Une très grande confusion règne autour du mot « sémantique » qui est utilisé à toutes les sauces dès qu’il s’agit de moteurs de recherche, et force est de constater que les discours marketing des acteurs ne vont pas dans le sens de la clarté. Fabrice LACROIX, Président d’Antidot éclaircit les choses pour nous.

Une très grande confusion règne autour du mot « sémantique » qui est utilisé à toutes les sauces dès qu’il s’agit de moteurs de recherche, et force est de constater que les discours marketing des acteurs ne vont pas dans le sens de la clarté.

Tout d’abord, il y a l’indexation sémantique : celle qui consiste, lors de l’analyse d’un document, à rattacher chaque mot à un concept sous-jacent. Par exemple, pour le mot jaguar, il faut déterminer s’il s’agit du félin, de la voiture, de l’avion ou du système d’exploitation. Et ça, c’est compliqué. Tout d’abord, il faut une “liste” de concepts cibles (le sens qui est derrière le mot) pour pouvoir transformer le mot en concept. Il faut donc avoir modélisé tous les concepts. Autant dire que c’est peine perdue : cela sous entendrait que tout le monde pense de la même façon et se représente le monde à l’identique. Ensuite, il ne faut pas se tromper lors de l’analyse : faux amis, ambiguïté… Et d’ailleurs, tout ça est tellement compliqué que ça n’a jamais marché. C’est sans doute une des grandes errances et un Graal illusoire des moteurs de recherche des années 80-90. Les acteurs de ce domaine se sont dès lors fixé des objectifs plus modestes, mais dont les résultats sont plus probants : extraction d’entités nommées, data mining, etc.

Puis il y a l’extension sémantique. Là, plus de concepts, mais seulement des vocabulaires : dictionnaires de synonymes, thésaurus, taxinomies. Le principe est simple : élargir la recherche de l’utilisateur en exploitant les synonymes (même sens), les hyperonymes (sens plus large : véhicule est hyperonyme de voiture et camion) et les hyponymes (sens plus réduit). Et donc, si l’utilisateur cherche une chemise verte, il est de bon ton de lui remonter aussi des chemises kaki ou émeraude. C’est ça l’extension sémantique : étendre la recherche de l’utilisateur en appliquant des dictionnaires. Et si possible uniquement du vocabulaire spécifique à domaine et à un objectif fonctionnel afin de ne pas introduire de bruit. Cette méthode, associée à des traitements linguistiques de type lemmatisation, a largement pris le pas sur les autres car elle offre à la fois de bonnes performances tout en garantissant un coût de mise en œuvre et de maintenance réduit.

Il y a aussi l’indexation sémantique latente (LSI : Latent Semantic Indexing). C’est une approche mathématique datant des années 80 qui a pour objectif d’analyser la relation entre les mots dans le contexte des documents. Le LSI permet ainsi de mettre en évidence que le mot jaguar apparaît dans certains cas en même temps que les mots avion, vol, combat, sepecat… ; dans d’autres cas avec les mots félin, carnivore, prédateur, forêt… ; ou encore avec les mots voiture, rapide, moteur, luxe… Ces différentes corrélations et leurs disjonctions permettent de déduire que le mot jaguar est polysémique (a plusieurs sens) et qu’il convient donc de catégoriser les réponses en fonction de ces sens, voire même d’offrir à l’utilisateur la possibilité de préciser sa recherche pour lever l’ambigüité. Le LSI a cependant montré de nombreuses limites (modèle non génératif, passage à l’échelle…) mais il a relancé l’intérêt de la communauté scientifique pour les méthodes purement mathématiques appliquées au traitement de la langue. Avec le PLSI (probabilistic latent semantic indexing) et le LDA (Latent Dirichlet Allocation), de nouvelles approches statistiques particulièrement prometteuses se dessinent.

J’en arrive enfin au web sémantique. Et c’est certainement là que règne la plus grande confusion. Car contrairement à ce que le mot « sémantique » laisse suggérer, il ne s’agit pas pour les moteurs de recherche de découvrir les concepts et le sens caché des textes. Bien au contraire. Il s’agit d’expliciter manuellement le sens des informations afin que les ordinateurs puissent les exploiter de façon automatique, sans ambigüité et à grande échelle. Prenons un exemple : sur le site web d’un restaurant on trouve l’information “ouvert tous les jours sauf le lundi hors période scolaire”. Cette phrase est déjà ambiguë pour un humain (”hors période scolaire” s’applique-t-il à “tous les jours” ou à “sauf le lundi” ?) ; mais elle est franchement inexploitable en tant que telle par un moteur de recherche qui vient lire cette page. L’idée sous jacente au web sémantique est donc qu’il faut ajouter dans la page web des informations formelles (grâce à des balises invisibles à l’utilisateur) afin que les logiciels de recherche puissent collecter cette information et l’exploiter.

Le web sémantique est très loin de l’indexation sémantique et des promesses de l’intelligence artificielle des années 80. Pas d’analyse du sens caché, pas de réponse miracle à une question exprimée en langage naturel. Mais c’est sans doute en cela qu’il peut tenir ses promesses. Et comme l’avoue Tim Berners Lee, le mot web sémantique est mal choisi (par lui même) car sujet à trop d’incompréhension, et il suggère d’employer maintenant l’expression « web of data » : le web des données.

Fabrice LACROIX, Président d’Antidot