicaux de grande dimension qui sont redondants et coûteux. Il est utile de réduire la dimension des ces représentations pour des raisons à la fois techniques et sémantiques. Cependant les techniques classiques d’analyse factorielle comme l’ACP ne permettent pas de traiter des vecteurs de très grande dimension. Nous avons alors utilisé une méthode adaptative neuronale (GHA) qui s’est révélée efficace pour calculer un nombre réduit de nouvelles dimensions représentatives des données. L’approche nous a permis de classer un corpus réel de pages Web avec de bons résultats.
%U https://aclanthology.org/2002.jeptalnrecital-long.1
%P 33-42
Markdown (Informal)
[Analyse Factorielle Neuronale pour Documents Textuels](https://aclanthology.org/2002.jeptalnrecital-long.1) (Delichère & Memmi, JEP/TALN/RECITAL 2002)
ACL