E. Architecture, 57 4.2 Segments en erreurs pour les MVS et les bi-grammes de mots, p.59

R. Précision, Fscore obtenus par les deux classifieurs naïfs, p.73

R. Précision and .. Fscore-obtenu-par-mixage, 77 5.14 AUC obtenu en fonction du découpage de l'offre d' 82 5.16 AUC obtenus sur le corpus Mission18 Résultats avec extraction de terminologie nominale sur le Corpus Mission. 84 5.19 Résultats avec pondération de la terminologie sur le Corpus Mission. . . . 85 5.20 Comparaison de résultats entre Tf et Tf-idf avec et sans lemmatisation, 85 5.21 Comparaison de résultats entre les différentes tailles de n-grammes . . . 86 5.22 Missions conservées pour composer le Corpus Mission RF . . . . . . . . . 88 5.23 Scores obtenues en fonction de chaque taille de, p.89

. Précision, Rappel Fscore du système SVM_R pour la tâche 1, p.112

. .. Matrice-de-confusion-pour-simplekmeans-et-farthestfirst, 116 (Vapnik, 1995) V. Vapnik, 1995. The Nature of Statistical Learning Theory

. Vinot, Application d'algorithmes de classification automatique pour la détection des contenus racistes sur l'internet, pp.275-284, 2003.

). A. Viterbi, Error bounds for convolutional codes and an asymptotically optimal decoding algorithm, les actes de IEEE Transactions on Information Processing, pp.260-269, 1967.

. Watanabe, A question answer system using mails posted to a mailing list, Proceedings of the 2004 ACM symposium on Document engineering , DocEng '04, pp.67-73, 2004.
DOI : 10.1145/1030397.1030412

. Widrow, ). G. Hoff, M. Widrow, and . Hoff, Adaptive switching circuits, Institute of Radio Engineers, Western Electronic Show and Convention, pp.96-104, 1960.

F. H. Witten, E. Witten, and . Frank, Data mining, ACM SIGMOD Record, vol.31, issue.1, 1999.
DOI : 10.1145/507338.507355

). H. Zaragoza, Modèles Dynamiques d'Apprentissage Numérique pour l'Accès à l'Information Textuelle, Thèse de doctorat, 1999.