Articles Longs acceptés à RÉCITAL 2010
(
pour voir/cacher les résumés)
Houda Bouamor.
Construction d'un corpus de paraphrases
d'énoncés par traduction multiple multilingue
Les corpus de
paraphrases à large échelle sont importants dans de nombreuses
applications de TAL. Dans cet article nous présentons une méthode
visant à obtenir un corpus parallèle de paraphrases
d'énoncés en français. Elle vise à collecter des traductions
multiples proposées par des contributeurs volontaires francophones à
partir de plusieurs langues européennes. Nous formulons
l'hypothèse que deux traductions soumises indépendamment par
deux participants conservent généralement le sens de la phrase
d'origine, quelle que soit la langue à partir de laquelle la
traduction est effectuée. L'analyse des résultats nous
permet de discuter cette hypothèse.
Mani Ezzat.
Acquision de grammaire locale pour
l'extraction de relations entre entités nommées
La constitution de
ressources linguistiques est une tâche cruciale pour les systèmes
d'extraction d'information fondés sur une approche
symbolique. Ces systèmes reposent en effet sur des grammaires
utilisant des informations issues de dictionnaires électroniques ou
de réseaux sémantiques afin de décrire un phénomène linguistique
précis à rechercher dans les textes. La création et la révision
manuelle de telles ressources est une tâche longue et coûteuse en
milieu industriel.Nous présentons ici un nouvel algorithme
produisant une grammaire d'extraction de relations entre
entités nommées, de manière semi-automatique à partir d'un
petit ensemble de phrases représentatives. Dans un premier temps, le
linguiste repère un jeu de phrases pertinentes à partir
d'une analyse des cooccurrences d'entités repérées
automatiquement. Cet échantillon n'a pas forcément une
taille importante. Puis, un algorithme permet de produire une
grammaire en généralisant progressivement les éléments lexicaux
exprimant la relation entre entités. L'originalité de
l'approche repose sur trois aspects : une représentation
riche du document initial permettant des généralisations
pertinentes, la collaboration étroite entre les aspects automatiques
et l'apport du linguiste et sur la volonté de contrôler le
processus en ayant toujours affaire à des données lisibles par un
humain.
Audrey Laroche.
Attribution d'auteur au moyen de modèles de
langue et de modèles stylométriques
Dans une tâche
consistant à trouver l'auteur (parmi 53) de chacun de 114
textes, nous analysons la performance de modèles de langue et de
modèles stylométriques sous les angles de la précision et du nombre
de paramètres. Le modèle de mots bigramme à lissage de Kneser-Ney
modifié interpolé est le plus performant (75 % de bonnes réponses au
premier rang). Parmi les modèles stylométriques, une combinaison de
7 paramètres liés aux parties du discours produit les meilleurs
résultats (précision de 25 % au premier rang). Dans les deux
catégories de modèles, la précision maximale n'est pas
atteinte lorsque le nombre de paramètres est le plus
élevé.
Hyeran Lee, Philippe Gambette, Elsa Maillé and
Constance Thuillier.
Densidées : calcul automatique de la densité des
idées dans un corpus oral
Idea density, which is
the ratio of semantic propositions divided by the number of words in
a text, reflects the informative quality of the sentences of a text.
A decreasing idea density has been identified as one of the symptoms
of Alzheimer’s disease, which explains the interest in an automatic
calculation of idea density. We propose a method based on
part-of-speech tagging followed by adjustment rules inspired from
the CPIDR software. This method was validated on a corpus of 40
transcribed conversations in French and obtains better results in
French than CPIDR in English. It is implemented in the free software
Densidées available at http://code.google.com/p/densidees.
Li-chi Wu.
Outils de segmentation du chinois et
textométrie
Chinese word
segmentation is the first step in Chinese natural language
processing. The system of segmentation has considerably developed
since the first automatic system of segmentation of the 1980’s.
However, till today there are no standard tools. The aim of this
paper is to compare various tools of segmentation by through
statistical analysis. Our goal is to identify the kind of texts for
which these segmentation tools are the most effective. This study
chose four segmentation tools and two corpora, marked by distinct
themes. Using two textometric toolboxes, Lexico3 and mkAlign, we
focused on the number of syllables in Chinese. The quantitative data
allowed us to objectify disparities between tools. The Hylanda
system turns out to be effective in the segmentation of specialized
terms and the Stanford system is more appropriate for general texts.
The comparative study of segmenters shows the undeniable status of
textometrical analysis which is able to quickly access information
retrieval.
Articles Courts acceptés à RÉCITAL 2010
(
pour voir/cacher les résumés)
Bouabdallah Adila.
Ces noms qui cachent des événements : un premier
repérage
La détection des
informations temporelles est crucialle pour le traitement
automatique des textes, qu’il s’agisse de modélisation linguistique,
d’applications en compréhension du langage ou encore de tâches de
recherche documentaire ou d’extraction d’informations. De nombreux
travaux ont été dédiés à l’analyse temporelle des textes, et plus
précisemment l’annotation des expressions temporelles ou des
événements sous leurs différentes formes : verbales, adjectivales ou
nominales. Dans cet article, nous décrivons une méthode pour la
détection des syntagmes nominaux dénotant des événements. Notre
approche est basée sur l’implémentation d’un test linguistique
simple proposé par les linguistes pour cette tâche. Nous avons
expérimenté notre méthode sur deux corpus différents ; le premier
est composé d’articles de presse et le second est beaucoup plus
grand, utilisant une interface pour interroger automatiquement le
moteur de recherche Yahoo. Les résultats obtenus ont montré que
cette méthode se révèle plus pertinente pour un plus large
corpus.
Baptiste Chardon.
Catégorisation automatique d'adjectifs
d'opinion à partir d'une ressource linguistique
générique
Cet article décrit un
processus d’annotation manuelle de textes d’opinion, basé sur un
schéma fin d'annotation indépendant de la langue et du
corpus. Ensuite, à partir d'une partie de ce schéma, une
méthode de construction automatique d'un lexique
d'opinion à partir d'un analyseur syntaxique et
d'une ressource linguistique est décrite. Cette méthode
consiste à construire un arbre de décision basé sur les classes de
concepts de la ressource utilisée. Dans un premier temps, nous avons
étudié la couverture du lexique d'opinion obtenu par
comparaison avec l’annotation manuelle effectuée sur un premier
corpus de critiques de restaurants. La généricité de ce lexique a
été mesurée en le comparant avec un second lexique, généré à partir
d'un corpus de commentaires de films. Dans un second temps,
nous avons évalué l'utilisabilité du lexique au travers
d'une tâche extrinsèque, la reconnaissance de la polarité de
commentaires d'internautes.
Mohamed Hédi Maâloul and Iskandar Keskes.
Résumé automatique de documents arabes basé sur la
technique RST
Dans cet article, nous
nous intéressons au résumé automatique de textes arabes. Nous
commençons par présenter une étude analytique réalisée sur un corpus
de travail qui nous a permis de déduire, suite à des observations
empiriques, un ensemble de relations et de frames (règles ou
patrons) rhétoriques; ensuite nous présentons notre méthode de
production de résumés pour les textes arabes. La méthode que nous
proposons se base sur la Théorie de la Structure Rhétorique (RST)
(Mann et al., 1988) et utilise des connaissances purement
linguistiques. Le principe de notre proposition s’appuie sur trois
piliers. Le premier pilier est le repérage des relations rhétoriques
entres les différentes unités minimales du texte dont l’une possède
le statut de noyau – segment de texte primordial pour la cohérence –
et l’autre a le statut noyau ou satellite – segment optionnel. Le
deuxième pilier est le dressage et la simplification de l’arbre
RST. Le troisième pilier est la sélection des
phrases noyaux formant le résumé final, qui tiennent en compte le
type de relation rhétoriques choisi pour l’extrait.
Hee-Jin Ro.
Inférences aspecto-temporelles analysées avec la
Logique Combinatoire, programmées en Haskell
Ce travail s’inscrit
dans une recherche centrée sur une approche de la linguistique
computationnelle. Il permet d’intégrer différentes techniques
formelles de la Logique Combinatoire avec des types (Curry) et sa
programmation fonctionnelle (Haskell) avec une théorie énonciative
du temps et de l’aspect. Nous proposons des calculs formels de
valeurs aspecto-temporelles (processus inaccompli présent, processus
inaccompli passé, événement passé et état-résultant présent)
associées à des représentations de significations verbales sous
forme de schèmes applicatifs.
Selja Seppälä.
Automatiser la rédaction de définitions
terminographiques : questions et traitements
Dans cet article, nous
présentons une analyse manuelle de corpus de contextes conceptuels
afin (i) de voir dans quelle mesure les méthodes de TALN existantes
sont en principe adéquates pour automatiser la rédaction de
définitions terminographiques, et (ii) de dégager des question
précises dont la résolution permettrait d'automatiser
davantage la production de définitions. Le but est de contribuer à
la réflexion sur les enjeux de l'automatisation de cette
tâche, en procédant à une série d'analyses qui nous mènent,
étape par étape, à examiner l'adéquation des méthodes
d'extraction de définitions et de contextes plus larges au
travail terminographique de rédaction des définitions. De ces
analyses émergent des questions précises relatives à la pertinence
des informations extraites et à leur sélection. Des propositions de
solutions et leurs implications pour le TALN sont
examinées.
Benoît Trouvilliez.
Représentation vectorielle de textes courts
d'opinions. Analyse de traitements sémantiques pour la
fouille d'opinions par clustering
Avec le développement
d'internet et des sites d'échanges (forums, blogs,
sondages en ligne, ...), l'exploitation de nouvelles sources
d'informations dans le but d'en extraire des
opinions sur des sujets précis (film, commerce,...) devient
possible. Dans ce papier, nous présentons une approche de fouille
d'opinions à partir de textes courts. Nous expliquons
notamment en quoi notre choix d'utilisation de regroupements
autour des idées exprimées nous a conduit à opter pour une
représentation implicite telle que la représentation vectorielle.
Nous voyons également les différents traitements sémantiques
intégrés à notre chaîne de traitement (traitement de la négation,
lemmatisation, stemmatisation, synonymie ou même polysémie des mots)
et discutons leur impact sur la qualité des regroupements
obtenus.