DSI. Les langages des moteurs de recherche. Les opérateurs booléens

La recherche dans les bases de données est fondée sur la théorie des ensembles. Un ensemble est le résultat d'une requête issu d'un mot ou d'un concept dans le cadre d'une recherche textuelle. Dans une recherche simple, il y a trois possibilités : l'intersection (élément appartenant simultanément à l'ensemble A et à l'ensemble B), l'union (élément appartenant aux deux ensembles) et l'exclusion (élément de l'ensemble A n'appartenant pas à l'ensemble B). Ces trois notions sont représentées par des symboles qui sont des signes ou des mots. Par convention, l'intersection est représentée par ET et par + ; l'union est OU ; et l'exclusion par NON et par -. Ces symboles s'appellent des opérateurs booléens - en l'honneur du mathématicien George Boole - ou opérateurs logiques. Ces trois notions sont généralement présentées graphiquement comme ceci:

Dans l'exclusion, le «a rouge» comprend la partie bleue seulement.

Voici trois exemples:

opérateur ET

Dans le premier exemple, celui de l'intersection, il y trois pages A, B et C. Si je veux trouver des pages dont le sujet est le langage de recherche, j'aurais cette requête:

langage recherche

J'obtiendrai alors les trois pages parce que les deux mots sont communs. Je peux restreindre la recherche en ajoutant le mot «moteurs» pour avoir les pages qui traitent des moteurs de recherche. La requête

langage moteurs recherche

donnera les pages B et C, mais pas A. Cette requête peut aussi s'écrire:

+langage +moteurs +recherche

ou encore

langage AND moteurs AND recherche

Vous remarquerez que le mot ajouté a été placé avant «recherche». En général, les automates mettent en priorité les pages qui ont les mots dans l'ordre, puis les mots dans le désordre. Les pages qui ont les mots les plus près entre eux seront classées parmi les premières. Ceci est un facteur de classement. D'autres interviennent. Par exemple, si les mots sont dans le titre, la page sera peut-être mieux classée. C'est l'ensemble des critères qui feront qu'une page sera parmi les 20 premières références. Ce meilleur classement ne garantit pas que la page sera la plus pertinente, mais qu'elle a été optimisée pour ressortir du lot.
Vous noterez aussi que je n'utilise pas le terme «mot-clé». Pour qu'un mot prenne ce nom, il faut impérativement qu'il soit commun à tous les documents. Cet attribut est rare. Dans l'exemple du langage des moteurs de recherche, il peut exister des documents pertinents qui utiliseront le pluriel de langage. Il peut aussi y avoir un anglicisme comme «language». Les sites de recherche qui utilisent des «mots-clés» sont les répertoires qui regroupent plusieurs sites sous un même thème même si ce thème est absent du site lui-même. La Toile du Québec, mieux que Yahoo!, exploite ce concept.

* * *

opérateur OU

Dans l'exemple de l'union, je recherche des pages traitant du répertoires ou des moteurs de recherche en France ou au Canada. La requête serait:

répertoires OR (moteurs AND recherche).

Cette requête apportera ce que l'on appelle du «bruit», c'est-à-dire des pages indésirables. J'augmente la précision de la recherche avec cette requête:

répertoires OR "moteurs de recherche"

Maintenant, je veux des pages dans lesquelles se trouvent Canada ou France. La requête deviendrait :

(répertoires OR "moteurs de recherche") AND (Canada OR France)

J'obtiendrai les pages A, B et C.
Dans Google, la requête s'écrirait ainsi:

répertoires OR "moteurs de recherche" Canada OR France.

* * *

Dans le troisième exemple, je recherche des pages dont le sujet est le référencement dans les moteurs de recherche sauf celles qui traitent du classement.
La requête pourrait être celle-ci dans AltaVista:

(référencement AND "moteurs de recherche") NOT classement

Elle pourrait aussi s'écrire plus simplement :

+référencement +"moteurs de recherche" -classement

ou encore:

référencement & "moteurs de recherche" AND NOT classement

Le résultat de cette requête serait la page C, mais pas la page A, ni la page B.

Chacune des requêtes ci-dessus est une stratégie de recherche. Ces stratégies sont formulées en fonction des automates de recherche. La maîtrise des opérateurs booléens, la compréhension du web et celle du champ de recherche sont trois éléments clés qui apportent plus de raffinement à une stratégie, et souvent plus de succès. Ce n'est pas tous les internautes qui ont le temps ni le goût d'approfondir ces trois aspects. C'est pourquoi, plusieurs services de recherche d'informations ont inclus dans leur site un formulaire de recherche plus ou moins détaillé.

Les formulaires

    Les logiciels de recherche cachent les opérateurs logiques dans leur page d'accueil. Lorsque vous entrez deux mots dans la fenêtre de requête, le logiciel utilise en général l'opérateur d'intersection ET qui a la valeur «+».
   Lorsque vous ajoutez le signe « + » ( +motA +motB ), il affichera les documents qui comprennent les deux mots. Chez Google, ce dernier signe sert aussi à forcer la recherche sur un mot de moins de 3 lettres. Google utilise aussi le signe «+» pour forcer la reconnaissance d'un mot accentué ou avec un signe diacritique. Utilisé avec une interface en anglais, ce signe remplace la recherche par langue.
Lorsque vous utilisez le signe « - » (+motA -motB ) immédiatement devant le mot, le logiciel exclura le motB. En ajoutant ces signes, vous augmentez vos chances d'obtenir l'information recherchée.
    Lorsque vous utilisez un formulaire, vous recourez aussi aux opérateurs logiques.
   Deux types de formulaires se côtoient : le formulaire assisté et le formulaire avancé. Tandis que le formulaire assisté est composé de libellés de recherche qui oriente l'internaute dans sa stratégie de recherche, le formulaire avancé est composé d'une case permettant d'écrire une stratégie élaborée comprenant opérateurs booléens et champs. Parmi tous les automates, seuls AltaVista et AlltheWeb ont une case de recherche spécifique à la recherche avancée. Il est à noter que les sites de recherche utilisent l'expression «recherche avancée» - Advanced Search - pour «recherche assistée». WiseNut se particularise avec l'expression WiseSearch et Voila avec Recherche approfondie.

Le formulaire assisté

Le formulaire assisté comprend les libellés des opérateurs logiques, de l'opérateur de proximité, des champs de recherche et des fonctions d'affichage et parfois de tri.

Voici un exemple de libellés provenant de la page de recherche avancée de Google:

Libellé	Opérateurs
tous les mots suivants	et
au moins un des mots suivants	ou
aucun des mots suivants	sauf
cette expression exacte	" "

Le formulaire avancé

Pour la plupart des automates de recherche, le formulaire avancé est la même case de recherche que le formulaire de la page d'accueil. Seul AltaVista et AlltheWeb utilisent une case spéciale pour la recherche avancée. La différence entre une recherche simple et une recherche avancée réside dans l'utilisation des parenthèses et des champs.
La recherche avancée fait appel à la combinaison des trois notions de bases utilisant les parenthèses pour les distinguer. Habituellement, il y une hiérarchie de traitement qui constitue la syntaxe. Les ensembles unis sont traités en premier, puis les ensembles intersectés, enfin les ensembles exclus. Une stratégie de recherche peut prendre cet aspect :

(motA OU motB) ET (motC OU motD) NON (motF OU motG)

Compte tenu que la majorité des moteurs de recherche sont américains, les opérateurs logiques s'écrivent en général en anglais : AND (et), OR (ou), AND NOT, NOT (sauf, non). La plupart des logiciels de recherche acceptent les opérateurs en majuscules pour les distinguer des mots usuels. Enfin, certains des automates ont aussi des opérateurs transcrits en symboles : & (et), | (ou).

Voici trois tableaux qui donnent succinctement la disponibilité des opérateurs pour onze automates de recherche. AlltheWeb et AltaVista ont été acquis par la société Yahoo!. Leur automate de recherche ont été remplacé par un Inktomi modifié. HotBot France utilise l'Inktomi original. On y retrouve trois répertoires et cinq portails - AOL France ayant Exalead. Les tableaux complets sont sur la page Tableaux des opérateurs de recherche (le chargement peut être lent).

Les automates de recherche

	ET	OU	SAUF	Proximité/ Adjacence	Troncature / lemmatisation	Requête complexe
AlltheWeb (Yahoo ! Search )	Oui	Oui	Oui	Oui	Non	Oui
AltaVista (Yahoo! Search)	Oui	Oui	Oui	Oui	Non	Oui
Ask	Oui	Non	Oui	Oui	Non	Oui
Exalead	Oui	Oui	Oui	Oui	Oui	Oui
Gigablast	Oui	Non	Oui	Oui	Non	Non
Google	Oui	Oui	Oui	Oui	Oui	Oui
HotBot.fr (Inktomi)	Oui	Oui	Oui	Oui	Oui	Oui
MSN Search	Oui	Oui	Oui	Oui	Non	Oui
Seekport	Oui	Oui	Oui	Oui	Oui	Oui
Tout le web francophone (Voila)	Oui	Non	Oui	Oui	Non	Oui
WiseNut	Oui	Non	Oui	Oui	Non	Non


Les Répertoires

	ET	OU	SAUF	Proximité/ Adjacence	Troncature	Requête complexe
Nomade	Oui	Oui	Oui	Oui	Non	Non
La Toile du Québec (Google)	Oui	Oui	Oui	Oui	Non	Oui
Yahoo (Yahoo ! Search)	Oui	Oui	Oui	Oui	Non	Oui


Les portails

	ET	OU	SAUF	Proximité/ Adjacence	Troncature	Requête complexe
AOL (Google)	Oui	Oui	Oui	Oui	Non	Oui
AOL France (Exalead - web français)	Oui	Non	Oui	Oui	Non	Non
Excite France (Yahoo! Search)	Oui	Oui	Oui	Oui	Non	Oui
GlobeTrotter (Yahoo! Search)	Oui	Oui	Oui	Oui	Non	Oui
Lycos (Inktomi)	Oui	Oui	Oui	Oui	Non	Oui
Sympatico (MSN Search)	Oui	Oui	Oui	Oui	Non	Oui

Enfin, la recherche avancée utilise des préfixes de recherche qui correspondent à des champs. Une page web comprend plusieurs champs. Les plus communs sont le titre, l'adresse URL, le domaine et le nom de domaine, et l'hyperlien. C'est ce que nous verrons dans les prochains chapitres.

Introduction	Opérateurs booléens	Opérateurs de proximité	Troncature
Champs de recherche	Requêtes complexes	Conclusion	Formulaire de recherche
Tableaux	Les opérateurs logiques	Les champs de recherche	Affichage et fonctions

Les langages des automates de recherche:

Les opérateurs logiques

Les opérateurs logiques

Les formulaires

Le formulaire assisté

Le formulaire avancé

Les langages
des automates de recherche: