Bonjour à tous, Notre démonstrateur est accessible à partir de https://www-connex.lip6.fr/~amini/Demonstrateur/LIP6DocumentClusterizer J'ai filtré la nouvelle base que Denis nous a envoyé dernièrement; en enlevant les emails anglais et avec d'autres considérations fréquentistes je arrive à 6289 emails 'valides'. L'archive suivant contient: - la base d'emails traitée (septia_data_5_20080229.txt); les chiffres, les caractères spéciaux ainsi que les infos d'entête sont supprimés, - la matrice de comptage emails-termes, et - le vocabulaire http://www-connex.lip6.fr/~amini/EPTICA-V2.tgz Pour lancer le programme: - mettez les trois fichiers (vocab, matrice et texte) dans un répertoire - uploadez Les fichiers de données (la matrice septia_data_5_20080229.mat) et le vocabulaire (DicoEptica) et indiquez le nombre de clusters de mots. Le temps de traitement avec un nombre de clusters <=25 est de l'ordre de 2mn (il me semble d'ailleurs que 20 à 25 clusters de mots donnent un bon aperçu du contenu) Dans la nouvelle fenetre (ClsTrm.php) -uploadez le fichier texte septia_data_5_20080229.txt et saisissez le nombre de clusters d'emails (avec un nombre <=10 le temps de traitement est < à 2mn) Thierry et Denis voulez-vous tester le programme et me donner vos commentaires? Je pense qu'on peut améliorer l'affichage des emails: serait-il possible d'avoir un format plus propre xml au lieu de csv? Amicalement, Massih -- Massih-Reza AMINI LIP6 - Département DAPA 104, Avenue du Président Kennedy - 75016 Paris http://www-connex.lip6.fr/~amini/ tel : (33) 1 44 27 37 92 fax : (33) 1 44 27 70 00