Résumé

Les requêtes médicales sont souvent étiquetées par le type du modèle de recherche estimé donnant les meilleures performances selon des experts du domaine. Dans un travail pré- cédent, nous avons proposé d’automatiser cette tâche d’étiquetage (de classification) manuelle. Dans ce papier, nous proposons une nouvelle approche de classification qui apprend automati- quement à associer à chaque requête l’étiquette du modèle de recherche le plus adéquat. Plus précisément, nous générons un ensemble de règles d’association combinant certaines carac- téristiques des requêtes et les étiquettes des modèles de recherche. Ensuite, les requêtes dont les règles d’association remplissent les conditions seront étiquetées par les règles. Les autres, peuvent être automatiquement étiquetées en se référant à certaines caractéristiques spécifiques.

Abstract

Frequently, medical queries are labeled with the best suitable image retrieval model. This manual classification is done by domain experts. In this paper, we propose a new approach to automatically learn how to classify medical queries into a set of retrieval models. First, we generate a set of class association rules which combine query features with image retrieval models. Then, we select the rules that allow the best matching of the query. If there is matching, then associate the query with class’s rule, otherwise the query will be classified into the default class.