Recherche sémantique dans un corpus de veille : ce qu'elle apporte, ce qu'elle dégrade

Deux logiques de recherche, deux promesses

Un corpus de veille alimenté depuis plusieurs années accumule une masse de documents que la seule recherche par mot-clé peine à exploiter pleinement. Un analyste qui cherche une idée déjà traitée, mais formulée avec d'autres termes que ceux qu'il saisit, ne la retrouve pas si le corpus n'est interrogé que par correspondance littérale. C'est ce manque que la recherche dite sémantique, fondée sur une représentation vectorielle du contenu, vient combler, en rapprochant des documents sur la proximité de leur sens plutôt que sur la présence des mêmes mots.

Cet apport a un coût qu'il faut connaître avant de l'adopter sans réserve : la recherche sémantique dégrade, par construction, le contrôle exact du périmètre interrogé, ce que la recherche par mot-clé garantissait. Comprendre cette bascule permet de décider où et comment introduire ce mode de recherche dans un corpus de veille, sans sacrifier ce que le mot-clé apportait.

Ce que la représentation vectorielle apporte réellement

Le principe de la recherche sémantique consiste à représenter chaque document, et chaque requête, sous une forme qui capture une proximité de sens plutôt qu'une correspondance de termes. Deux formulations différentes d'une même idée, deux synonymes rarement rapprochés par un simple index de mots, deux documents qui traitent du même sujet avec un vocabulaire distinct : ce type de recherche les rapproche, alors qu'une recherche par mot-clé stricte les aurait traités comme sans rapport l'un avec l'autre.

Cet apport se révèle particulièrement utile pour retrouver, dans un corpus ancien, une analyse dont l'analyste ne se souvient que de l'idée générale, sans se rappeler la formulation exacte employée à l'époque. Il aide également à rapprocher des documents rédigés dans des styles ou des registres différents, par exemple un compte rendu institutionnel et un article de synthèse, qui abordent un même fait sans partager le même vocabulaire.

Ce qu'elle dégrade : le contrôle exact du périmètre

La contrepartie de cette proximité de sens est une perte de contrôle sur l'exactitude du périmètre renvoyé. Une recherche par mot-clé garantit, par construction, que chaque résultat contient bien le terme recherché. Une recherche sémantique ne garantit rien de tel : elle renvoie des documents jugés proches par le sens, ce qui peut inclure des résultats qui n'emploient jamais le terme recherché, mais peut tout aussi bien exclure un document qui l'emploie explicitement, si sa représentation globale est jugée éloignée de la requête.

Cette dégradation du contrôle exact pose un problème particulier pour les usages qui exigent l'exhaustivité stricte sur un périmètre défini, par exemple identifier chaque occurrence d'un nom d'entité précis dans un corpus, où l'approximation sémantique introduit à la fois du bruit et des omissions que le mot-clé, seul, ne produirait pas.

Le faux choix entre mot-clé et sens

Face à cette tension, la tentation consiste à trancher : adopter la recherche sémantique pour sa souplesse, ou s'en tenir au mot-clé pour sa rigueur. Ce choix binaire ignore que les deux modes répondent à des besoins différents, rarement interchangeables. Le mot-clé convient à une recherche dont le périmètre doit être exact et vérifiable, comme un contrôle de conformité ou une revue exhaustive d'un sujet délimité. La recherche sémantique convient à une exploration dont l'objectif est de retrouver une idée plutôt qu'un terme, notamment lorsque l'analyste ne sait pas précisément comment cette idée a été formulée dans le corpus.

Traiter ces deux modes comme concurrents, plutôt que comme complémentaires, conduit soit à renoncer à la souplesse que le sens apporte, soit à perdre la rigueur que seul le mot-clé garantit, alors qu'un corpus de veille a besoin des deux selon la nature de chaque recherche.

Une combinaison qui préserve les deux

La solution la plus robuste consiste à faire cohabiter les deux modes plutôt qu'à en choisir un seul pour l'ensemble du corpus. Une recherche hybride commence en général par une interrogation par mot-clé, pour délimiter avec certitude un premier ensemble de documents pertinents, puis applique une recherche sémantique à l'intérieur ou en complément de cet ensemble, pour élargir aux formulations voisines sans perdre la rigueur du premier filtre.

Cette combinaison peut aussi s'appliquer en sens inverse selon le besoin : une exploration sémantique large en premier lieu, suivie d'une vérification par mot-clé sur les résultats retenus, pour confirmer que les documents jugés proches par le sens contiennent bien, ou non, les termes qui comptent pour la décision finale. Le choix de l'ordre dépend de la nature de la recherche, mais l'essentiel tient à ne jamais s'en remettre à un seul des deux modes pour une recherche dont l'exhaustivité importe.

Où placer chaque mode dans un flux de veille

Dans un flux de veille courant, la recherche par mot-clé garde sa place pour la surveillance d'un périmètre défini, où chaque occurrence compte et où l'analyste doit pouvoir justifier l'exhaustivité de ce qui a été couvert. La recherche sémantique trouve sa place dans les phases d'exploration, de constitution d'un dossier de fond ou de recherche d'antécédents, où l'objectif est de rassembler tout ce qui touche à une idée plutôt que de vérifier la présence d'un terme précis.

Cette répartition évite l'écueil le plus fréquent, qui consiste à généraliser la recherche sémantique à l'ensemble d'un corpus sans distinguer les usages, au motif qu'elle paraît plus moderne ou plus confortable. Un corpus de veille gagne à conserver les deux modes actifs, choisis selon la nature de chaque recherche, plutôt qu'à basculer entièrement vers l'un ou l'autre.

Cette répartition suppose aussi de former les analystes à reconnaître, face à une recherche donnée, lequel des deux modes convient le mieux, plutôt que de laisser chacun choisir par habitude ou par préférence personnelle. Une consigne simple, écrite et partagée par l'équipe, sur les usages qui appellent le mot-clé et ceux qui appellent le sens, évite que le choix du mode ne dépende de la seule sensibilité de l'analyste du moment.

Ce que l'observation du secteur enseigne

L'Observatoire de l'Intelligence Économique relève, dans son suivi des pratiques documentaires, que les corpus de veille les mieux exploités sont ceux où les deux modes de recherche coexistent explicitement, plutôt que ceux où un mode a remplacé l'autre par choix d'outillage. La difficulté ne vient pas de la technologie elle-même, mais de l'absence de règle claire sur le moment où utiliser l'un plutôt que l'autre.

NewsCore, sur www.newscore.fr, relie les articles qui traitent d'un même sujet au delà de leur formulation exacte, ce qui rapproche des publications que la seule recherche par mot-clé aurait laissées disjointes.

Questions fréquentes

La recherche sémantique remplace t elle la recherche par mot-clé dans un corpus de veille ? Non, elle la complète pour les usages d'exploration, mais ne garantit pas l'exhaustivité stricte qu'exige un contrôle de périmètre défini, où le mot-clé reste la méthode de référence.

Peut on combiner les deux modes sur un même corpus sans double infrastructure ? Oui, la plupart des dispositifs récents permettent d'interroger un même corpus avec les deux approches, à condition que l'indexation ait été pensée pour les supporter conjointement dès l'origine.

Pourquoi une recherche sémantique peut elle manquer un document qui contient pourtant le terme recherché ? Parce qu'elle classe les documents selon une proximité de sens globale, qui peut juger un document éloigné du sujet même s'il emploie ponctuellement le terme recherché dans un contexte jugé secondaire.

Faut il privilégier la recherche sémantique pour les recherches les plus anciennes d'un corpus ? Elle y rend souvent service, car la formulation des sujets évolue avec le temps, mais elle doit rester complétée par une vérification par mot-clé quand l'exhaustivité de la période couverte doit être garantie.