Discussion :

[der§en]

Bonjour,

Je cherche une idée / algo pour extraire les mots intéressant (pas les verbes, plutôt les mots technique) d’un texte afin de favoriser le classement et la recherche.

Auriez-vous une idée / suggestion, pour m’orienter vers une solution ?

Merci d’avances de vos retours.

[ShaiLeTroll]

En fait, le plus simple c'est plutôt de constituer la blacklist des pronom personnel (le, la, les), les conjonctions de coordination (mais ou est donc or ni car) ... tu as quoi 150 mots dedans.

Le reste, tu extraits les mots, tu peux les nettoyer au passage, suppression accent, suppression ligature, passage en majuscule.
Tu stockes un grand index de mot et une table de jointure pour indiquer dans quel texte c'est à quel endroit.

Lors de la recherche, tu appliques le même nettoyage sur les mots recherchés.



C'est une technique très simple voire simpliste de la recherche Full Text, il y a bien mieux mais mathématiquement plus compliqué.
Par exemple, il y a des outils comme SolR ou ElasticSearch (on a remplacé le second par le premier dans nos outils)


Demain, je pourrais te donner un zip de 2004 où j'ai fait ce travail sur les fichiers NX CCAM.
J'ai construit l'indexation des mots lié à l'arbre des nomenclatures CCAM.

[Andnotor]

Ou peut-être l'inverse : chercher les mots précédés par le, la, un, des, ... (pronoms ou nombres).

[der§en]

@ShaiLeTroll: je suis intéresser par le code proposé.

@Andnotor: je vais aussi voir ce que pourrais donner ton approche.

Merci pour vos pistes que je vais creuser