💻 computer science

SPIRE: Structure-Preserving Interpretable Retrieval of Evidence

Le papier présente SPIRE, un système de récupération d'informations qui préserve la structure des documents semi-structurés (comme le HTML) en utilisant des sous-documents et des mécanismes de contextualisation pour générer des citations plus précises et interprétables que les méthodes traditionnelles basées sur des passages plats.

Auteurs originaux : Mike Rainey, Umut Acar, Muhammed Sezer

Publié 2026-04-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mike Rainey, Umut Acar, Muhammed Sezer

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🕵️‍♂️ SPIRE : Le détective qui ne perd jamais le fil

Imaginez que vous essayez de trouver une réponse précise dans une immense bibliothèque remplie de livres, de journaux et de manuels techniques.

Le problème actuel (La méthode "Marteau-Piqueur")
Aujourd'hui, la plupart des intelligences artificielles (comme les chatbots) traitent ces documents comme de simples morceaux de papier découpés en petits carrés de taille égale.

L'analogie : C'est comme si vous preniez un livre de cuisine, vous le déchiriez en petits carrés de 50 mots, et vous les jetiez dans un tas.
Le résultat : Si vous cherchez une recette, l'IA peut vous donner un carré qui dit "Ajoutez 2 œufs". Mais elle a oublié de vous dire dans quelle recette (le titre du plat ?), à quelle étape (au début ou à la fin ?) et quels ingrédients sont autour. Le résultat est souvent incompréhensible ou trompeur.

La solution SPIRE (La méthode "Architecte")
Les auteurs de ce papier (de l'Université Carnegie Mellon) proposent une nouvelle approche appelée SPIRE. Au lieu de découper le document au hasard, ils respectent sa structure interne (les titres, les listes, les tableaux, les paragraphes).

Voici comment cela fonctionne, étape par étape, avec des analogies simples :

1. Le Document est un Arbre, pas une Ligne 🌳

Au lieu de voir un texte comme une longue ligne plate, SPIRE le voit comme un arbre généalogique.

Il y a le tronc (le titre du document).
Il y a les grosses branches (les sections).
Il y a les petites branches (les paragraphes).
Il y a les feuilles (les phrases).
SPIRE sait exactement où se trouve chaque feuille sur l'arbre. Il peut dire : "Cette phrase est la 3ème feuille de la 2ème branche de la section 'Vacances'".

2. La "Recette" de Contexte Global (Global Contextualization) 🏗️

Quand l'IA trouve une phrase intéressante (une "feuille"), elle ne la sort pas seule. Elle applique une recette automatique pour ajouter les éléments nécessaires à sa compréhension :

Si c'est une phrase dans une liste à puces, SPIRE ajoute le titre de la liste.
Si c'est une cellule d'un tableau, SPIRE ajoute les en-têtes de la ligne et de la colonne.
Si c'est un paragraphe, SPIRE ajoute le titre de la section.
L'analogie : C'est comme si vous trouviez un morceau de puzzle. Au lieu de vous le donner seul, SPIRE vous donne aussi le cadre du puzzle et les pièces voisines pour que vous compreniez l'image globale.

3. L'Expansion Locale (Local Contextualization) 🎈

Parfois, la phrase trouvée est un peu trop sèche. SPIRE a une deuxième étape : il "gonfle" la sélection localement.

Il regarde les phrases juste avant et juste après.
Il demande à une IA (un grand cerveau) de vérifier : "Est-ce que ces phrases supplémentaires aident vraiment à répondre à la question ?".
Si oui, il les garde. Si non, il les jette.
L'analogie : C'est comme un journaliste qui écrit un article. Il a le fait principal (la phrase clé), mais il ajoute deux ou trois phrases de contexte pour que le lecteur comprenne le "pourquoi" et le "comment", sans écrire tout le livre.

4. L'Économie de Place (Le Budget) 💰

Imaginez que vous avez un sac à dos de taille limitée (une limite de mots) pour rapporter des preuves.

L'ancienne méthode : Elle remplit le sac avec de gros blocs de texte. Souvent, elle répète le même titre 10 fois pour 10 phrases différentes, gaspillant de l'espace.
La méthode SPIRE : Elle sait que le titre n'a besoin d'être écrit qu'une seule fois pour tout un groupe de phrases. Elle remplit donc le sac avec beaucoup plus de preuves utiles (des phrases précises) sans gaspiller de place.

🏆 Pourquoi c'est génial ?

Dans leurs tests, SPIRE a montré qu'il est capable de :

Trouver plus de réponses utiles dans la même quantité d'espace.
Donner des citations précises : Quand l'IA dit "La réponse est ici", elle pointe vers l'endroit exact dans le document original, avec tout le contexte nécessaire pour que ce soit clair.
Éviter les hallucinations : En gardant la structure (titres, listes), l'IA ne mélange pas les idées.

En résumé 🎯

Imaginez que vous cherchez une information dans une ville complexe.

Les anciennes méthodes vous donnent une adresse GPS précise mais sans carte, sans nom de rue et sans indication de quartier. Vous êtes perdu.
SPIRE vous donne l'adresse, mais aussi le nom de la rue, le nom du quartier, et une petite carte du coin. Il vous dit exactement où vous êtes et pourquoi c'est important.

C'est une façon plus intelligente, plus humaine et plus efficace de faire chercher des informations à l'ordinateur, en respectant la façon dont les humains ont écrit les documents.

1. Problématique

Les systèmes de génération augmentée par récupération (RAG) actuels souffrent d'une inadéquation fondamentale lorsqu'ils traitent des sources semi-structurées comme le HTML. Les pipelines de récupération classiques linéarisent les documents en "chunks" (tranches) de texte de taille fixe avant l'indexation. Cette approche a plusieurs conséquences néfastes :

Perte de structure : Les frontières des sections, les hiérarchies de titres, les listes et les tableaux sont effacés.
Ininterprétabilité : Une phrase extraite du milieu d'une liste numérotée ou d'un tableau, sans son en-tête ou ses éléments environnants, devient souvent incompréhensible pour l'utilisateur final.
Dilemme Granularité/Contexte : Récupérer des unités fines (phrases) offre de la précision mais manque de contexte ; récupérer des blocs larges préserve le contexte mais dilue la pertinence et gaspille le budget de tokens.

L'objectif de SPIRE est de concevoir un pipeline de récupération qui traite la structure du document comme un objet de première classe, permettant de retourner des preuves (citations) précises, adressables et interprétables sans sacrifier le contexte nécessaire.

2. Méthodologie

Le cadre proposé repose sur un modèle de document arborescent et une approche en deux étapes : la récupération basée sur des vecteurs suivie d'un filtrage contextuel.

A. Modèle de Document Adressable par Chemin

Au lieu de travailler sur du texte plat, SPIRE représente les documents HTML sous forme d'arbres.

Chemins (Paths) : Chaque nœud de l'arbre est identifié par un chemin stable (liste d'indices d'enfants). Ces chemins servent d'identifiants de citation précis.
Sous-documents (Subdocuments) : Au lieu de matérialiser immédiatement un extrait, le système manipule des ensembles de chemins ( $P$ ). Un sous-document est défini comme la paire $(D, P)$ , où $D$ est l'arbre complet et $P$ l'ensemble des chemins à extraire. Cela permet de différer le coût de la matérialisation jusqu'à ce que le contexte soit nécessaire.
Opérateurs de complétion :
- Up (Ascendants) : Ajoute les ancêtres nécessaires pour atteindre un nœud depuis la racine.
- Down (Descendants) : Ajoute le contenu interne d'un nœud structurel (ex: le texte d'un paragraphe).
- Link : L'union de ces deux opérations assure que l'extrait est un sous-arbre bien formé.

B. Contextualisation Globale (Global Contextualization)

Avant l'indexation, chaque unité de récupération (une phrase) est enrichie de manière déterministe avec les éléments structurels non locaux nécessaires à sa compréhension.

Politiques spécifiques : Le système ajoute automatiquement le titre du document, les en-têtes de section actifs (h1-h6), la structure des listes (les étiquettes parentales) et les en-têtes de lignes/colonnes pour les tableaux.
Avantage : Cela permet d'encoder la position structurelle dans les embeddings, rendant les vecteurs sensibles au contexte sémantique et structurel, tout en gardant l'unité d'indexation fine (la phrase).

C. Pipeline de Récupération

Indexation et Recherche Vectorielle :
- Les documents sont segmentés en phrases (en préservant les balises HTML via des marqueurs zéro-largeur).
- Chaque phrase est indexée après avoir subi la contextualisation globale.
- Lors de la requête, les résultats sont regroupés par document source. Pour éviter de payer plusieurs fois le même contexte (titre, en-tête) pour plusieurs phrases d'un même document, les ensembles de chemins sont fusionnés (union) avant l'application du budget de tokens.
Filtrage Contextuel (Local Contextualization) :
- Une fois les candidats récupérés, une étape de filtrage utilise un modèle de langage (LLM).
- Le LLM reçoit une vue étendue localement (voisinage structurel immédiat) et doit sélectionner uniquement les éléments pertinents pour répondre à la requête.
- Le système utilise un protocole de citations par étiquettes : le LLM retourne des identifiants (labels) qui mappent de manière déterministe vers les chemins originaux du document, garantissant que la citation finale pointe précisément vers la source, même si le contexte affiché a été filtré.

3. Contributions Clés

Modèle de document adressable par chemin : Introduction d'une interface formelle (chemins, ensembles de chemins, opérateurs d'extraction) permettant de raisonner sur des documents arborescents tout en interagissant avec des modèles séquentiels.
Pipeline de récupération conscient de la structure :
- Indexation de sous-documents ensemencés par des phrases avec contextualisation globale déterministe.
- Agrégation document-agnostique pour amortir le coût du contexte partagé.
- Filtrage contextuel post-récupération via LLM pour affiner la précision.
Preuves expérimentales : Démonstration sur des benchmarks de questions-réponses (HotpotQA, ASQA) que la préservation de la structure génère des citations de meilleure qualité et plus diversifiées sous un budget de tokens fixe, par rapport aux bases de passage (passage-based baselines).

4. Résultats Expérimentaux

Les expériences ont été menées sur les benchmarks HotpotQA et ASQA en utilisant un budget de citation fixe de 1000 tokens.

Comparaison avec la base (bge) :
- Le système SPIRE (récupération par embedding uniquement) produit un nombre significativement plus élevé de citations utiles (ex: 2225 vs 1514 sur HotpotQA) tout en maintenant un ratio de pertinence similaire par citation.
- L'ablation montre que la suppression de la contextualisation globale réduit la précision, et que l'utilisation de blocs (au lieu de phrases) comme unité d'indexation dégrade la qualité.
Impact du Filtrage Contextuel (SPIRE complet) :
- L'ajout de l'étape de filtrage par LLM améliore considérablement le ratio de citations utiles.
- Sur HotpotQA, le ratio passe de 0,215 (recherche par embedding seule) à 0,655 (pipeline complet).
- Sur ASQA, le ratio passe de 0,615 à 0,813.
- Le filtrage permet de rejeter les candidats faibles et de concentrer le budget sur les preuves directes, tout en conservant la traçabilité exacte vers la source.

5. Signification et Conclusion

SPIRE démontre que la structure des documents n'est pas un détail de mise en forme, mais une composante sémantique essentielle pour la récupération d'information.

Dépassement du "Chunking" : En évitant la linéarisation précoce, SPIRE permet de récupérer des unités de granularité fine (phrases) tout en garantissant leur intelligibilité grâce à une contextualisation structurelle déterministe.
Précision et Provenance : La séparation entre la vue étendue utilisée pour le raisonnement (filtrage) et l'identité de la citation (chemin original) assure une robustesse et une reproductibilité accrues.
Évolutivité : Le cadre est extensible à d'autres types de documents (glossaires, définitions légales) sans changer le pipeline de base.

En résumé, SPIRE propose une intégration plus principielle des documents structurés dans les pipelines RAG, offrant un compromis supérieur entre précision, contexte et efficacité budgétaire, ce qui est crucial pour les applications nécessitant des citations fiables et interprétables.