Région Sud, programme ASERVENA

Pôle Information, Numérique, Prévention, Santé de l’Université de Toulon

Société Web Notoriété (Hyères)

Nos plus sincères remerciements aux relecteurs de la revue qui ont grandement contribué à la clarification de l’article.

Contexte

1Pour une organisation, la communication sur le web passe par l’élaboration d’un site web. Nous avons proposé (Pinède et al., 2012 ; Pinède & Reymond, 2013) l’expression “Site web organisationnel” (SWO) pour caractériser ces sites web associés à une instance énonciatrice de type organisationnel. Le SWO se définit comme un produit hypertextuel d’informations et de services placé sous une seule et même responsabilité. Associé à une image (Rouquette, 2009), le SWO est censé véhiculer un ou des messages en phase avec les objectifs communicationnels de l’organisation. Pinède (2018) propose un modèle global de cette projection numérique de l’image et de l’identité d’une organisation, en la considérant au carrefour de logiques complexes. Le site web organisationnel en tant qu’unité cohérente de texture (Brügger, 2012) permet de discuter de l’identité numérique d’une organisation et couvre, en communication, un objectif d’image : un message en phase avec la stratégie est inscrit dans une cohérence formelle (design, architecture, charte, etc.) et une cohérence sémantique de contenus textuels (Zacklad, 2019). Sous l’angle de l’indexation, la visibilité du site web se contrôle via les techniques de référencement web. Métadonnées et réseaux de liens internes ou externes (netlinking) participent à performer sa place sur les index (Domenget, 2014 ; Chartier & Martin, 2021) qui enregistrent une représentation sémantique composée et dynamique du site web. Celle-ci est une fonction directe du vocabulaire véhiculé par l’ensemble des pages qui constituent le réseau autour du site web. Si le contenu textuel d’un site web est contrôlable en général par son éditeur, il est cependant difficile d’apprécier la cohérence avec des contenus textuels des pages qui le citent. Dans ce qui suit, nous proposons un outil qui donne à voir au plan lexical les contenus d’une page, une extraction ciblée pour synthétiser les contenus textuels par les termes les plus représentatifs de la page qui participent de fait à cette indexation. Au-delà de cet outil décomposé en trois scripts réutilisables, nous présentons le jeu de données produites sur notre terrain d’étude pour montrer la pertinence de cette extraction et le lexique qui en résulte. La sauvegarde de ces données sera utile à des fins d’historicisation pour pouvoir à terme analyser les évolutions.

Visées du travail de recherche

2Apprécier la cohérence de communication sur le plan des messages véhiculés entre deux pages web reliées par un lien hypertexte est un problème difficile qui se pose dans le domaine de la communication web, de l’indexation et du référencement en général. Dans le cadre des SWO, nos travaux visent à instrumenter la construction d’une vue partielle du message véhiculé par une page. Cette vue est focalisée sur le lexique et simule de cette façon le fonctionnement des index. Ainsi, en proposant de reconstituer le fonctionnement des systèmes de signification extraits des sites web, nous adoptons le principe limitatif volontaire d’extraire les occurrences terminologiques ciblées sur les verbes, noms et adjectifs du message qu’une page délivre. La capture de la terminologie dominante (par ses occurrences), filtrée sur les termes triviaux (ou idiolecte du média web pour des sites SWO – « contact, accueil, lire la suite » par ex.) permet de transcrire le sens global véhiculé et d’opérer des comparaisons et des analyses. Ce procédé adapte la méthode proposée par Barthes (1964) pour analyser les grandes unités signifiantes du discours par l’utilisation de la linguistique (et du TAL). Nous posons les prémices d’un cadre d’analyse sémiotique plus large appliqué au modèle discret du discours à reconstituer comme somme de deux pages web reliées par un lien hypertexte.

Terrain d’étude

Mode opératoire

4Pour analyser le lien entre le territoire physique du parc et le territoire virtuel qui sera à terme reconstitué par le contenu lexical de sa communication web et l’inscription topologique de son site (hors réseaux sociaux), nous nous focalisons sur les acteurs du tourisme autour du PNPC. Notre point de départ a été de cibler les organisations qui avaient un site web et identifiées dans le domaine via le site web officiel http://visitvar.fr. Le nombre d’acteurs à considérer étant très important nous avons constitué un ensemble de catégories pour les classer.

5La typologie de sites est la suivante (réalisée a priori) :

1. Offices de tourisme (OT)

2. Mairies

3. Parcs nationaux (parcs)

4. Hébergement

5. Organisations

6. Sites web gouvernementaux

7. Gouvernement (Gouv)

8. Restauration

9. Locations

10. Services

6Le classement des 379 sites web issus du site web officiel dans la typologie ci-dessus est visible dans le fichier Ressources/Sites.json. Ce fichier est utilisé comme point de départ pour l’outil de collecte pour construire une synthèse par catégorie comme somme des contenus textuels extraits de chaque site web.

Instrumentation et données produites

7Données et exécutables de traitement sont disponibles sur Git (REYMOND et al., 2022) pour à la fois reproduire les traitements à partir de nos données, reproduire la collecte sur nos données d’entrée pour disposer de données récentes, soit encore adapter les données d’entrée pour traiter soi-même d’autres sites..

Organisation générale des notebooks et des données

Le collecteur

9Collecteur.ipynb  : Le collecteur initial, importe la liste des sites web en entrée et leur typologie (Ressources/Sites.json) pour collecter les données et stocker le résultat dans /ContenusSites/. Par ex. hebergement.json contient pour chaque URL de la classe hébergement le contenu textuel collecté à cette adresse. Le fichier BadUrl.json est la liste des URL en erreur au moment de la collecte donnée par classe de la typologie. Voici le contenu de ce fichier au moment de nos traitements (format json) qui permet d’apprécier s’il en est, pour chaque classe de site, les URL ayant retourné des contenus non utilisables :

BadUrls = {"gouv" : [], "parcs" : [], "orga" : ["http://onf.fr"], "oTourism" : [], "Services" : ["http://spinout.fr"], "Hebergements" : ["http://parc.fr", "http://campingsaintpierredeshorts.com"], "restauration" : ["http://lemediterranee-hyeres.fr"], "locations" : ["http://levasionbleue.com"], "mairies" : []}

Traitement des contenus

10TraiteContenus.ipynb : réalise les extractions terminologiques.

• Prétraitements :

• Détection de la langue ;

• Suppression des extrêmes (par la taille des données collectées) ;

• Extraction du lexique lemmatisé. Utilisation de la bibliothèque Spacy (Explosion, 2017)

• Sauvegarde des dictionnaires (verbes, adjectifs, etc.) au format JSON. Dans le dossier /ContenusTraites/ six fichiers sont produits :

• l es fichiers fonction de la catégorie morphologique des termes identifiés [verbes, adjectifs, adverbes, noms]Sites.json sont structurés par élément de la typologie. Chaque classe de sites est associée à une liste de termes aux occurrences multiples. Ces données sont utilisées pour les représentations (cf. Figure 2). Par ex. verbesSites ["gouv"] = ["aller", "profiter", "agir", "menacer", …]

• • 5 Expression linguistique qui désigne un nom de lieu, un nom de personne ou un nom d’organisation.

  Etiquettes.json est la liste, par élément de la typologie puis par url de toutes les étiquettes grammaticales identifiées et les formes lexicales associées. C’est le «  détail » précis des fichiers précédents, redondant, mais incluant les autres étiquettes non retenues (entités nommées5 pour l’essentiel).

• CatGrammSites.json : comme précédemment, mais sous forme de liste de lemmes associés à leurs occurrences dans la classe. Par ex. "Gouv" : {"MISC" : {"Office" : 1, "Liste rouge des espèces menacées" : 1, …}}

Instrument de comparaisons de lexiques

11CompareLexique.ipynb : procédures d’extraction des lexiques pour réaliser des comparaisons et représenter par des visualisations.

1. Séparation des termes (lemmes communs à tous les sites web, lemmes communs à au moins deux sites web, lemmes exclusifs à chaque catégorie de site web) par catégorie grammaticale ;

2. Cohérence des erreurs de catégorisation (nettoyage des unités lexicales morphologiquement ambiguës, c.-à-d. mots pouvant être catégorisés en deux catégories grammaticales différentes) ;

3. Visualisations : nuages de mots clés, palette de couleurs paramétrable.

12Les visualisations sont stockées (pour certaines) dans le dossier IMAGES : contient les nuages de mots réalisés selon la typologie de sites web et les catégories grammaticales. Cet instrument est fait pour explorer les données. L’analyse nécessite une étude approfondie qui sort du cadre de cet article et peut servir des applications pédagogiques.

Données adaptables

13Typologie de sites associés (Format JSON) ; Le fichier RESSOURCES/Sites.json donne la possibilité d’adapter à ses besoins la configuration de la typologie des sites web étudiés. Il suffit d’associer autant de classes de sites une liste d’URL selon le format suivant : CatSites [ClasseSite] = [url1, url2, …]. Il est impératif que les classes soient disjointes : les URL ne peuvent appartenir qu’à une classe et se méfier des sites qui utilisent plusieurs DNS (différentes URL pour désigner le même contenu).

Forces et limites

14La disparité des formes de communication sur le web nécessite une adaptation contextuelle des collecteurs et traitements.

1. Nous focalisons notre approche sur le contenu HTML : un premier analyseur lexical extrait le texte décrit par les balises du langage. Cet analyseur est générique, donc grossier : l’objectif est de fonctionner au mieux sur un maximum de pages. La réalité du web est qu’un analyseur parfait dépend du site web à analyser. Ici, nous nous satisfaisons d’un générique qui commet des erreurs sur certains contenus HTML, en général ceux qui sont mal balisés .

2. En plus de nous abstraire des balises, nous faisons le choix de représenter le contenu lexical d’une page par un document qui se construit comme la somme des éléments textuels qui auront pu être récupérés lors de la phase précédente. Ce texte est alors analysé par un modèle statistique pré entrainé de spaCy en premier lieu pour identifier les entités nommées (Lample et al., 2016). Un second modèle, plus efficace sur nos données, est alors utilisé pour extraire les lemmes des fonctions grammaticales identifiées comme pertinentes (verbes, adjectifs, noms et adverbes).

3. Une procédure de normalisation paramétrable exclut les sites web dont la taille de lexique et dont les occurrences s’ étendent au-delà d’un espace raisonnable construit autour de la moyenne de la taille des sites web (en nombre de caractères). Ceci est réalisé pour obtenir des données «  comparables ».

4. Une exclusion des sites web non rédigés en français a été mise en place. Ils sont identifiés par un utilitaire de détection de langue. Bien que la liste initiale soit constituée de sites web en français, certaines erreurs au moment de la collecte peuvent renvoyer du texte en anglais.

5. Les outils de TAL sont construits pour fonctionner génériquement sur des textes «  bien construits » . Dans notre cadre les passages textuels sont extraits d’une forme éditoriale généralement composée (des menus, des cadres, des extraits, et même des métadonnées) qui, alors qu’ils sont isolés visuellement sur la page, sont dans notre cadre concaténés par le traitement d’extraction du contenu textuel du site web. Les modèles linguistiques sont entraînés plutôt sur des textes de type «  discours » et, en conséquence, cette procédure «  d’aplatissement » de la page reconstitue des textes qui ne sont pas forcément des phrases à l’origine. Alors que l’outil Spacy réalise les tâches d’extraction d’entités nommées, de lemmatisation et d’identification de catégories grammaticales avec des scores de précision très élevés (> 98 %) cette reconstruction artificielle de textes diminue mécaniquement ce score sur nos données.

6. La suppression des formes lexicales communes aux différents sites web n’est pas utile dans les représentations vectorielles , c’est en revanche un moyen d’identifier les signaux faibles plus précisément, d’effectuer des représentations de comparaison très opérationnelles.

Méthodes d’exploitation pour les interpréter et les reproduire

15La procédure de visualisation permet la représentation du lexique récupéré. En jonglant sur les catégories grammaticales et les différents types de sites web, les représentations s’adaptent pour explorer les lexiques collectés. Des variables d’ajustement sont positionnées pour filtrer les représentations ou servir de seuil selon le nombre d’occurrences.

16Les résultats seront identiques si le collecteur n’est pas lancé : la dynamique du web faisant que, d’une part, les contenus textuels peuvent changer tant dans le texte que la forme éditoriale et, d’autre part, les sites web non accessibles au moment de nos collectes peuvent l’être à un autre moment et inversement. Les visualisations produites peuvent aussi varier dans le positionnement des termes, mais ces derniers resteront les mêmes.

17Ces représentations constituent une synthèse des lexiques véhiculés par les classes de sites web. Ces représentations permettent, dans le cadre de sites web d’organisations, d’extraire le lexique qui sera indexé à partir de ces pages et constituent, en ce sens, une représentation sémiotique de la page.

Notes et cadres d’usages

18La collecte par le collecteur prend une dizaine de minutes. Le traitement des données par spaCy est un peu plus long (il est préférable d’activer le GPU dans les paramètres du notebook pour ne pas dépasser les vingt minutes de traitement). Les résultats montrent une sensibilité évidente liée au nombre de sites web par catégorie : plus ce nombre est élevé, plus la gamme lexicale sera importante. En même temps, un lexique issu de catégories de sites web bien composées (des sites web choisis comme relevant de la catégorie) est particulièrement pertinent : le traitement laisse apparaître les termes les plus fréquents de cette classe de site permettant de déterminer le registre lexical de la classe de site et d’opérer à des comparaisons pour identifier des points communs ou des singularités lexicales . L’instrument sera efficace aussi sur les pages suffisamment fournies en contenu textuel et respectueuses du langage HTML.

19Les trois diagrammes de la figure 2 comparent les lemmes (noms, verbes et adjectifs) de la classe restauration à l’ensemble des noms dans cette classe (à droite) en passant par les noms exclusifs de cette classe (au milieu). Les couleurs autres que bleues (diagramme du milieu) sont celles provenant des autres classes de la typologie de sites web ou communes à toutes (en gris) ou à certaines seulement (autres couleurs). Ainsi, les termes communs participent au lexique web de chaque type d’organisations et l’extraction des termes spécifiques permet de cibler «  la spécialité » dominante du type de site web et probablement de l’éditeur sous-jacent (taverne, cantine et pizzéria sont majoritaires dans nos données, c’est-à-dire correctement représentées sur le web). Nous avons aussi constaté que, par construction, la classe restauration n’est pas disjointe de celle de l’hébergement et, de fait, la lisibilité par le lexique différencié (propre à une classe) est une dépendante de la séparation correcte de cette classe avec les autres.

21Les données et les notebooks sont disponibles sous licence MIT sur le dépôt git : https://github.com/​Patent2net/​LexiComWeb Du point de vue pédagogique, au-delà de l’analyse de ces données de terrain, chacun des notebooks peut être «  dérivé » pour produire des extractions sur d’autres sites web et/ou mettre en œuvre des comparaisons de lexiques. Ces applications sont variées dans le domaine du référencement et de l’indexation, en intelligence économique ou encore en analyse de communication. Par exemple, il est possible de modifier le collecteur pour récursivement collecter autant de pages que souhaité d’un site web afin de construire une représentation lexicale, synthèse de la communication véhiculée par ledit site web, à l’aide de l’extracteur de lemmes. Il faut cependant prendre garde à construire des analyses sur des SWO qui utilisent en général une communication positive. En modifiant l’analyseur syntaxique pour intégrer les formes négatives, il est envisageable de viser d’autres formes de communication comme les réseaux d’hyperliens référencés en tant que preuves de désinformation afin de tenter de faire émerger des incohérences par le lexique véhiculé.