Int ern at i onal  Journ al of Ele ctrical  an d   C om put er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   6 ,  Decem ber   201 9 , p p.   5016 ~ 5023   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 9 i 6 . pp5016 - 50 23           5016       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   A  g raph - b ase d  a pp ro ach  for  t ext  q uery  e xp ansion  u sing  p seudo  r ele va n ce  f ee db ack and  a ssociatio n  r ules   m ini n g       Siham J ab ri ,  Az z eddine Dahbi ,  Ta oufiq   Ga di   La bora tor y   Infor m at ic s,  Im agi ng  and  Model li ng  o f  Com ple x  S y s tem s,  Facul t y   of  S ci en ce a nd  Tech nolog y ,     Hass an  1 st   Univ ersity   Se tt a t, Morocc o       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   N ov   17 , 20 18   Re vised  Me i   31 , 2 01 9   Accepte d  J un   27 , 201 9       Ps eudo - rel eva n c e  fee dba ck  is  a  quer y   expa nsion   appr oac h  whos e  te rm s  are   sele c te d  from   a  set  of  top  ran ked  ret ri eve d  do cuments  in  response  to  th e   origi nal   qu er y .     How eve r,   the   se le c te d  te rm s  will  not  be  rel ated  t o  the   quer y   if  the   top  ret r ie ved  documen ts  are   irre le v a nt.   As   a  result ,   re tr ie va l  per form anc e   for   the  expa nd ed  quer y   is  no t  i m prove d,   comp are d  to  th e   origi nal  one .   This   pape r  suggests   the   use   of  do cu m ent s  sele c te d   u sing  Ps eudo   Rel ev anc e   Feed bac k  for  g ene r a ti ng  associ at ion   rule s.  Thus,   a n  al gori thm  base d  on  dom i nanc e   relati ons   is   applied.  T hen  the  strong   cor re la t ions  bet wee n  qu er y   a nd  othe r  te rm s  are   de te c te d ,   an d  an  orie nt ed  an d  weight e d   gra ph  ca l le d  Ps eudo - Graph  Fee dbac k  is  construc te d .   Thi s  gra ph   serve s  for   expa nding   original  qu eri es  b y   term s  rel at ed   sem ant i ca l l y   and   sel ec t ed  b y   th e   user.   The   r esults   of  the   expe ri m ent s  on  Te xt  Ret ri eva l  Conf er enc e  ( TRE C)   col l ec t ion  ar e  v e r y   sign ifi c ant,  a nd  best  r esult s  a re  a chi ev ed  b y   t he  proposed   appr oac h   compa red   to   both   the b ase li n e  s y s te m   a nd  an exi sting   t e chni que .   Ke yw or d s :   Associ at ion   r ules   Do m inance  r el at ion s   Inform at ion   r et rieval   Pseudo - g ra ph  f eedb ac k   Qu e ry  e xp a ns i on   TREC   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Siham  Jab ri,    Lab or at ory  In f or m at ic s,  Im ag ing  a nd  M od el l ing   of Com plex  Syst em s ,   Faculty  of S ci e nce a nd Tec hnology,  Hassa n 1 st   U niv e rsity ,   577  C asa blanc a Roa d,   Sett at , Mo r occo .   Em a il :  si.jab ri @uh p. ac.m a       1.   INTROD U CTION   The  I nfo rm ati on   Re trie val  ( IR)   dom ai n   is   as  old   as  the   com pu te rs  th e m sel ves ,   its   s yst e m s  are   or i gin al ly   desi gn e d  i n  order   t o  a uto m at e  the  docum ents  m a nag em ent  by  st or i ng   a   colle ct ion  of  them   as  ind e x,  then  retrievi ng   inf or m at ion   for  m app ing   t he  us er ’s  qu e ry  to   a  set   of   a sso ci at ed  doc um ent s.  W it h  t he  a dvent  of   the  I nternet ,  th e  vo l um e  of   do cum ents  and   th e  nu m ber   of   pe op le   to   m anag e  hav e   increa s ed  ex pone ntial ly   and  value d  at   hundre ds   of  m illio ns.  As  res ult,   the  we b  sea r ch  has  bec ome   a  sta nda rd  s ource  of  in for m at ion   fin ding.  T his  gro wth o f data   w as a nd sti ll  is a b i g  c halle ng e f or  i nfor m at i on r et rie val sys tem s.    Most  qu e ries  are  short  an d  a m big uous  for   descr ibi ng   t he   relevan t  doc um ents  that  meet   the  us er   inf or m at ion   ne eds.  T his  is  t he   te rm   m is m at c h  pro blem   in  w hich   the  i nd e xe rs  a nd  the   us er s  do n’ t   us e   the   sam e   words f or  d e sc ribing the sam e idea. One o f t he  su ccess fu l t echn i qu e s to  ha nd le  the  prob l e m  o f  te rm   m is m at ch  is  to  re form ulate   the  ori gina l  qu e ry  by  a dding  relat ed  te r m s  that  descr i be  the   us e r  ne ed  a nd  ha ve  not  bee n  m entioned,  thi s  process  is  ca ll ed  Query  E xpan sio n  ( QE) . Qu e ry  Ex pa ns i on   m ay   be  do ne  in  dif fer e nt   ways:  m anu al , in te ra ct ive and a utom at ic . I nteracti ve qu e ry ex pa nsi on   proces s th at  involves b oth  the  syst em  a nd u se r   is  bette r  than  the  autom at ic   process ,  but  it   is  no t  feasibl e  to  involve   t he  us e r  in  m os t  of   the  ti m e  [ 1 ,  2 ] .    The  m os t   po pula r  te ch nique  i n  the   li te ratur e   is  to  de fine  w ord s   i n  a   vect or  s pace  a nd  givi ng   wei gh ts  t o  them .  Rocchi o  et   al   [ 3 ]   pro po s ed   a  cl assic al   re le van ce  fee db ack  m od el   to  fin d  te xt  si m ilarity   and   ide nt ify ing   rel eva nt  an d  non - rele van t  do cum ents.  Othe r   m et ho ds   for  re le van ce  feedba ck  an d  rankin g  us e d  co ntext ua l  and   word sim i la rity m od el le d  as c o - occ urren ce   [ 4 - 12] .    Evaluation Warning : The document was created with Spire.PDF for Python.
Int   J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       A g r aph - ba se d a pp r oac h  for  text  q ue ry ex pans io n usin g ps eudo re le va nce  feedb ack  and  . ..   ( Si ham  J abri)   5017   Pseudo   releva nce  fee db ac k  ( PRF )  is  one  of  us ef ul  te chn i ques  to  am eliorat e   retrieval  pe rfor m ance.   It  o btain s  the  exp a ns i on   te r m s   or   phrase s  from   the  top   ran ke d  ret rieve d  doc um ents  i n  res pons e  t o  a  give n  qu e ry.  H owev er,  if  the  doc um ents  us ed  f or  this  releva nc e  feedback  a re   irreleva nt,  the   sel ect ed  exp a ns io n  te rm s  i m pact  t he  retrieval  pe rfor m ance  ne ga ti vely   [ 13 ] .   Ar ia nn ez ha d  e t  al   [ 14 ]   pro pose d  a  ne w  a ppr oac h  wh ic h  c onsider   that  the  docu m ents  co ntaining  m or e  inf or m at ive  te r m s  fo r  PRF  s houl d  hav e   hi gh e r  relevanc e   scor e s.  Mo re over ,  an  it erati ve   al gorithm   is  pro vid e d  f or   e ns uri ng  the  sat isfact ion   of   t he   pro po se d   c onstrai nt   for  a ny  PRF   m od el .  In  this  reg a rd,  t he  al gorithm   cal culat es  the  fee db ac k  weig ht  of  te r m s  and   the   rel evan c e   scor e o f  fee dba ck  docum ents,  si m ultaneou sly .   Singh   et   al   [ 15 ]   pr ese nted  a n ew  fu zzy   lo gic - base d  Q E  m e thod   for  do c um ent  retrieval  bas ed  on   PRF  te chn i qu e s.  T his   ap proach  co m bin ed  the  B orda,  C ondorc et   and  reciprocal   wei gh ts  of   ca nd i da te   exp a ns io n  te rm s   and   pro du ce d  a  sin gle  fu zzy   weig ht   fo r  e ver y  ca ndidate   exp a ns i on   t er m .   Then   the  de gr ee  of   im po r ta nce  of   a  rele van t  te rm   is   ca lc ulate d,   an d  the  highe r  this  degree,   the  hi gh e r  the  chan ce   to  sel e ct   relevan t  te r m s  fo r  query  exp a ns i on.  F or  filt ering   out  irreleva nt  te rm s  from   cand i dates,  the   Fu zzy   log ic - ba sed  sem antic   si m il ari t y  al go rithm s  are  us ed .  Colac e  et   al   [ 16 ]   intr oduce d  a  new   te rm   extracti on   m e tho d  for  qu e ry  ex pan si on.  The  init ia l  qu e ry  is  exp a nd e d  with  a  st ru ct ur e d  re pr es entat io n  m ade  of  weig ht ed  word  pairs   extracte d  fro m   a  set   of   t rainin g  docum ents  ( releva nce  fe edb ac k ).   B ouzi ri  et   al   [ 17 ]   propose d  a  qu ery  ex pa ns io n  ap proac h  base d  on  associat ion   r ules   between   te rm s.  The  ex pans ion   is  m od el le d  as  su pe r vised  cl as sific at ion   pr oblem   and   so lv e d  us i ng   a  s up erv ise d  le ar ning  al gorithm .  Fo r  this   pur po se ,  a  trai ning  set   is  ge ne rat ed  us in g  a  gen et ic   al gorit hm - based   a ppr oach   t hat  ex plo res  as so ci at io n  r ules  sp ace  f or   retri evin g  the  best  exp a ns io n  te r m s   and   ge ne ra ti ng   a  trai ni ng  instances  that   are  us e d  to  buil d  a   cl assifi er im ple m enting decisi on tree alg ori th m .  In  our   previ ou s  wo rk   [ 18 ] , a  query e xp a nsi on  a ppr oac h  ba se d  on   a n  exte rn al   structu red   kn ow le dg e  res ource  nam el y  W ikipedia,  E xpli ci t  se m antic   a naly sis  (ESA)   and  associat ion  r ul es  te ch nique  ha s  bee n   pro pos ed.   The   sem antic   interp retat ion  ES A  ha s  be en   us e d  f or  buil ding   the  expansi on   gr a ph.  The n    we  cal culat ed  a  new   sem antic  relat edn ess  m easur e  that  com bin es  an  as so ci at ion  ru le s tec hn i que , s em antic   m ea su re   a nd the e xp a ns i on grap h  av oid in g  t he  i nclusi on of ir re le van t t erm s.    In   this  pa pe r,   ano t her   a  que r y  exp an sio n  te chn i qu e  is  intr odu ce d  us i ng   ps e udo  releva nc e  feedback   and  ass ociat ion   r ules  for  buil din g  a  Pse udo - Gr a ph  Fee dback   in   order  to   ex pa n d   que ries  by  sem antic al ly  relat ed  te rm s selec te d  by t he user .   T he  c ontr ibu ti ons  of this  work  a re  orga nized   a s foll ow s:   a.   A  set   of  retrieved  doc um e nts   in  res pons e   to   the  ori gi nal  query  is  sel ect e d  an d  judge d  to  be   rele van t  f or   gen e rati ng ass ociat ion   r ules  us in g  a  tech nique  base d on do m inance r el at ion s  [ 19 ] .    b.   The  ext racted  ru le s  al lo w  to  disco ver   t he  stren gth   c orrelat ion s  betwee n  qu e ry  te rm s  a nd   th e  c an did a te   on e s,  to   the n  c on st ru c t   a n o riented a nd  weig hted g raph call ed  Ps eu do - Gr a ph Fee db ac k.   c.   To  a void  t he  i nteg rati on  of  non - sim i la r  te r m s  in  the  ex pa nd e d  queries ,  t he  us er   is  in vit ed  to   sel ect   f r o m   the buil t g raph  the m os t rela te d  te rm s d escri bi ng   his i n f or m at ion   need.   The  rem ai nd er   of  this   pa per  co ns ist s  of   t he   pro posed   ap proac h  a naly sis  prese nted  i n  S ect ion  2,  resu lt s a nd  discusson re porte d  in  secti on  3  a nd the c oncl uti on is  giv e n  in  the last   par t.       2.   PROP OSE D MET HO D  A NA L YS I S   In  this  se ct ion,   the  pro posed   appr oach  f or  query  e xpan sio n  base d  on  ps e udo  rele van ce   f eedb ac k  an d  associat ion  r ul es  is  descr ibe d.  The  ap proac h  consi sts  of   buil ding,  f ro m   the  retrieve d  doc um ents  in  respo ns e  to  a  giv e n  a  qu ery,  the  sem a ntic  gr a ph,  ca ll ed  Pseud o - G raph  Fee dbac k,   w hic h  re presents  the  ca nd i date  exp a ns i on  te r m s.  Rou ghly ,  t hr ee   m ai n  ste ps   are  c ar ried  out.  T he  syst em   arch it ect ure of  the  que ry  ex pa ns io n  is   il lustrate d  in  Figure  1.   T he  fi rst  ste p  co ncerns  associat io n  ru le s  ge ne rati on  w her e  the  ve ct or   sp ace  m od el   is   us e d  f or   ranki ng   te xt  doc ume nts  acco r ding   to  the  giv e n  qu e ry  [ 20 ] .  For  the n  ap plyi ng  an  a sso ci at io n  r ules  al gorithm   based   on  dom inance  relat ion  that  will   be  detai le d  la te r.  This   phase  al lo ws  t o  disco ver  the  stren gt h  correla ti on s   be tween  docum ent   te rm s   and  ori gin al   query.   The  sec ond  phase  us e d   the  ge ner at e d  ass oc ia ti on  ru le s  as  data  s ource  f or   bu il ding  a  gr a ph  cal le d  Pseudo - Gr a ph  Feed ba ck.   A s  third   st ep  the  best  ex pansi on   te rm s ar e extra ct ed  f ro m  the  ge ner at e d gr a ph  b y t he  user a voidin g  t he  i nclusion  of ina de qu at e   te rm s.     2.1.   Associ ait on ru le s g ener at i on   The  i dea  is   to u se  t he  T F - IDF  of v ect or sp a ce  m od el   to f in d  a n  i niti al   set   of  m os t  releva nt  doc um ents   for  a  giv e n  que ry,  to  the n  est i m at e  that  the  top   k  ranke d  docum ents  are  re le van t  without  any  us e r  inte ra ct ion .  This  process   is  cal le d  P seu do  Re le va nce   Feed back,  it   a ll ow s  t o  a utom at e  the  m an ual  pa rt  of  rel evan c e   feedbac k.   The   sel ect ed  do c um ents  are  us ed  to   ge ner at e   associat ion   r ules   us in g  an   al go rithm   based   on  do m inance  rel at ion s .   I t  al lows  to  ra nk   as so c ia ti on   r ules  acc ordin g  to  a real  value  a nd   t o  fi nd   t he  m os t  relevant   ru le s  am ong  ve ry  la r ge  dataset s.  T his  al gorithm   us es  a   com bin at ion  of   a  set   of  m easur e s  a nd  not  onl y   on e  [ 19 ].   An   il lustrati ve  exa m ple  of   associ at ion   r ules  al gorithm   p rincipl e  is  pr ese nted  i n  Ta ble  1 .  S u ppos i ng  that  Me asur es   =  {Supp or t,  Confide nce,  Lift ,  Jacca rd,  GI } .   The  ru le   “R 1”   stric tl y  do m i nates  the  seco nd   r ule  “R 2”  beca us e   R1(Supp or t)  =  240,   R1 (Confi den ce )  =  0.8 4,   R1 (Lift)  =  18 , 35,  R1 (J acca rd)  =  0,7 3  an d   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber   201 9   :   5016   -   5023   5018   R1(GI )   =   10. 35  w hich   are   al l  (p ai r  by  pair)  b i gg e r  t han  R2 (Supp ort )  =  70,  R 2(Confi de nc e)   =   0.7 2,   R2 (Li ft)   =  10.24, R 2( Jacca rd)   =   0,5 6  a nd R2(GI)   =   2.9 0. S i m i la rly , R2   dom inate s R3.           Fig ure   1 .   The   pro po se d q uery  ex pa ns i on pr ocess       Table  1 .  Assoc ia ti on  rules  e xa m ples   R   Su p p   Co n f            Lif t                               Jaccard                                      GI   R1 : colo m b ia  c o cain e   240   0 .84   1 8 .35                           0 .73   1 0 .35   R2 : acid rain   70   0 .72   1 0 .24   0 .56   2 .90   R3 : aids v irus   84   0 .71   1 .52   0 .55   0 .42       Associ at ion   r ules g e ner at io n   proces s fo r   a  give n qu e ry is e xe cuted  a s in  the  fo ll owin g  ste ps:   a.   Step  1:   Pr e pro cessi ng   is  an  e ssentia l  ph ase  in  te xt  m ining  process.  T his  ste p  trans form s  the  data  sour ce   con te nts  int o  a   f or m at   that  w il l  be  m or e  ef f ect ively   proces sed  by  s ubseq uen t  ste ps .   S o,  the  docum ent’s   con te nts  are   to ken iz e d  a nd  only   te xt  is  kept .  Af te r  that  stop  w ords   su c h  as  com m on   w ords,  prep os it io ns   and   il le gal  cha racters  are  filt ered,  an d  the  se ntences  a re  ide ntifie d.   T he n  the  al gorithm   of   Porte r  [ 21 ]   f or   En glish text  is  us e d  f or s te m m ing  in flect ed or  d e rivati onal   words to  their  roo t  f or m .    b.   Step  2:   F or   c onstr ucting  the   t ran sact io nal  da ta set   each  keyword  is  c on si de red   as  it em ,  t he  tra ns act io ns  are   represe nted  by   the  se nte nces   an d  t he  do c um ent  in  wh ic h  the  occ urred  sentence   re pr e sents   tra ns act i on  el e m ents.     c.   Step  3:   Tra ns a ct ion al   dataset   is  i m po rted,   a nd  the  re fer e nce d  al gorithm   [ 19 ]   is  app li ed,   it   execu te s  Apriori   al gorithm   [ 22 ]   to  fin d  t he  frequ e ncy  of  it em se ts  and  ge ne rates  al l  ass oc ia ti on   r ules.   Finall y,  sig nifi cant  m easur es t o  e va l uate an d ran k t he ob ta in ed  rules are  calc ul at ed.   d.   Step  4: Ran king  of irre dunda nt ass ociat ion r ules.       2.2.   Bui ldi ng   of   ps eudo - gr aph  fe edba c k   The pr opos e d gr a ph call ed  Ps eudo - G raph Fe edb ac k  is  base d  on t he  ge ne ra te d  r ules in  t he  f irst p hase .  This  grap h  det erm ines  the  ca nd i date  exp a nsi on   te rm s,  and   the  relat ion s  be tween  them   a nd   the  or igi nal   qu ery .   The  ai m   of   th e  Pseud o - Gr a ph  Fee dback  is   to  tran s f or m   the  us er  query  into  a  str uct ured  qu e ry  that  can  be  m app ed  t o  kn own  te rm s.  So ,  in  this  seco nd  ph a se  the  in flu ence  am on g  as so ci at ion   ru le s   it e m s  is  con si der e d  to  fin d   the  a de qu at e  te rm s.  The  al gorithm   t o  buil d  this   or i ented  a nd   weig hted  gr a ph  G pgf  =  (V,E, w)   t akes  as   input  a  set   of   ru le s  R= {R 1 ,R 2 ,R 3 ,..,R m },w hi ch  are  sel ect ed    a m on g    the   gen e rated  r ules  in  the  first  ph a se .   In  these  r ules,  te rm s  are  corre la te d.   L og ic al ly ,  w hen  a  te rm   t i   is  relat ed  t o  the  init ia l  quer y,   the  te rm   t k   wh ic h  is  cor relat ed  t o  t i  in  so m e  ru le s,  shou l d  al so   be  relat ed  to  th e  qu e ry.  Th us,  any  associat io n  r ule  R j  from   R  m us t  con ta in   at   le ast   one  query  te r m   or   a  cor relat ed  te rm   with  t he  query  te rm ,   and   it s  con fi de nce  m us t  be  gr eat er   Evaluation Warning : The document was created with Spire.PDF for Python.
Int   J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       A g r aph - ba se d a pp r oac h  for  text  q ue ry ex pans io n usin g ps eudo re le va nce  feedb ack  and  . ..   ( Si ham  J abri)   5019   than  a   certai n   thres hold.   T he  set   of  no des  V   in  the   Pse udo - Gr a ph  Fee dbac k  is  t he  set   of  disti nct  te rm s  t   in  R.   Each   te rm   rep resen ts  a  grap h  node ,  and   th e  relat edn ess  be tween  tw o  te rm s   rep rese nts  an   ed ge.   Gi ve n  tw o  te rm s  t,t ’    V  ,they  are  co nn e ct ed  with  a  dir ect ed  ed ge  if  there  is  at   le ast   on e  ru le   R j   fro m   R  in  wh ic h  t  and   t ’   are locate d  in  the  pr em ise  an d t he  c on cl us io n res pecti vely . In othe r word s, t he  set   of  e dge s E is  form ed  as:         { | }   , ’     /         ’   j j j E t t R R t R p r e m i s e t R c o n c l u s i o n    (1)     The  ke y  aspec t  of   the  c onstr uction  of  Pse udo - G ra ph   Feed back   is  to  de fine  the  weig hting   functi on      w  :  E  →  [0   ,1 ]   as  the  m axi m um   of   the  con f idence  of  any  associat ion   ru l e  R j   fr om   R,  w hich  co ntains  t he  two  ver ti ces t a nd t ’  in  the  pr em ise  and the  concl us io n res pecti ve ly .     , '   ,   , ’     C o n   f i d e n c e   ( R ( t , t   ')    )     j j t t E R R w t t m a x    (2)     Fo r   exam ple,  Figure  2  il lustr at es  a  possible  Pseudo - Gr a ph  Feed back  res ul ti ng   f r om   the  ge ner at e d  ass oci at ion   ru le s  f or  t he que ry “ W at e r po l luti on ”.             Fig ure   2 .  A  po rtion o f  the   pse udo - grap h fee dback  usi ng the   associat ion r ul es  f or the  quer y    “water  poll utio n”       2.3.   From  pseu do  graph  feed ba c k to the e xpan ded quer y   On ce  a  Pseud o - G raph  Fee dba ck  is  buil t,  the   nu m ber   of  ca nd i date  te rm s  gen e rated  sti ll   is  too   la r ge  for  ex pa nd i ng   the  short  us e r  qu e ry.  T he  us e r  can  in flue nce   the  exp a nded  qu e ry  by  sel ect ing   ade qu at e  te rm s   and   i gnor i ng   ba d  ones.  So,  to   avo i d  the  incl us io n  of  la r ge  nu m ber   of  te r m s   wh ic h  ca n  neg at ively   in fluen c e   the  inf or m at ion   retrieval  pe rfor m ance,  the   us er  is  aske d  to  pro vid e  fe ed bac k  inf orm at ion   by  sel ect ing   the  te rm s  that  bette r  sat isfy  hi s  inf o rm at ion   need.  It  is  sim ple  f or  him   to  determ ine  w hi ch  of  the  a vai la ble  te rm s   bette r  descr ibes  his  in te rest.  The  Pse udo - G raph  Fee db ac k  is  la belle d  by  set s  of   te rm s  extracte d  fr om   the  associat io n  r ules  ge ner a te d  from   the  do c um ents  in  the  ans wer   set .  it   al low s  the  syst e m   to  m anage   a m big uiti es.  O nce  the  us e r  ha s  sel ect ed  the  relat ed  te r m s  to  the  qu e ry  fro m   the  gr ap h,   the  te rm s  are  a dd e d  to   the origi nal qu ery an d  t he  re f or m ulate d  que r y i s p r ocesse d.       3.   RESU LT S  AND DI SCUS S ION   In  this  la st  s ect ion ,   the  ex per im ental   s tud ie s  to   te st  t he  retrie val   e ff ect ive ness   is  prese nted.   The  dataset   on  wh ic h  t he  r un s   ar e  c ondu ct ed  a nd  the   evaluati on  m etr ic s  us ed   to   te st  the  a ppr oa ch  a re  descr i bed, the n t he ob ta in ed  re su lt s ar e  d isc usse d.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber   201 9   :   5016   -   5023   5020   3.1.   Te st  c ollec tion and e va lu ati on metri cs   The  colle ct io n  TREC   AP 88 90   c hosen   to  app ly   the  pr opose d  a pproac h  is  a  set   of   eng li s h  ne ws  arti cl es  published   by  Associ at ed  Pr ess  ( 1988 - 1990).The  colle ct ion   co nt ai ns   242  918  do c um ents   with  15 0  top ic s  wic h  re pr ese nt  the  qu eries  and   a  rel evan ce  judgm e nts  file   m ade  by  do m ai n  experts .   O nly  50   t it le s  of   the  TREC   to pics  are  us ed   as  qu e ries  f or  sim ulati ng   sea rc h  scenari os   wh e r e  us er s  te nd  to  su bm it   sh or t  queries.     In   this  wor k,   the  colle ct ion   of  docum ents   is  ind e xed   us in g  Lucen e   [ 2 3 ] ,   wh ic h  is  an  op en - s ource  Ja va   f ull - te xt  search  li br ary.  The  s am e  li br ary  is  the n  us e d  f or  r et riev ing   the  t op  1 , 000  docum ents, f or  each quer y usin g  the  TF - I DF   of  the  vector   s pa ce  m od el   [ 2 4 ].   The  fo ll owin g  m e tric s  are  us e d  for  evalu at ing   the  inf orm at io n  retrieval  perf orm ance  of  the   pro pos ed   ap pro ach  by  c om pari ng   t he  respo nse s  of  a  syst em   accor ding  t o  a  qu e ry   with a  releva nc e judgem ent   [25] :   a.   Pr eci sio n: m ea su res  the  prop ort ion o f rel eva nt doc um ents am on g  al l d oc um ents r et rieve d by the  syst em .    b.   Re cal l:   m easur es the  pro portion o f rel eva nt  do c um ents am ong  al l  releva nt  d oc um ents in t he  data base.   c.   MAP: M ean  a ver a ge precisi on, w hich  m easur es  the a rea  unde r neath  t he  e ntire r ec al l pr e ci sion .   d.   recip _r a nk : t he  r a nk of the  f ir st releva nt doc um ent.   Each  que ry  in  TREC   colle ction   is  ex pande d  with  the  e xp ansio n  te rm s  s el ect ed  by  the  us er  f r om   the  Pseud o - Graph   Fee dback .   The  ex pande d  qu e ries  are  an swer e d  by  the  inf or m at ion   retrieval  syst e m   base d  on  Luce ne  [ 2 3 ] .  F or   t he  ba sel ine  m et ho d,  the  or igi nal  qu e ries  ar e  in te rr ogat ed   wit hout  a ny  ex pa ns io n.   The follo win g runs a re c ondu ct ed  an d  t he ge ner at e d  re spo nse s ar e  ev al uated:   a.   Ba sel ine: The  or i gin al   qu e rie s w it ho ut an y e xp a ns i on.   b.   PG F - ap proac h:   Q uer y  e xp a nsi on   base d  on  the  Pse udo  G r aph  Fee db ac k  and  us e r  i nter act ion   for  te r m s   sel ect ion .   c.   0 - Fil te rin g :   Query ex pa ns io n ba se d on the  P seu do Grap h F eedb ac k wit ho ut an y  us e r  inte racti on.   d.   PRF:  Th e  class ic al  Pseudo - Re le van ce  Fee dback tech ni qu e  im ple m ented  usi ng   Luce ne.   The param et ers  f or  t he  e xperi m ents h a ve be en  set  e xperim ental ly  as f oll ows:   a.   The  nu m ber   of  te xt  doc um ent s  us e d  in   ass oc ia ti on   r ules  is  fixe d  to  20  docum ents  retrieved   at   the  t op  of   resu lt s.   b.   The  value s  of  m easur es  us e d  in  ass ociat ion  r ules  gen e rati on   are   determ ined  by  ta ki ng  m i nim a l  values   f or   no t  e xclu ding   any  im po rtan t  ru le :  m inSu pport   =1;  m inConfide nce=0. 1;  m inLift =0. 1;  m inJacard = 0.1;   m inGI = 0.1;   c.   The  c onfide nc e  thres ho l d  f or  te rm s  sel ect i on   from   the  gen e rated  as soc ia ti on   r ules  in  Pse udo - G ra ph  Feed back b uild ing  is  em pirical ly  set to 0 . 7.   d.   The  num ber   of  exp a ns io n  te r m s   sel ect ed  by   the  us er  ha ve  been   set   to  3  to   5   te rm s   at  m os t ,  that  al lows  to  get the  best  res ults ,  becau se  in  this case t he q uer ie s a re sh or t .   The   ai m   pr incipal   of   this  w ork   is  to  pr ese nt  si m ple  fo rm   of   inform ation   to   the  us er  in   ord er  to  sel ect   the  a dequate  te rm s  fo r   query  exp a ns i on.  F or  this  reason,   w e  pr op os ed   the   Pse udo  Grap h  Feed bac k  bas ed   on   associat ion   ru l es  wh ic h  descri bes  the  vo ca bula ry  te rm s   relat ed  to  a  giv en  query  an d  th e  relat ion s  bet ween  them .  In   order  to  eval uate  the   pe rfor m ance  of  this  pro po se d  a ppr oach,  it   is  reco m m end e d  to   com par e  i t  with  r ecent  que ry  exp a ns i on   a ppr oach e s  base d  on  associat io n  r ules.  But,  despi te   of   us in g  the   sa m e  data  collecti on   and  the   sam e  appr oach es ,  c on tradict ion s   in   r esults  are   detect ed   wh ic h  pr e ven t   a  fair  c omparis on  du e   to   us e  of   la rg e  va riet y  of  co nf i gurati on  par am et ers  li ke   ste m m ing   al gorithm s,  sto p  words  filt ering,  ra nkin g  m od e ls,  et c.   Ther e f or e,   f or   com par ing   t he  pro po se d  a ppr oach,  the  sam e  search   en gin e  Luce ne  is  us e d  for  im ple m ent ing   a   m et ho d  pro pos ed  by  aut hors  [ 17 ]   a nd  detai le d  in   intr oduction  sect io n,   us i ng  th e  sam e  pa ram et ers  value s  an d   data set  TREC   AP889 0.     3.2.   Results  and  discussi on   Table  2   s hows   the  dif fer e nt  va lues  of  the  M ean  A ver a ge  P recisi on   (MA P ),   an d  the  rank   of   the  first   releva nt  docu m ent  (r eci p_ra nk)  ob ta ine d  by  the  syst em   without  an d  with  usi ng  the   pro po se d  e xpansi on   te chn iq ues .   F or  eac h  qu e ry  the  MA P,  reci p_ra nk   an d  t he   rate  of   im prov em ent  com par ed   to  t he  ba sel ine   (MAP - Gai n)  a re  cal culat e d.   Re gardin g  t he  resu lt s obtai ne d  a nd  s um m arized  i n  Ta ble 2 ,   it   can b e seen  that  the  pro po se d  quer y  exp a ns io n  te chn i qu e   achie ves  a  si gn i ficant  im pr ov em ent  in  te rm s  of  MAP  a nd  reci p_ra nk  com par ed  t o   th e b asel ine  and  oth e r  r uns  (0 - F il te ring , PR F a nd AG - a ppr oa ch).       Table  2 .  C om par iso n of t he ru ns   with  res pect to the  b a sel ine  and a n  e xisti ng alg ori thm   Ru n   MAP   recip_ rank   MAP - Gain   PGF - ap p roach   0 ,20 0 4   0 ,51 0 9   86%   AG - ap p roach  [ 1 0 ]   0 .18 4   0 .44 5 4   71%   PRF   0 ,13 4   0 ,40 4 6   25%   0 - Filtering   0 ,13 6 5   0 ,40 7 1   27%   Bas elin e   0 ,10 7 6   0 ,36 8 5   -   Evaluation Warning : The document was created with Spire.PDF for Python.
Int   J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       A g r aph - ba se d a pp r oac h  for  text  q ue ry ex pans io n usin g ps eudo re le va nce  feedb ack  and  . ..   ( Si ham  J abri)   5021   The  i ncr ease   of  MA P  m eans  that  w he nev e r  the  qu e ry  c on t ai ns   m or e  relevan t   query   ex pa ns io n  te rm s   the  nu m ber   of  releva nt  do c um ents  is  increasing.  This  see m s   cl ear  in  PG F - a ppro ac h,   t he   rate  of   im pr ovem ent   is  +86 %  t han   t he  ba sel ine.  W hile  the  A G - a ppr oac h  achie v e d  71%  of   im prov em ent.  So,  the  use   of  the  P seu do  Gr a ph  Fee dba ck  with  t he  use r  inter act ion  f or  ex pa ns io n  t erm s  filt ering   i m pr ov es  t he  re trie val  ef fecti ve ness.   In   th e  othe r  ha nd,  the  MA P  of  0 - Fil te rin g  lo ok s  bette r  tha n  the  baseli ne  a nd   PRF,  they   hav e  a ppr ox im at el y  27%  a nd  25%   i m pr ovem ent  ov er   the   baseli ne   res pecti vely .  This  m eans  tha t  the  te rm s  co m po sed  the   Ps eudo - Gr a ph  Fee dba ck  e ve n  without  filt erin g  pr ocess  a re  m ore  releva nt  for  refor m ulati ng   the  que ries  th an  PR F   te rm s r et rieved by the  classi ca l Pseu do Rel ev ance Fee dbac k p ro ces s.    Figure  3  pr ese nts  the  pr eci si on  w hen  X   docu m ents  are  retrieved  (P @ X ).  X   de no te s  the p r oport ion  o f   releva nt  docu m ents  in  the  to p  X  docum ents  in  the  ret urn ed  li st  fo r  a  gi ven   queries.  X   is  set   to  5,   10 ,  15 ,   20  and   30   res pec ti vely .  I t  i s  ob ser ve d   that  usi ng   the  P seu do - G ra ph   Fee db ac k  a nd   the   us er  interact i on   for   sel ect ing   the   e xp a ns i on  te rm s,  le ads   to   the   i m pr ovem ent  of  the   ret riev al   eff ect ive nes s  w he n  c om par ed   to   the  baseli ne  a nd   oth e r  a ppr oa ches.  T he  us e r  interact io n  in   this  ap proac h   ens ur e d  that  t he  exte nded  queries  con ta ini ng a de qu at e te rm s.            Fig ure   3 .   Im prov em ent p e rce ntage  i n P@ X       Fo r  e xam ple,  the  P GF - a ppr oa ch  preci sio ns   a re  0,3 42  an d  0. 293  f or  the  to p  five  a nd   t op   te n  retrie ved  do c um ents  resp ect ively ,  w hile  the  baseli ne   br in gs   on ly   0, 19 2  (+ 78% )  an d  0.1 72   ( +70%).  F or  th e  AG - appr oach  0.2 67(+ 39)  a nd  0.2 265(+3 2),  a nd  for  0 - filt ering  ap pr oach  0.2 25  (+ 17%)   an d  0.197 (+15% ).   These  exp e rim ents  of fer   the  a dv a nta ge  to  ra nk   t he  r el evan t  doc ume nts  acco rd i ng  to  queries  in  th e  top   of  res ults.Thi s   perform ance  cou l d  be  e xp la i ned  by  t he  us e   of  the   ass ociat ion   ru le s  te c hniq ue  base d  on  m ulti ple  crit eri a  f or  bu il di ng  t he  Ps eudo  G ra ph  Fe edb ac k.  T his algorit hm  is eff i ci ent  to r an k  a nd   a nd   kee p   on ly  i m po rtant r ul es b y  consi der i ng  m ulti ple  m easur es  an d  do m inance  relat ion s.   The  value d  gr a ph  is  a  sim ple  and  str uctu red  form   of  inf or m at ion s  r epr ese ntin g  th e  cor r el at io ns   betwee n  query   te r m s  and   th e  cand i date’s  on e s,  an d  the  edg e s   represe nt  the  se m antic   relat ion s  bet ween   th e m .  The  nu m ber   of   e xp a ns i on  te rm s  can  be  too   la rg e  for   sh ort   qu e ries  e ng e nderi ng   l ow  pe rfor m ance.  F or  ens uri ng  tha t  the  ex pande d  que ries  will   co ntain  the  a dequat e   te rm s,  the  ge ne rated  grap h  is   presente d  t o  t he  us er   f or  sel ect ing   t he  best  ex pansi on  te r m s.  This  phase   has   a  po sit ive  im pact  fo r  e xpan ding  the  qu e ries  with  ade quat e  te rm s  and   i m pr ov i ng   t he  retri eval  eff ect i veness.  F or   AG - ap proac h,   pr ese n te d  by  bouzi ri  et   al   [1 0]   add s  te rm s   e xtracted  f r om  t he  associat io n  ru le s  to  the  ori gin al   qu e ries.  T he  r ules  ge ner at e d  by  Charm   alg ori thm   fr om   the  w ho le   doc um ents  colle ction   are  m od el le d  as  cl assifi cat ion   pro blem   and   r esolve d  by  the   decisi on   tree  al gorithm   fo r  detect ing   the  best  te rm s  fo r  qu e r y   exp a ns i on.  Des pite  of   the  prec isi on   in  the  pr oc ess  of   sel ect in g  releva nt  te rm s,  irreleva nt  on es  can  be  ad de d  to  the origi nal qu ery.       4.   CONCL US I O N   The  pro po s ed  qu e ry  e xp a ns i on  ap proac h  e xp a nds  qu e rie s  with  te rm s  sel ect ed  by  the   us e r  f r om  Pseudo - Gr a ph   Feedb ac k.   T hi s  gr ap h  is  buil t  us ing   the  associat ion   r ule s  gen e rated  by   a  te chn iqu e   us ing  m ul ti ple  crit eria  and  do m inance  relat ion s .   The   ex pe rim ental   stu dy  w as  co nducte d  on  TREC   AP889 0  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber   201 9   :   5016   -   5023   5022   colle ct ion .  O ur  m et ho d  le ad s  to  sign ifi ca nt ly   i m pr ov e d  retrieval  pe rfo rm ance,  and   e xceeds  the  ba sel ine   sign ific a ntly .  In   te rm s  of   Me an  A ver a ge  P r eci sion   (M AP )   the  propose d  appr oach   has  appr ox im at ely   86 %   ov e r  the  baseli ne,   al th ough  the  im pr ov em ents  at ta ined  by  the  com par ison   m et ho d  do n’ t  ou t perf orm   71% .   This  c onfirm s  that  the  a sso ci at ion   ru le s   te chn i qu e s  is  a   si gn i ficant  way  to  prese nt  a  sim ple  and   str uc ture d  form   of   in for m at ion ’s  to   th e  us e r  in   the  form   of   gr a ph  for  sel ect in g  adequate   te rm s  f or   e xpa ns io n.   A s   per s pecti ves ,  ot her   data  s our ces  and   te xt  m ining   al gorithm s  will  be  us ed  f or   sel ect ing   a nd   rankin g  quer y   exp a ns i on term s.       REFERE NCE S     [1]   D.  Pal,   et   al . ,   “ Expl oring  qu er y  ca t egor isation  f or  quer y   exp ansion:   A  stud y , ”  a rXiv   preprint   ar Xiv:1509. 05567,   2015.   [2]   C.   Buckl e y ,   et  al .,   “ The   eff e ct   of  addi ng  r el ev anc e  i nfor m at ion  in  a  re le van ce   fe edbac k  envi ronm ent ,”   SIGIR’94 ,   Sprin ger ,   London ,  pp.   292 - 300 ,  1994.   [3]   J.  Rocc hio    and   G.  Salt on,   “T he  SM ART  r et ri eva l  s y st em , ”  Re levanc e  feedbac k  in  inf or mation  retrie val ,   pp.   313 - 323 ,   19 71.   [4]   A.  I lgarriff ,   e t  a l . ,   “ Itri - 04 - 08  the  sketc h  engi ne , ”  I nformation  Tech nology ,   vol .   105 ,   pp.   116,   2004.   [5]   Y.   Matsuo   and   M.   Ishizuka ,   “ Ke y word  ex tra c tion  from   a  singl e  document  using  word  co - occ urre nce   sta ti sti c al  informati on , ”  In t ernati onal   Journ al  on  Arti f ic ia l  I nte lligen ce  Tools ,   vol. 13, pp. 15 7 - 169,   2004 .   [6]   E.   Te rra   and  C .   L .   Cl ark e ,   “ Freque nc y   esti m a te s  for  sta ti sti c al   word  sim il ar ity   m ea sures , ”  Proc.   The  200 3   Confe renc e  of  th e  North  Ame ri ca n  Chapte r  of  th e   Associat ion  for  Computati onal  Linguisti cs  on  H uman  Language   Technol ogy ,   As sociation  for   Co m puta ti onal L in guisti c ,   vol .   1 ,   p p.   165 - 172 ,  200 3.   [7]   G.  Cao,   et   al .,   “ Sele c ti ng  good  expa nsion  t erms   for  pseudo - rele vanc e  f ee db ac k ,”   Proc ee d ings  of  the   31st  annua l  int ernati ona l AC M  SIGIR confe r enc e   on  Re searc h  and  de velopme nt  in   inf or mation   retrieval ,   pp .   24 3 - 250 ,  2008 .     [8]   S.  E.  Rober tson   and  K .   S.   Jone s,  “ Rel e v anc e   w ei ghti ng   of  se ar ch  t erms ,”   Journal  of   the  Ame r ic an  So ci e ty  for  Information  sci e nce ,   vol .   27 ,   pp .   129 - 146 ,  1976 .   [9]   Y.  Lv   and  C.   Zha i ,   “ Pos it iona l  releva n ce   m odel   f or  pseudo - rel ev ance  feedbac k ,”   Proceed ings  of  the   33rd  int ernati ona l AC M  SIGIR confe r enc e   on  Re searc h  and  de velopme nt  in   inf orm ati on   retrieval ,   pp .   57 9 - 586 ,  2010 .   [10]   J.  Alla n ,   “ Re le v anc e   fe edback  w it h  too   m uch  d ata ,”   SIGIR ,   v ol .   9 5,   pp .   337 - 343 ,  1995 .   [11]   S.  Yu,  et  al .,   “ I m proving  pseudo - rel ev ance  fee d bac k  in  web  inf orm at ion  ret r ie v al   using  w eb  pa ge  segm ent ation ,”   Proce ed ings o f   t he  12th   internati onal  con fe ren ce   on  World  Wid e Web ,   pp .   11 - 18 ,  2003 .   [12]   S.  Jabri,   e t  al .,   “ Ranki ng  of  te x t  documents  using  TF - IDF   weight ing  an d  association  rul es  m ini ng ,”   2018  4th   Inte rnational   Co nfe renc e  on   Opti mization  and  Ap pli cations ( ICOA) ,   pp.   1 - 6 ,  2018 .   [13]   C.   Mac dona ld   a nd  I.   Ounis,  “ Expe rti se  dr ift   and  quer y   expa nsion   in  expe r t  sea r ch , ”   T he  six te en th  ACM  conference   on  Confe ren ce o n  inf orm ati on   an d  knowledge   management ,   ACM ,   pp.   341 - 350 ,  20 07 .   [14]   M.  Arian ne zha d ,   e t  al . ,   “ It era t i ve  Esti m ation  o f  Docum ent   Relevance  Score   fo r  Ps eudo - Rel ev a nce   Fe edba ck , ”   European  Conf e renc e  on   Inform ati on  Re tri ev al .   Springer ,   Cham,   pp.   676 - 683 ,  20 17 .   [15]   J.  Sing h,   et   a l . ,   “ Fuzz y   logi c   h ybrid  m odel   wi th   sem ant ic  filtering  appr oa ch  for   pseudo  re le van ce   f ee db ac k - bas ed   quer y   exp ansion , ”  Computa ti ona l  Int el l ige nc e  ( SSCI) ,   2017  IEEE   Symposium Se ri es  on.   IEEE ,   pp.   1 - 7 ,  2017 .   [16]   F.  Cola ce,  et   al . ,   “ Im proving  rel eva n ce   fe edba c k‐ba sed  quer y   e xpansion  b y   the  use  of  a  weig hte d  word  pai rs   appr oac h , ”   Jour nal  of   the A ss ociation  for   Information  S ci en ce an d  Technol og y ,   v ol.   66 ,   pp .   2223 - 2234 ,  2015 .   [17]   A.  Bouzi r i,   et   al . ,   “ Le arn ing  quer y   exp ansio n  from   associa t i on  rule s  b et we en  term s , ”  Kno wle dge  Dis cov e ry,   Knowle dge   Enginee ring  and   Kn owle dge   Manag eme nt  ( IC3K) ,   2015  7th  In te rnat ional   Joi nt   Conf ere nce  on,   IE EE ,       pp.   525 - 530 ,  20 15 .   [18]   S.  Jabri,   et   al . ,   “ Im proving  Ret rie va l  Perform anc e  Based  on  Qu er y   Expa nsion  with  W ik ipe di a  and  Te x t  Minin g   Te chn ique , ”  In t.  J.   In tell. E ng .   S y st ,   vol .   11 ,   pp .   2 83 - 292,   2018 .   [19]   A.  Dahbi,   e t  al . ,   “ A  new  m et hod  for  ran king  association  rul es  with  m ult ipl e  cri t er ia   base d  on  dom ina nc e  relati on , ”   Computer  System s  and  Appl ications  ( AICCSA ) ,   2016  IE EE / ACS  13th  Int ernati onal  Conf ere nce   o f.   I EEE ,   pp.   1 - 7 ,  2016 .   [20]   G.  Salt on,   et   a l . ,   “ A  vec tor  s pac e  m odel   for   aut om at ic   indexing , ”  Comm unic ati ons  of  th e   ACM ,   vol.   18 ,   pp.   613 - 620 ,  19 75 .   [21]   M.  Porter,   “ PorterSte m m er   (ja va  v ersi on)   [Software] ,”  1980 . .   A vai l abl e :  htt ps :  // t artarus.org /   m art in/ PorterSt e m m er/ inde x - old.htm l.   [22]   R.   Agrawal ,   “ Fast  al gor it hm s  for  m ini ng  association  rul es , ”  20th  int.  conf.   ve ry  large  da t a  bases,  VLDB ,   pp.   487 - 499 ,  19 94 .   [23]   Luc en e .   Availab le :   htt p :l uc ene.apac he . o rg/ cor e .   [24]   G.  Salt on  and  C.   Buckl e y ,   “ T erm - weight ing  a pproa che s  in  au tomati c  te x t  ret r ie va l , ”   Informat ion  proce ss in g   &   management ,  vo l.   24 ,   pp .   513 - 52 3 ,  1988 .   [25]   A.  Bacci ni ,   e t  al . ,   “ Anal y s e  des  c rit èr es  d'évalua t i on  des  s y st èmes  de  re che rch e  d ' in form at ion.   Tech nique   e t  Sci ence  Inform at ique s , ”   vol.   29 ,   pp .   289 - 308 ,  2010 .           Evaluation Warning : The document was created with Spire.PDF for Python.
Int   J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       A g r aph - ba se d a pp r oac h  for  text  q ue ry ex pans io n usin g ps eudo re le va nce  feedb ack  and  . ..   ( Si ham  J abri)   5023   BIOGR AP HI ES OF  A UTH ORS        S iham  Jabri   i s  Business   Inte ll ig ence   Engi ne er,   gra dut ed  fr om   the   fac ulty  of  scie nce   an d  te chno logi es  (H assan  First  Univer sit y   of  Set ta t  Morocc o)  in  201 4.   Since   2015 ,   s he  is  pre par ing  h er  Ph.D  in  the   L a bora tor y   of  Info rm at ic s,  Im agi n g  and  Modeli ng   of  Com ple x  S y stems   ( LII MCS ) .   She  is worki ng   o n  Natur a l La nga ge  Proce ss ing   an d  Data m ini ng .         A z z ed din e  Da h bi   got  his  Bac hel or  degr ee   in  co m pute r  scie nce   i n  2010  from  the   fac ul t y   of  sci en c e   and  t ec hniqu es  u nive rsit y   H assan  1st  Settat ,   Moro cc o.   Followed   b y   a  Mast er  d egr e e  in   m at hemat ic s  and  app li c at ion   from   the  sam e  fac u lty .   Now   pre par ing   his  P h. D  degr ee   in  t he  L abor a tor y   of  Inform at ic s,   Im agi ng  and   Modeling  of  Com ple x  S y stems   (LI IMCS ).   His  rese arc h   int er ests  includ e   knowledge   d isco ver y   from   da ta b ase .         Taou fiq  Gadi   is   a  Profess or  on  computer   sci e nce   a t  th e  fa cult y   of   scie n ce   a nd  te chno logi es  (Hass an  First  Univer sit y   of  Se ttat  Morocc o) .   Si nce   2014,   he  is   the   Dire ct or  of   the   Inform atics ,   Im agi ng  and  Modeli ng  of  Com ple x  S y st ems   La bora tor y .   He  h as  conduc t ed  m ore   tha n  t ens  PhD  the ses  and  writte n  a  fifty   of  sci en ti fic   p ape rs  in  th e  dom ai n  of  3D  m odel s  ana l y s is,   m odel s  Driving  Archi tectur e ,   D a ta m ini ng  and  Da ta base   Anal y sis,   Modeli ng  of   Co m ple x  S y st ems .       Evaluation Warning : The document was created with Spire.PDF for Python.