{ "paper_id": "F14-1028", "header": { "generated_with": "S2ORC 1.0.0", "date_generated": "2023-01-19T10:23:23.995615Z" }, "title": "Evaluation d'une approche de classification possibiliste pour la d\u00e9sambigu\u00efsation des textes arabes", "authors": [ { "first": "Raja", "middle": [], "last": "Ayed", "suffix": "", "affiliation": {}, "email": "ayed.raja@gmail.com" }, { "first": "Ibrahim", "middle": [], "last": "Bounhas", "suffix": "", "affiliation": { "laboratory": "Laboratoire de l'informatique pour les syst\u00e8mes industriels", "institution": "Universit\u00e9 de la Manouba", "location": { "postCode": "2010", "country": "Tunisie (" } }, "email": "bounhas.ibrahim@yahoo.fr" }, { "first": "Bilel", "middle": [], "last": "Elayeb", "suffix": "", "affiliation": {}, "email": "bilel.elayeb@riadi.rnu.tn" }, { "first": "Narj\u00e8s", "middle": [], "last": "Bellamine", "suffix": "", "affiliation": {}, "email": "narjes.bellamine@ensi.rnu.tn" }, { "first": "Ben", "middle": [], "last": "Saoud", "suffix": "", "affiliation": {}, "email": "" }, { "first": "Fabrice", "middle": [], "last": "Evrard", "suffix": "", "affiliation": { "laboratory": ") Institut de recherche en informatique de Toulouse (IRIT)", "institution": "", "location": { "addrLine": "02 rue Camichel", "postCode": "31071", "settlement": "Toulouse", "country": "France" } }, "email": "fabrice.evrard@enseeiht.fr" } ], "year": "", "venue": null, "identifiers": {}, "abstract": "La d\u00e9sambigu\u00efsation morphologique d'un mot arabe consiste \u00e0 identifier l'analyse morphologique appropri\u00e9e correspondante \u00e0 ce mot. Dans cet article, nous pr\u00e9sentons trois mod\u00e8les de d\u00e9sambigu\u00efsation morphologique de textes arabes non voyell\u00e9s bas\u00e9s sur la classification possibiliste. Cette approche traite les donn\u00e9es impr\u00e9cises dans les phases d'apprentissage et de test, \u00e9tant donn\u00e9 que notre mod\u00e8le apprend \u00e0 partir de donn\u00e9es non \u00e9tiquet\u00e9s. Nous testons notre approche sur deux corpus, \u00e0 savoir le corpus du Hadith et le Treebank Arabe. Ces corpus contiennent des donn\u00e9es de types diff\u00e9rents classiques et modernes. Nous comparons nos mod\u00e8les avec des classifieurs probabilistes et statistiques. Pour ce faire, nous transformons la structure des ensembles d'apprentissage et de test pour rem\u00e9dier au probl\u00e8me d'imperfection des donn\u00e9es.", "pdf_parse": { "paper_id": "F14-1028", "_pdf_hash": "", "abstract": [ { "text": "La d\u00e9sambigu\u00efsation morphologique d'un mot arabe consiste \u00e0 identifier l'analyse morphologique appropri\u00e9e correspondante \u00e0 ce mot. Dans cet article, nous pr\u00e9sentons trois mod\u00e8les de d\u00e9sambigu\u00efsation morphologique de textes arabes non voyell\u00e9s bas\u00e9s sur la classification possibiliste. Cette approche traite les donn\u00e9es impr\u00e9cises dans les phases d'apprentissage et de test, \u00e9tant donn\u00e9 que notre mod\u00e8le apprend \u00e0 partir de donn\u00e9es non \u00e9tiquet\u00e9s. Nous testons notre approche sur deux corpus, \u00e0 savoir le corpus du Hadith et le Treebank Arabe. Ces corpus contiennent des donn\u00e9es de types diff\u00e9rents classiques et modernes. Nous comparons nos mod\u00e8les avec des classifieurs probabilistes et statistiques. Pour ce faire, nous transformons la structure des ensembles d'apprentissage et de test pour rem\u00e9dier au probl\u00e8me d'imperfection des donn\u00e9es.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Abstract", "sec_num": null } ], "body_text": [ { "text": "De nombreux mots Arabes poss\u00e8dent la m\u00eame forme orthographique. Ceci est d\u00fb \u00e0 la richesse morphologique de cette langue (Diab et al., 2004) . En effet, l'omission des voyelles courtes peut g\u00e9n\u00e9rer plus de 12 interpr\u00e9tations morphologiques d'un mot donn\u00e9 (Habash et Rambow, 2007) . Par cons\u00e9quent, l'une des formes d'ambigu\u00eft\u00e9 les plus relev\u00e9es en arabe est l'ambigu\u00eft\u00e9 morphologique. Un mot peut \u00eatre ambigu \u00e0 l'\u00e9gard de sa structure interne. Le traitement morphologique porte sur le morph\u00e8me qui constitue l'unit\u00e9 \u00e9l\u00e9mentaire discernable. L'analyse morphologique d'un mot a pour r\u00f4le de d\u00e9terminer les valeurs d'un grand nombre de caract\u00e9ristiques ou d'attributs morphologiques d'une entit\u00e9 lexicale (un mot), comme la cat\u00e9gorie grammaticale (nom, verbe, etc.) , le genre, le nombre, etc. En fait, un mot non voyell\u00e9 peut conduire \u00e0 de nombreuses solutions morphologiques. Par exemple, le mot \u202b\u0648\u0642\u0641\u202c (wqf), en dehors du contexte, peut \u00eatre interpr\u00e9t\u00e9 comme \u202b\u064e\u0641\u064e\u064e\u202c \u202b\u0642\u202c \u064e \u202b\u0648\u202c (waqafa, \"il s'est lev\u00e9\") ou \u064e \u202b\u0641\u202c \u0652 \u202b\u0642\u202c \u064e \u202b\u0648\u202c (waqfun, \"cession\") ou Raja Ayed, Ibrahim Bounhas, Bilel Elayeb, Narj\u00e8s Bellamine Ben Saoud et Fabrice Evrard encore \u202b\u0650\u0641\u0652\u064e\u202c \u202b\u0642\u202c \u064e \u202b\u0648\u202c (waqif, \"et l\u00e8ve-toi\"), o\u00f9 ce mot est une concat\u00e9nation de la conjonction \u202b\u0648\u202c \"et\" avec le verbe \u202b\u0650\u0641\u0652\u064e\u202c \u202b\u0642\u202c \"se lever\" qui est conjugu\u00e9 \u00e0 l'imp\u00e9ratif. Malgr\u00e9 leur importance, les voyelles courtes ne sont utilis\u00e9es que dans les textes religieux (Coran, Hadith, etc.) et les manuels didactiques contrairement aux textes modernes trouv\u00e9s dans les journaux et dans les livres.", "cite_spans": [ { "start": 120, "end": 139, "text": "(Diab et al., 2004)", "ref_id": "BIBREF9" }, { "start": 254, "end": 278, "text": "(Habash et Rambow, 2007)", "ref_id": "BIBREF19" }, { "start": 743, "end": 761, "text": "(nom, verbe, etc.)", "ref_id": null }, { "start": 1399, "end": 1420, "text": "(Coran, Hadith, etc.)", "ref_id": null } ], "ref_spans": [], "eq_spans": [], "section": "Introduction", "sec_num": "1" }, { "text": "L'ambigu\u00eft\u00e9 morphologique se manifeste lorsque l'analyse associe, \u00e0 une unit\u00e9 lexicale, plusieurs informations nonconformes au contexte du mot, autrement dit quand l'analyse fournit plusieurs valeurs pour certains attributs morphologiques (Hajic, 2000) . Par ailleurs, une approche pour la d\u00e9sambigu\u00efsation morphologique arabe est n\u00e9cessaire pour faire face \u00e0 l'ambigu\u00eft\u00e9 des mots non voyell\u00e9s. La d\u00e9sambigu\u00efsation consiste, donc, \u00e0 attribuer la valeur exacte d'un attribut morphologique parmi celles propos\u00e9es par l'analyseur. De nombreux travaux utilisent des approches de classification pour r\u00e9soudre la t\u00e2che morphologique de d\u00e9sambigu\u00efsation (Roth et al., 2008) .", "cite_spans": [ { "start": 239, "end": 252, "text": "(Hajic, 2000)", "ref_id": "BIBREF21" }, { "start": 647, "end": 666, "text": "(Roth et al., 2008)", "ref_id": "BIBREF35" } ], "ref_spans": [], "eq_spans": [], "section": "Introduction", "sec_num": "1" }, { "text": "Nous discutons dans ce papier la contribution d'une nouvelle approche pour la d\u00e9sambigu\u00efsation morphologique arabe bas\u00e9e sur la classification possibiliste. Le but principal est d'apprendre des d\u00e9pendances morphologiques \u00e0 partir des textes voyell\u00e9s et de tester sur des textes non voyell\u00e9s. Nous organisons ce document comme suit. Tout d'abord, dans la section 2, nous pr\u00e9sentons bri\u00e8vement un \u00e9tat de l'art sur la d\u00e9sambigu\u00efsation morphologique arabe. Quant \u00e0 la section 3, elle est consacr\u00e9e \u00e0 un r\u00e9sum\u00e9 sur la th\u00e9orie des possibilit\u00e9s. Notre approche pour la d\u00e9sambigu\u00efsation morphologique possibiliste est d\u00e9taill\u00e9e dans la section 4. Les r\u00e9sultats exp\u00e9rimentaux sont pr\u00e9sent\u00e9s et discut\u00e9s dans la section 5. Nous concluons, dans la section 6 et nous proposons quelques pistes pour de futures recherches.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Introduction", "sec_num": "1" }, { "text": "Plusieurs travaux conduisent la d\u00e9sambigu\u00efsation des mots arabes, d'un texte, \u00e0 l'identification de leurs cat\u00e9gories grammaticales (POS-part-of-speech). La d\u00e9sambigu\u00efsation de POS est le fait de d\u00e9terminer la cat\u00e9gorie grammaticale d'un mot par son utilisation dans un contexte particulier. Elle peut, \u00e9galement, \u00eatre consid\u00e9r\u00e9e comme un probl\u00e8me de classification: l'ensemble des valeurs de POS pr\u00e9sentent les classes et une m\u00e9thode de classification est utilis\u00e9e pour attribuer \u00e0 chaque occurrence d'un mot (analyse d'un mot) une classe sur la base de la certitude du contexte. L'une des \u00e9tapes importantes dans la d\u00e9sambigu\u00efsation est la s\u00e9lection de la m\u00e9thode de classification. Des m\u00e9thodes de classification automatique supervis\u00e9e ont \u00e9t\u00e9 appliqu\u00e9es. Elles utilisent des techniques d'apprentissage pour apprendre un classifieur \u00e0 partir des ensembles d'apprentissage annot\u00e9s (les valeurs de la classe POS sont identifi\u00e9es). Dans la litt\u00e9rature, les approches de d\u00e9sambigu\u00efsation, se r\u00e9partissent en trois cat\u00e9gories. Principalement, ces approches sont: les approches \u00e0 base de r\u00e8gles, les approches statistiques et les approches hybrides qui combinent les deux derni\u00e8res.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "La d\u00e9sambigu\u00efsation morphologique arabe", "sec_num": "2" }, { "text": "Les approches \u00e0 base de r\u00e8gles sont, encore, dites linguistiques. Elles utilisent une base de connaissances des r\u00e8gles \u00e9crites par des linguistes permettant d'attribuer des \u00e9tiquettes aux diff\u00e9rentes cat\u00e9gories morphologiques (Daoud, 2009 ; Othman et al., 2004) . Nous parlons, principalement, des heuristiques, des r\u00e8gles contextuelles et des r\u00e8gles non contextuelles (Elshafei et al., 2002) . Les arbres de d\u00e9cision (Quinlan, 1986) sont con\u00e7us pour exposer des bases de r\u00e8gles. Un arbre de d\u00e9cision est un mod\u00e8le pr\u00e9dictif utilis\u00e9 pour repr\u00e9senter les r\u00e8gles de classification avec une structure en arbre qui partitionne de fa\u00e7on r\u00e9cursive l'ensemble de donn\u00e9es d'apprentissage. Chaque noeud interne d'un arbre de d\u00e9cision repr\u00e9sente un test sur une valeur d'un attribut de classification, et chaque branche repr\u00e9sente un r\u00e9sultat de test. Une pr\u00e9diction est faite quand un noeud feuille est atteint. Cette approche est \u00e9tendue pour extraire et calculer des mesures statistiques utilis\u00e9es pour l'\u00e9tiquetage grammatical (Schmid et al., 1994) .", "cite_spans": [ { "start": 226, "end": 240, "text": "(Daoud, 2009 ;", "ref_id": "BIBREF8" }, { "start": 241, "end": 261, "text": "Othman et al., 2004)", "ref_id": "BIBREF32" }, { "start": 369, "end": 392, "text": "(Elshafei et al., 2002)", "ref_id": "BIBREF14" }, { "start": 418, "end": 433, "text": "(Quinlan, 1986)", "ref_id": "BIBREF34" }, { "start": 1021, "end": 1042, "text": "(Schmid et al., 1994)", "ref_id": "BIBREF36" } ], "ref_spans": [], "eq_spans": [], "section": "Les approches \u00e0 base de r\u00e8gles", "sec_num": "2.1" }, { "text": "Les approches statistiques forment des mod\u00e8les d'apprentissage \u00e0 partir des corpus annot\u00e9s. Elles incorporent des m\u00e9thodes de classification telles que les mod\u00e8les de Markov cach\u00e9s (Garside et Leech, 1987) , SVM (Vapnik, 1998) , etc. pour calculer des taux de probabilit\u00e9 de chaque valeur r\u00e9sultante d'une cat\u00e9gorie grammaticale d'un mot. Un mod\u00e8le peut \u00eatre utilis\u00e9 pour classer automatiquement les autres textes en se r\u00e9f\u00e9rant aux taux d\u00e9j\u00e0 calcul\u00e9s. (Diab et al., 2004) ", "cite_spans": [ { "start": 181, "end": 205, "text": "(Garside et Leech, 1987)", "ref_id": "BIBREF17" }, { "start": 208, "end": 226, "text": "SVM (Vapnik, 1998)", "ref_id": null }, { "start": 453, "end": 472, "text": "(Diab et al., 2004)", "ref_id": "BIBREF9" } ], "ref_spans": [], "eq_spans": [], "section": "Les approches statistiques", "sec_num": "2.2" }, { "text": "Une approche hybride combine les r\u00e8gles linguistiques avec les informations statistiques afin de r\u00e9soudre l'ambigu\u00eft\u00e9 morphologique. Dans (Tlili-Guiassa, 2006) , on propose une approche qui analyse les affixes grammaticaux et flexionnels et les r\u00e8gles grammaticales en se basant sur l'approche MBL (Memory based learning) (Lin et al., 1994) . Elle est appliqu\u00e9e pour classer une collection de textes coraniques et \u00e9ducatifs. (Zribi et al., 2006 ) combinent l'approche \u00e0 base de r\u00e8gles avec un \u00e9tiqueteur trigramme HMM (Collins, 2002) . L'apprentissage du classifieur trigramme a \u00e9t\u00e9 fait sur des textes comportant 6000 mots. Des r\u00e8gles heuristiques ont \u00e9t\u00e9 appliqu\u00e9es pour s\u00e9lectionner parmi les r\u00e9sultats propos\u00e9s.", "cite_spans": [ { "start": 138, "end": 159, "text": "(Tlili-Guiassa, 2006)", "ref_id": null }, { "start": 322, "end": 340, "text": "(Lin et al., 1994)", "ref_id": "BIBREF29" }, { "start": 425, "end": 444, "text": "(Zribi et al., 2006", "ref_id": "BIBREF39" }, { "start": 518, "end": 533, "text": "(Collins, 2002)", "ref_id": "BIBREF7" } ], "ref_spans": [], "eq_spans": [], "section": "Les approches hybrides", "sec_num": "2.3" }, { "text": "(Khoja, 2001) a mis en oeuvre une approche hybride qui utilise l'algorithme de Viterbi (Forney, 1973; Fettweis et Meyr, 1991) . Elle calcule deux probabilit\u00e9s sur un corpus annot\u00e9 compos\u00e9 de 50000 mots: (i) une probabilit\u00e9 lexicale, qui est la probabilit\u00e9 qu'un mot ait une certaine valeur d'un attribut morphologique sp\u00e9cifi\u00e9, et (ii) une probabilit\u00e9 contextuelle, qui est la probabilit\u00e9 d'une \u00e9tiquette \u00e0 suivre une autre. Une liste de r\u00e8gles grammaticales est pr\u00e9par\u00e9e \u00e0 partir de ces statistiques dans le but d'assurer plus de 90% de pr\u00e9cision.", "cite_spans": [ { "start": 87, "end": 101, "text": "(Forney, 1973;", "ref_id": "BIBREF16" }, { "start": 102, "end": 125, "text": "Fettweis et Meyr, 1991)", "ref_id": "BIBREF15" } ], "ref_spans": [], "eq_spans": [], "section": "Les approches hybrides", "sec_num": "2.3" }, { "text": "Les outils de d\u00e9sambigu\u00efsation linguistiques sont plus rapides et plus efficaces et fiables que les outils statistiques (Hoceini et al., 2011 ", "cite_spans": [ { "start": 120, "end": 141, "text": "(Hoceini et al., 2011", "ref_id": "BIBREF24" } ], "ref_spans": [], "eq_spans": [], "section": "Les approches hybrides", "sec_num": "2.3" }, { "text": "La th\u00e9orie des possibilit\u00e9s a \u00e9t\u00e9 introduite par Zadeh en 1978 pour palier au probl\u00e8me de l'imperfection des donn\u00e9es et de l'incompl\u00e9tude de l'information (Dubois, Prade, 1994) . Une information est imparfaite lorsqu'elle est incertaine et/ou impr\u00e9cise. Nous d\u00e9crivons, dans les paragraphes suivants, les fonctions, les mesures et les degr\u00e9s utilis\u00e9s pour traduire l'incertitude et l'impr\u00e9cision des donn\u00e9es dans la th\u00e9orie des possibilit\u00e9s.", "cite_spans": [ { "start": 155, "end": 176, "text": "(Dubois, Prade, 1994)", "ref_id": null } ], "ref_spans": [], "eq_spans": [], "section": "La th\u00e9orie des possibilit\u00e9s", "sec_num": "3" }, { "text": "La th\u00e9orie des possibilit\u00e9s est fond\u00e9e sur la notion de distribution des possibilit\u00e9s d\u00e9sign\u00e9e par \u03c0. Cette distribution correspond \u00e0 une application de l'univers de discours \u03a9={\u03c9 1 , \u03c9 2 ,\u2026, \u03c9 n } vers l'intervalle [0, 1] mod\u00e9lisant les connaissances du monde r\u00e9el. Elle distingue les \u00e9tats (les \u03c9 i ) plausibles et les \u00e9tats peu plausibles. Les valeurs de cette application sont appel\u00e9es degr\u00e9s de possibilit\u00e9s. Si un degr\u00e9 est \u00e9gal \u00e0 1, alors l'\u00e9tat \u03c9 i associ\u00e9 est plausible. Toutefois, si ce degr\u00e9 est \u00e9gal \u00e0 0 alors l'\u00e9tat est dit impossible.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "La distribution de possibilit\u00e9", "sec_num": "3.1" }, { "text": "L'impr\u00e9cision se manifeste quand un \u00e9tat de la r\u00e9alit\u00e9 est d\u00e9crit par une variable propositionnelle de valeurs multiples. L'incertitude traduit le fait de ne pas conna\u00eetre ou pr\u00e9voir un \u00e9tat de la r\u00e9alit\u00e9 pour d\u00e9terminer la valeur de v\u00e9rit\u00e9 d'une proposition (Dubois et Prade, 1994) . Nous \u00e9valuons un \u00e9tat par le calcul de deux mesures qui sont, respectivement, la possibilit\u00e9 et la n\u00e9cessit\u00e9. Nous d\u00e9signons A un sous-ensemble d'\u00e9tats de l'univers du discours \u03a9. Nous d\u00e9crivons la mesure de possibilit\u00e9 de A, moyennant une distribution de possibilit\u00e9s \u03c0 (d\u00e9finie sur \u03a9), comme suit: ", "cite_spans": [ { "start": 259, "end": 282, "text": "(Dubois et Prade, 1994)", "ref_id": null } ], "ref_spans": [], "eq_spans": [], "section": "Les mesures de possibilit\u00e9 et de n\u00e9cessit\u00e9", "sec_num": "3.2" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "\u03a0(A) = max \u03c9\u2208A \u03c0(\u03c9)", "eq_num": "(1)" } ], "section": "Les mesures de possibilit\u00e9 et de n\u00e9cessit\u00e9", "sec_num": "3.2" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "N(A) = min \u03c9\u2209A [1 \u2212 \u03c0(\u03c9)] = 1 \u2212 \u03a0(A \u0305 )", "eq_num": "(2)" } ], "section": "Les mesures de possibilit\u00e9 et de n\u00e9cessit\u00e9", "sec_num": "3.2" }, { "text": "Dans la formule 2, \u0305 d\u00e9finit le compl\u00e9ment de A en d'autres termes il englobe les \u00e9l\u00e9ments de \u03a9 qui n'appartiennent pas \u00e0 A. \u03a0(A) \u00e9value le degr\u00e9 de consistance de l'\u00e9v\u00e9nement A. N (A) estime dans quelle mesure A est certainement d\u00e9duit par la connaissance repr\u00e9sent\u00e9e par \u03c0. La mesure de n\u00e9cessit\u00e9 d\u00e9finit le degr\u00e9 auquel on attend l'occurrence d'un \u00e9v\u00e9nement (Dubois et Prade, 1985) .", "cite_spans": [ { "start": 361, "end": 384, "text": "(Dubois et Prade, 1985)", "ref_id": null } ], "ref_spans": [], "eq_spans": [], "section": "Les mesures de possibilit\u00e9 et de n\u00e9cessit\u00e9", "sec_num": "3.2" }, { "text": "Nous proposons une approche de d\u00e9sambigu\u00efsation morphologique, des textes arabes, bas\u00e9e sur la th\u00e9orie des possibilit\u00e9s. Plusieurs travaux utilisent les approches de classification pour r\u00e9soudre l'ambigu\u00eft\u00e9 morphologique (Habash et Rambow, 2005 Nous pouvons affirmer, clairement, que le contexte n\u00e9cessaire pour lever l'ambigu\u00eft\u00e9 d'un mot donn\u00e9 est lui-m\u00eame ambigu ce qui est consid\u00e9r\u00e9e comme un cas d'impr\u00e9cision. En effet, la th\u00e9orie des probabilit\u00e9s est incapable de traiter un tel type de donn\u00e9es (impr\u00e9cises), alors que la th\u00e9orie des possibilit\u00e9s s'applique naturellement \u00e0 ces probl\u00e8mes. Nous proposons des mod\u00e8les d'apprentissage et de test (classification) bas\u00e9s sur la th\u00e9orie des possibilit\u00e9s. (Bounhas et al., 2011) . La somme de toutes les fr\u00e9quences associ\u00e9es \u00e0 une classe c i n'est pas \u00e9gale \u00e0 1 ce qui est l'une des principales hypoth\u00e8ses de la th\u00e9orie des possibilit\u00e9s afin de traiter des donn\u00e9es imparfaites. Dans le cas de l'imperfection des donn\u00e9es, le nombre d'occurrences d'une valeur d'un attribut est flou. Nous introduisons une mesure \u03b2 jk appel\u00e9e le taux de l'impr\u00e9cision de l'attribut A j dans l'instance I k (Haouari et al., 2009) . Le nombre d'occurrences est calcul\u00e9 suivant la formule 4 :", "cite_spans": [ { "start": 221, "end": 244, "text": "(Habash et Rambow, 2005", "ref_id": "BIBREF18" }, { "start": 705, "end": 727, "text": "(Bounhas et al., 2011)", "ref_id": "BIBREF6" }, { "start": 1136, "end": 1158, "text": "(Haouari et al., 2009)", "ref_id": "BIBREF22" } ], "ref_spans": [], "eq_spans": [], "section": "L'approche possibiliste de d\u00e9sambigu\u00efsation morphologique", "sec_num": "4" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "( , ) = ( , ) =1 |A j | ( , )", "eq_num": "(3)" } ], "section": "L'apprentissage possibiliste des attributs morphologiques", "sec_num": "4.1" }, { "text": "( , ) = \u2211 \u03b2 jk * \u2205 ijkL | | =1 (4)", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "L'apprentissage possibiliste des attributs morphologiques", "sec_num": "4.1" }, { "text": "Le taux \u03b2 jk = 1/N o\u00f9 N est le produit de |A jk | et |C k |. Ces derniers repr\u00e9sentent, respectivement, le nombre de valeurs de A j dans l'instance I k et le nombre de classes possibles de I k . Si l'instance est parfaite, alors \u03b2 jk =1. Si dans une instance donn\u00e9e, un attribut poss\u00e8de deux valeurs et la classe a une seule valeur alors le taux de l'impr\u00e9cision est \u00e9gal \u00e0 0.5. \u2205 ijkL est \u00e9gale \u00e0 1 si la valeur a jL appartient aux valeurs possibles de A j dans l'instance I k , et la classe c i appartient aux valeurs de classes de I k et 0 sinon.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "L'apprentissage possibiliste des attributs morphologiques", "sec_num": "4.1" }, { "text": "Les fr\u00e9quences normalis\u00e9es sont calcul\u00e9es pour la totalit\u00e9 des instances des diff\u00e9rents ensembles d'apprentissage. Elles traduisent les distributions de possibilit\u00e9s de chaque attribut par rapport \u00e0 une classe. Haouari et al., (2009) . La mesure de possibilit\u00e9 est le produit des fr\u00e9quences de tous les attributs calcul\u00e9es par rapport \u00e0 l'ensemble d'apprentissage. Cependant, un facteur sp\u00e9cifique est ajout\u00e9 pour les attributs impr\u00e9cis. Ce facteur est le taux de l'impr\u00e9cision \u03b2 jk . Par exemple, si un attribut a quatre valeurs possibles, nous calculons le produit des fr\u00e9quences de ces quatre valeurs et nous introduisons le taux \u03b2 jk \u00e9gal \u00e0 \u00bc. Ainsi, la mesure de possibilit\u00e9 est donn\u00e9e par la formule 5 : Un classifieur possibiliste a \u00e9t\u00e9 d\u00e9fini dans (Ayed et al., 2012a) qui n'\u00e9value pas le pouvoir discriminant des valeurs d'un attribut, car il utilise uniquement la mesure de possibilit\u00e9 (formule 5). Cependant, nous pouvons d\u00e9couvrir que certaines valeurs, d'un attribut donn\u00e9, ont un plus grand impact dans la r\u00e9solution de la bonne classe. La th\u00e9orie des possibilit\u00e9s mod\u00e9lise cet effet par la mesure de n\u00e9cessit\u00e9. Elle d\u00e9termine le degr\u00e9 auquel on attend l'occurrence d 'un \u00e9v\u00e9nement (Elayeb et al, 2009) . Cette mesure est donn\u00e9e par la formule suivante :", "cite_spans": [ { "start": 211, "end": 233, "text": "Haouari et al., (2009)", "ref_id": "BIBREF22" }, { "start": 756, "end": 776, "text": "(Ayed et al., 2012a)", "ref_id": "BIBREF3" }, { "start": 1182, "end": 1216, "text": "'un \u00e9v\u00e9nement (Elayeb et al, 2009)", "ref_id": null } ], "ref_spans": [], "eq_spans": [], "section": "L'apprentissage possibiliste des attributs morphologiques", "sec_num": "4.1" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "\u041f(c i |I k ) = \u220f \u220f ( , ) * \u03b2 jk |A jk | L=1 m j=1", "eq_num": "(5)" } ], "section": "La classification possibiliste des attributs morphologiques", "sec_num": "4.2" }, { "text": "( |I k ) = 1 \u2212 \u220f \u220f (1 \u2212 ijL * ( , ) \u03b2 jk ) |A jk | L=1 =1 (6)", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "La classification possibiliste des attributs morphologiques", "sec_num": "4.2" }, { "text": "O\u00f9 ijL = log 10 (P/nC jL ) Avec P est le nombre de classes possibles et nC jL est le nombre de classes ayant une fr\u00e9quence non nulle avec la valeur de la valeur a jL ou en d'autres termes Freq (a jL , c i ) > 0.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "La classification possibiliste des attributs morphologiques", "sec_num": "4.2" }, { "text": "Nous d\u00e9finissons trois mod\u00e8les de classification pour d\u00e9terminer la valeur appropri\u00e9e d'un attribut morphologique. Le premier mod\u00e8le se base uniquement sur le calcul des mesures de possibilit\u00e9s. Le deuxi\u00e8me mod\u00e8le se base sur les mesures de n\u00e9cessit\u00e9. Le troisi\u00e8me \u00e9tant une combinaison des deux, il utilise la somme des mesures de possibilit\u00e9 et de n\u00e9cessit\u00e9. La classe choisie correspond \u00e0 la valeur c*. La meilleure classe de l'instance I k est celle ayant le plus grand score parmi toutes les classes:", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "La classification possibiliste des attributs morphologiques", "sec_num": "4.2" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "c * = arg max ( c i score (c i |I k ) * (c i | ))", "eq_num": "(23)" } ], "section": "La classification possibiliste des attributs morphologiques", "sec_num": "4.2" }, { "text": "Dans cette formule, score (c", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "La classification possibiliste des attributs morphologiques", "sec_num": "4.2" }, { "text": "i | I k ) peut \u00eatre \u00e9gal \u00e0 \u041f(c i |I k ) ou N(c i |I k ) ou \u041f(c i |I k ) + N(c i |I k )", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "La classification possibiliste des attributs morphologiques", "sec_num": "4.2" }, { "text": ". Nous introduisons la score lexical score (c i |w k ) (Jurafsky, Martin, 2009) . Cette mesure calcule le degr\u00e9 de d\u00e9pendance d'un mot w i avec une classe particuli\u00e8re c i dans l'ensemble d'apprentissage. Si w i est le mot de l'instance de test I k , alors la possibilit\u00e9 lexicale r\u00e9pond \u00e0 la question : si nous nous attendions que c i soit la classe de I k , quelle est la possibilit\u00e9 que le mot soit w i ? De m\u00eame ce score peut \u00eatre calcul\u00e9 de trois mani\u00e8res diff\u00e9rentes en utilisant la possibilit\u00e9 et/ou la n\u00e9cessit\u00e9. l'attribut POS-1 (NOM, VERBE). Nous transformons la structure de donn\u00e9es afin d'obtenir un ensemble parfait sans perdre les informations qui s'y trouvent. Pour r\u00e9soudre le probl\u00e8me de l'impr\u00e9cision, nous d\u00e9signons les valeurs, de l'attribut A, par A i = {a 1 , a 2 , ..., a n }. Nous constituons de nouveaux attributs. En effet, nous associons l'attribut A \u00e0 chacune de ses valeurs a i pour former des attributs not\u00e9s \"A_a i \". Ainsi, l'attribut POS-1 a deux valeurs possibles (NOM et VERBE) dans l'ensemble de donn\u00e9es de la figure 1. Nous obtenons donc deux attributs POS-1_NOM et POS-1_VERBE. Nous accordons, aux nouveaux attributs, des valeurs binaires (oui ou non). Pour une instance donn\u00e9e, si a i appartient \u00e0 une des valeurs de l'attribut, A alors l'attribut \"A_a i \" est \u00e9gal \u00e0 \"oui\". A partir des donn\u00e9es de la figure 1 (a) , nous formons un nouvel ensemble de donn\u00e9es pr\u00e9cises (voir figure 1 (b) ).", "cite_spans": [ { "start": 55, "end": 79, "text": "(Jurafsky, Martin, 2009)", "ref_id": "BIBREF25" } ], "ref_spans": [ { "start": 1341, "end": 1353, "text": "figure 1 (a)", "ref_id": null }, { "start": 1414, "end": 1426, "text": "figure 1 (b)", "ref_id": null } ], "eq_spans": [], "section": "La classification possibiliste des attributs morphologiques", "sec_num": "4.2" }, { "text": "Pour r\u00e9soudre l'impr\u00e9cision des classes, nous d\u00e9composons une instance en plusieurs ayant chacune une seule valeur de la classe. Si une instance poss\u00e8de n valeurs possibles de la classe {c 1 , c 2 , \u2026, c n }, alors nous obtenons n instances dont les valeurs des attributs sont similaires. Nous associons \u00e0 chaque instance une valeur c i .", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "La classification non possibiliste des attributs morphologiques", "sec_num": "4.3" }, { "text": "Les instances dont la classe est pr\u00e9cise (ayant une seule valeur) seront dupliqu\u00e9es afin d'augmenter leur poids dans le calcul des mesures de classification. La figure 1(c) pr\u00e9sente un ensemble de donn\u00e9es parfaites g\u00e9n\u00e9r\u00e9es \u00e0 partir des instances de la figure 1(a). Pour lever l'ambigu\u00eft\u00e9 des textes non voyell\u00e9s moyennant les approches non possibilistes, nous utilisons les m\u00e9thodes SVM (Vapnik, 1998) , le mod\u00e8le bay\u00e9sien na\u00eff (Pearl, 1988) et les arbres de d\u00e9cision (Quinlan, 1986 ", "cite_spans": [ { "start": 388, "end": 402, "text": "(Vapnik, 1998)", "ref_id": "BIBREF38" }, { "start": 429, "end": 442, "text": "(Pearl, 1988)", "ref_id": "BIBREF33" }, { "start": 469, "end": 483, "text": "(Quinlan, 1986", "ref_id": "BIBREF34" } ], "ref_spans": [], "eq_spans": [], "section": "La classification non possibiliste des attributs morphologiques", "sec_num": "4.3" }, { "text": "Dans ce paragraphe, nous d\u00e9crivons les corpus utilis\u00e9s pour nos exp\u00e9rimentations. Nous pr\u00e9sentons la m\u00e9thode d'\u00e9valuation et les r\u00e9sultats exp\u00e9rimentaux mettant en \u00e9vidence les aspects de classification possibiliste et non possibiliste.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Exp\u00e9rimentations", "sec_num": "5" }, { "text": "L'objectif principal de notre approche est d'acqu\u00e9rir des d\u00e9pendances morphologiques \u00e0 partir des textes voyell\u00e9s et de tester sur des textes non voyell\u00e9s. En outre, nous consid\u00e9rons les textes arabes classiques, qui ont \u00e9t\u00e9 ignor\u00e9s dans des travaux connexes pr\u00e9c\u00e9dents. Par cons\u00e9quent, nous utilisons une collection d'histoires arabes \"Hadiths\" qui a fait le sujet de plusieurs travaux (Bounhas et al., 2011 ; Harrag et al., 2013) , etc. Les Hadiths parlent de toutes les pr\u00e9occupations du monde r\u00e9el et couvrent des connaissances communes et universelles. Pour justifier notre choix, nous estimons que le corpus de hadiths est l'un des rares corpus arabes voyell\u00e9s. Il contient environ 1400 livres voyell\u00e9s de hadith, chacun comporte des milliers d'histoires arabes. Les six livres les plus reconnus comprennent plus de 2,5 millions de mots et plus de 95 000 fragments (titres et paragraphes). Par ailleurs, ce corpus est bien structur\u00e9 et les titres des chapitres et des sous-chapitres repr\u00e9sentent des informations contextuelles pertinentes pour d\u00e9sambigu\u00efser des textes (Bounhas et al., 2011) . Parmi les textes du corpus de hadiths, nous utilisons six livres encyclop\u00e9diques, regroup\u00e9s par th\u00e8mes, qui sont Sahih Al-Bukhari, Sunan Abi Dawud, Sunan Ettermidhi, Sunan Ibn Majah, Sunan Annasaii et Sahih Muslim (Ayed et al., 2012a) .", "cite_spans": [ { "start": 387, "end": 410, "text": "(Bounhas et al., 2011 ;", "ref_id": "BIBREF6" }, { "start": 411, "end": 431, "text": "Harrag et al., 2013)", "ref_id": "BIBREF23" }, { "start": 1075, "end": 1097, "text": "(Bounhas et al., 2011)", "ref_id": "BIBREF6" }, { "start": 1314, "end": 1334, "text": "(Ayed et al., 2012a)", "ref_id": "BIBREF3" } ], "ref_spans": [], "eq_spans": [], "section": "Les collections de test", "sec_num": "5.1" }, { "text": "Nous menons nos exp\u00e9rimentations \u00e9galement sur le corpus Arabic Treebank (ATB part 2 v2.0) (Maamouri et al., 2009) . Pour \u00e9valuer les r\u00e9sultats des classifications possibilistes et non possibilistes, nous utilisons la m\u00e9thode de la validation crois\u00e9e (Kohavi, 1995) . En effet, nous formons 10 it\u00e9rations pour chaque texte du corpus: 90% d'un texte voyell\u00e9 est utilis\u00e9 pour l'apprentissage et 10% de mots de ce texte seront class\u00e9s apr\u00e8s avoir \u00e9limin\u00e9 leurs voyelles courtes. Nous obtenons des r\u00e9sultats proches avec des taux \u00e9lev\u00e9s. Ces r\u00e9sultats r\u00e9v\u00e8lent que l'approche de d\u00e9sambigu\u00efsation possibiliste est ind\u00e9pendante du domaine et de type du texte. Elle fournit des taux raisonnables (plus de 80%) pour les textes de journaux ainsi que pour les textes de Hadith. Il y a, cependant, une diff\u00e9rence d'environ 7% entre les deux corpus. Comme les tailles des deux corpus sont presque \u00e9gales, nous pouvons expliquer ce fait par la nature de l'analyseur morphologique (i.e. Aramorph) dont le lexique est plut\u00f4t classique. Ainsi, cet outil est incapable d'analyser certaines entr\u00e9es modernes. Par ailleurs, le corpus du Hadith contient des expressions r\u00e9currentes, qui existent \u00e0 la fois dans les ensembles d'apprentissage et de test (par exemple \u202b\"\u0635\u0644\u0649\u064e\u0647\u0644\u0644\u0627\u064e\u0639\u0644\u064a\u0647\u064e\u0648\u0633\u0644\u0645\"\u202c ; Paix et la B\u00e9n\u00e9diction soient Sur Lui).", "cite_spans": [ { "start": 91, "end": 114, "text": "(Maamouri et al., 2009)", "ref_id": "BIBREF30" }, { "start": 251, "end": 265, "text": "(Kohavi, 1995)", "ref_id": "BIBREF28" } ], "ref_spans": [], "eq_spans": [], "section": "Les collections de test", "sec_num": "5.1" }, { "text": "Nous avons pr\u00e9sent\u00e9, dans cet article, une nouvelle approche possibiliste pour d\u00e9sambigu\u00efser les attributs morphologiques des textes arabes non voyell\u00e9s. La d\u00e9sambigu\u00efsation est consid\u00e9r\u00e9e comme une t\u00e2che de classification. A cet \u00e9gard, nous avons d\u00e9fini un classifieur possibiliste pour apprendre et tester des donn\u00e9es impr\u00e9cises. Nous avons \u00e9tabli trois mod\u00e8les de classification qui calculent, respectivement, les mesures de possibilit\u00e9, de n\u00e9cessit\u00e9 et la somme de ces deux mesures. Nous avons effectu\u00e9 une \u00e9tude comparative de ces trois mod\u00e8les de classification possibiliste avec des classifieurs non-possibilistes pour d\u00e9sambigu\u00efser 14 attributs morphologiques. En comparant les r\u00e9sultats des diff\u00e9rents classifieurs, nous avons conclu que la th\u00e9orie possibiliste a donn\u00e9 de meilleurs taux de d\u00e9sambigu\u00efsation quand elle combine les mesures de n\u00e9cessit\u00e9 et de possibilit\u00e9.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": null }, { "text": "http://weka.wikispaces.com/", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "", "sec_num": null } ], "back_matter": [], "bib_entries": { "BIBREF0": { "ref_id": "b0", "title": "Cela peut s'expliquer par un ph\u00e9nom\u00e8ne linguistique connu en langue Arabe qui se traduit par un ordre relativement al\u00e9atoire des mots dans la phrase (Keskes et al., 2013) et \u00e9galement par l'incapacit\u00e9 de d\u00e9sambigu\u00efser les particules qui ont un taux d'ambigu\u00eft\u00e9 \u00e9lev\u00e9", "authors": [ { "first": "Raja", "middle": [], "last": "Ayed", "suffix": "" }, { "first": "Ibrahim", "middle": [], "last": "Bounhas", "suffix": "" }, { "first": "Bilel", "middle": [], "last": "Elayeb", "suffix": "" } ], "year": null, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "Raja Ayed, Ibrahim Bounhas, Bilel Elayeb, Narj\u00e8s Bellamine Ben Saoud et Fabrice Evrard Malgr\u00e9 ces r\u00e9sultats encourageants, nous avons remarqu\u00e9 que notre approche n'arrive pas \u00e0 d\u00e9sambigu\u00efser int\u00e9gralement la totalit\u00e9 des attributs morphologiques. Cela peut s'expliquer par un ph\u00e9nom\u00e8ne linguistique connu en langue Arabe qui se traduit par un ordre relativement al\u00e9atoire des mots dans la phrase (Keskes et al., 2013) et \u00e9galement par l'incapacit\u00e9 de d\u00e9sambigu\u00efser les particules qui ont un taux d'ambigu\u00eft\u00e9 \u00e9lev\u00e9, m\u00eame dans les textes voyell\u00e9s. Comme perspectives, nous envisageons de faire face \u00e0 ces probl\u00e8mes en adoptant l'une des deux alternatives.", "links": null }, "BIBREF1": { "ref_id": "b1", "title": "nous pouvons agrandir l'ensemble d'apprentissage. D'autre part, l'int\u00e9gration d'une analyse linguistique manuelle dans la phase d'apprentissage permettra de filtrer les mots vides et de minimiser le taux d'ambigu\u00eft\u00e9 r\u00e9sultant", "authors": [ { "first": "D'une", "middle": [], "last": "Part", "suffix": "" } ], "year": null, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "D'une part, nous pouvons agrandir l'ensemble d'apprentissage. D'autre part, l'int\u00e9gration d'une analyse linguistique manuelle dans la phase d'apprentissage permettra de filtrer les mots vides et de minimiser le taux d'ambigu\u00eft\u00e9 r\u00e9sultant.", "links": null }, "BIBREF2": { "ref_id": "b2", "title": "Nous visons aussi \u00e0 int\u00e9grer notre classifieur dans une application de recherche d'information qui traite des textes voyell\u00e9s et non voyell\u00e9s, en introduisant une phase primitive de d\u00e9sambigu\u00efsation des requ\u00eates et des documents. A cette \u00e9tape, nous pouvons renoncer \u00e0 la d\u00e9sambigu\u00efsation des particules car elles sont consid\u00e9r\u00e9es comme des mots vides et ne sont pas utilis\u00e9s pour l'indexation. En outre, les attributs morphologiques calcul\u00e9s par nos outils sont utiles m\u00eame pour d'autres niveaux d'analyse \u00e0 savoir syntaxiques et s\u00e9mantiques", "authors": [ { "first": "", "middle": [], "last": "Cependant", "suffix": "" } ], "year": 2009, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "Cependant, nous essaierons de r\u00e9duire le taux d'intervention, pour \u00e9viter de traiter tout l'ensemble d'apprentissage \u00e0 la main. Nous visons aussi \u00e0 int\u00e9grer notre classifieur dans une application de recherche d'information qui traite des textes voyell\u00e9s et non voyell\u00e9s, en introduisant une phase primitive de d\u00e9sambigu\u00efsation des requ\u00eates et des documents. A cette \u00e9tape, nous pouvons renoncer \u00e0 la d\u00e9sambigu\u00efsation des particules car elles sont consid\u00e9r\u00e9es comme des mots vides et ne sont pas utilis\u00e9s pour l'indexation. En outre, les attributs morphologiques calcul\u00e9s par nos outils sont utiles m\u00eame pour d'autres niveaux d'analyse \u00e0 savoir syntaxiques et s\u00e9mantiques (Bounhas et Slimani, 2009).", "links": null }, "BIBREF3": { "ref_id": "b3", "title": "A Possibilistic Approach for the Automatic Morphological Disambiguation of Arabic Texts", "authors": [ { "first": "", "middle": [], "last": "Ayed R", "suffix": "" }, { "first": "", "middle": [], "last": "Bounhas I", "suffix": "" }, { "first": "B", "middle": [], "last": "Elayeb", "suffix": "" }, { "first": "F", "middle": [], "last": "Evrard", "suffix": "" }, { "first": "", "middle": [], "last": "Ben Saoud N", "suffix": "" } ], "year": 2012, "venue": "Proceedings of the 13 th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel Distributed Computing (SNPD)", "volume": "", "issue": "", "pages": "187--194", "other_ids": {}, "num": null, "urls": [], "raw_text": "AYED R., BOUNHAS I., ELAYEB B., EVRARD F., BENLLAMINE BEN SAOUD N. (2012a). A Possibilistic Approach for the Automatic Morphological Disambiguation of Arabic Texts. In: T. Hochin & R. Lee (Eds.), Proceedings of the 13 th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel Distributed Computing (SNPD), Kyoto, Japan,187-194.", "links": null }, "BIBREF4": { "ref_id": "b4", "title": "Arabic Morphological Analysis and Disambiguation Using a Possibilistic Classifier", "authors": [ { "first": "", "middle": [], "last": "Ayed R", "suffix": "" }, { "first": "", "middle": [], "last": "Bounhas I", "suffix": "" }, { "first": "B", "middle": [], "last": "Elayeb", "suffix": "" }, { "first": "F", "middle": [], "last": "Evrard", "suffix": "" }, { "first": "", "middle": [], "last": "Ben Saoud N", "suffix": "" } ], "year": 2012, "venue": "Intelligent Computing Theories and Applications, Proceedings of the 8 th International Conference on Intelligent Computing (ICIC)", "volume": "", "issue": "", "pages": "274--279", "other_ids": {}, "num": null, "urls": [], "raw_text": "AYED R., BOUNHAS I., ELAYEB B., EVRARD F., BENLLAMINE BEN SAOUD N. (2012b). Arabic Morphological Analysis and Disambiguation Using a Possibilistic Classifier. In Intelligent Computing Theories and Applications, Proceedings of the 8 th International Conference on Intelligent Computing (ICIC), China, 274-279.", "links": null }, "BIBREF5": { "ref_id": "b5", "title": "A hybrid approach for Arabic multi-word term extraction", "authors": [ { "first": "", "middle": [], "last": "Bounhas I", "suffix": "" }, { "first": "Y", "middle": [], "last": "Slimani", "suffix": "" } ], "year": 2009, "venue": "Proceedings of the International Conference on Natural Language Processing and Knowledge Engineering", "volume": "", "issue": "", "pages": "1--8", "other_ids": {}, "num": null, "urls": [], "raw_text": "BOUNHAS I., SLIMANI Y. (2009). A hybrid approach for Arabic multi-word term extraction. In Proceedings of the International Conference on Natural Language Processing and Knowledge Engineering (NLP-KE), Dalian, China, 1-8.", "links": null }, "BIBREF6": { "ref_id": "b6", "title": "Organizing Contextual Knowledge for Arabic Text Disambiguation and Terminology Extraction", "authors": [ { "first": "", "middle": [], "last": "Bounhas I", "suffix": "" }, { "first": "B", "middle": [], "last": "Elayeb", "suffix": "" }, { "first": "F", "middle": [], "last": "Evrard", "suffix": "" }, { "first": "Y", "middle": [], "last": "Slimani", "suffix": "" } ], "year": 2011, "venue": "Knowledge Organization", "volume": "38", "issue": "6", "pages": "473--490", "other_ids": {}, "num": null, "urls": [], "raw_text": "BOUNHAS I., ELAYEB B., EVRARD F., SLIMANI Y. (2011). Organizing Contextual Knowledge for Arabic Text Disambiguation and Terminology Extraction. Knowledge Organization 38(6):473-490.", "links": null }, "BIBREF7": { "ref_id": "b7", "title": "Discriminative training methods for hidden Markov models: theory and experiments with perceptron algorithms", "authors": [ { "first": "Collins", "middle": [ "M" ], "last": "", "suffix": "" } ], "year": 2002, "venue": "Proceedings of the ACL-2 nd conference on Empirical methods in natural language processing", "volume": "", "issue": "", "pages": "1--8", "other_ids": {}, "num": null, "urls": [], "raw_text": "COLLINS M. (2002). Discriminative training methods for hidden Markov models: theory and experiments with perceptron algorithms. In Proceedings of the ACL-2 nd conference on Empirical methods in natural language processing, Stroudsburg, PA, USA, 1-8.", "links": null }, "BIBREF8": { "ref_id": "b8", "title": "Synchronized Morphological and Syntactic Disambiguation for Arabic", "authors": [ { "first": "", "middle": [], "last": "Daoud D", "suffix": "" } ], "year": 2009, "venue": "Advances in Computational Linguistics", "volume": "41", "issue": "", "pages": "73--86", "other_ids": {}, "num": null, "urls": [], "raw_text": "DAOUD D. (2009). Synchronized Morphological and Syntactic Disambiguation for Arabic. Advances in Computational Linguistics 41, 73-86.", "links": null }, "BIBREF9": { "ref_id": "b9", "title": "Automatic Tagging of Arabic Text: From Raw Text to Base Phrase Chunks", "authors": [ { "first": "M", "middle": [], "last": "Diab", "suffix": "" }, { "first": "K", "middle": [], "last": "Hacioglu", "suffix": "" }, { "first": "D", "middle": [], "last": "Jurafsky", "suffix": "" } ], "year": 2004, "venue": "Human Language Technology conference / North American chapter of the Association for Computational Linguistics annual meeting", "volume": "", "issue": "", "pages": "149--152", "other_ids": {}, "num": null, "urls": [], "raw_text": "DIAB M., HACIOGLU K., JURAFSKY D. (2004). Automatic Tagging of Arabic Text: From Raw Text to Base Phrase Chunks. In Human Language Technology conference / North American chapter of the Association for Computational Linguistics annual meeting, Boston, USA, 149-152.", "links": null }, "BIBREF10": { "ref_id": "b10", "title": "h\u00e9orie des possibilit\u00e9s: applications \u00e0 la repr\u00e9sentation des connaissances en informatique", "authors": [ { "first": "", "middle": [], "last": "Duboid D", "suffix": "" }, { "first": "H", "middle": [], "last": "Prade", "suffix": "" } ], "year": 1985, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "DUBOID D., PRADE H. (1985). h\u00e9orie des possibilit\u00e9s: applications \u00e0 la repr\u00e9sentation des connaissances en informatique. Masson, Paris, France.", "links": null }, "BIBREF11": { "ref_id": "b11", "title": "Possibility Theory: An Approach to computerized Processing of Uncertainty", "authors": [ { "first": "", "middle": [], "last": "Duboid D", "suffix": "" }, { "first": "H", "middle": [], "last": "Prade", "suffix": "" } ], "year": 1994, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "DUBOID D., PRADE H. (1994). Possibility Theory: An Approach to computerized Processing of Uncertainty. Plenum Press, New York, USA.", "links": null }, "BIBREF12": { "ref_id": "b12", "title": "Towards an intelligent possibilistic web information retrieval using multiagent system", "authors": [ { "first": "", "middle": [], "last": "Elayeb B", "suffix": "" }, { "first": "F", "middle": [], "last": "Evrard", "suffix": "" }, { "first": "M", "middle": [], "last": "Zaghdoud", "suffix": "" }, { "first": "Ahmed", "middle": [ "M" ], "last": "Ben", "suffix": "" } ], "year": 2009, "venue": "Interactive Technology and Smart Education", "volume": "6", "issue": "1", "pages": "40--59", "other_ids": {}, "num": null, "urls": [], "raw_text": "ELAYEB B., EVRARD F., ZAGHDOUD M., BEN AHMED M. (2009). Towards an intelligent possibilistic web information retrieval using multiagent system. Interactive Technology and Smart Education 6(1): 40-59.", "links": null }, "BIBREF13": { "ref_id": "b13", "title": "Arabic Part-Of-Speech Tagging using the Sentence Structure", "authors": [ { "first": "Y", "middle": [], "last": "Elhadj", "suffix": "" }, { "first": "", "middle": [], "last": "Al-Sughayeir I", "suffix": "" }, { "first": "", "middle": [], "last": "Al-Ansari A", "suffix": "" } ], "year": 2009, "venue": "Proceedings of the Second International Conference on Arabic Language Resources and Tools", "volume": "", "issue": "", "pages": "241--245", "other_ids": {}, "num": null, "urls": [], "raw_text": "ELHADJ Y., AL-SUGHAYEIR I., AL-ANSARI A. (2009). Arabic Part-Of-Speech Tagging using the Sentence Structure. In: Proceedings of the Second International Conference on Arabic Language Resources and Tools, Cairo, Egypt, 241-245.", "links": null }, "BIBREF14": { "ref_id": "b14", "title": "Techniques for high quality Arabic speech synthesis", "authors": [ { "first": "M", "middle": [], "last": "Elshafei", "suffix": "" }, { "first": "H", "middle": [], "last": "Al-Muhtaseb", "suffix": "" }, { "first": "", "middle": [], "last": "Al-Ghamdi M", "suffix": "" } ], "year": 2002, "venue": "Information Sciences", "volume": "140", "issue": "3", "pages": "255--267", "other_ids": {}, "num": null, "urls": [], "raw_text": "ELSHAFEI M., AL-MUHTASEB H., AL-GHAMDI M. (2002). Techniques for high quality Arabic speech synthesis. Information Sciences 140(3), 255-267.", "links": null }, "BIBREF15": { "ref_id": "b15", "title": "High-speed parallel Viterbi decoding: algorithm and VLSI-architecture", "authors": [ { "first": "G", "middle": [], "last": "Fettweis", "suffix": "" }, { "first": "H", "middle": [], "last": "Meyr", "suffix": "" } ], "year": 1991, "venue": "IEEE Communications Magazine", "volume": "", "issue": "", "pages": "46--55", "other_ids": {}, "num": null, "urls": [], "raw_text": "FETTWEIS G., MEYR H. (1991). High-speed parallel Viterbi decoding: algorithm and VLSI-architecture. IEEE Communications Magazine, 46-55.", "links": null }, "BIBREF16": { "ref_id": "b16", "title": "The Viterbi algorithm", "authors": [ { "first": "", "middle": [ "D" ], "last": "Forney G", "suffix": "" } ], "year": 1973, "venue": "Proceedings of IEEE", "volume": "61", "issue": "", "pages": "268--278", "other_ids": {}, "num": null, "urls": [], "raw_text": "FORNEY G.D. (1973). The Viterbi algorithm. Proceedings of IEEE 61: 268-278. [O-S2.3]", "links": null }, "BIBREF17": { "ref_id": "b17", "title": "The UCREL probabilistic parsing System. The Computational Analysis of English: A Corpus-Based Approach", "authors": [ { "first": "", "middle": [], "last": "Garside R", "suffix": "" }, { "first": "F", "middle": [], "last": "Leech", "suffix": "" } ], "year": 1987, "venue": "", "volume": "", "issue": "", "pages": "66--81", "other_ids": {}, "num": null, "urls": [], "raw_text": "Evaluation d'une approche de classification possibiliste pour la d\u00e9sambigu\u00efsation des textes arabes GARSIDE R., LEECH F. (1987). The UCREL probabilistic parsing System. The Computational Analysis of English: A Corpus-Based Approach, Longman, London, 66-81.", "links": null }, "BIBREF18": { "ref_id": "b18", "title": "Arabic Tokenization, Part-of-speech Tagging and Morphological Disambiguation in One Fell Swoop", "authors": [ { "first": "", "middle": [], "last": "Habash N", "suffix": "" }, { "first": "", "middle": [], "last": "Rambow O", "suffix": "" } ], "year": 2005, "venue": "the proceedings of the 43 rd Annual Meeting on Association for Computational Linguistics", "volume": "", "issue": "", "pages": "573--580", "other_ids": {}, "num": null, "urls": [], "raw_text": "HABASH N., RAMBOW O. (2005). Arabic Tokenization, Part-of-speech Tagging and Morphological Disambiguation in One Fell Swoop. In: the proceedings of the 43 rd Annual Meeting on Association for Computational Linguistics, Stroudsburg, PA, USA, 573-580.", "links": null }, "BIBREF19": { "ref_id": "b19", "title": "Arabic Diacritization Through Full Morphological Tagging", "authors": [ { "first": "", "middle": [], "last": "Habash N", "suffix": "" }, { "first": "", "middle": [], "last": "Rambow O", "suffix": "" } ], "year": 2007, "venue": "Human Language Technologies: The Conference of the North American Chapter", "volume": "", "issue": "", "pages": "53--56", "other_ids": {}, "num": null, "urls": [], "raw_text": "HABASH N., RAMBOW O. (2007). Arabic Diacritization Through Full Morphological Tagging. In: Human Language Technologies: The Conference of the North American Chapter of the Association for Computational Linguistics, Stroudsburg, PA, USA, 53-56.", "links": null }, "BIBREF20": { "ref_id": "b20", "title": "Mada+tokan: A toolkit for Arabic tokenization, diacritization, morphological disambiguation, pos tagging, stemming and lemmatization", "authors": [ { "first": "", "middle": [], "last": "Habash N", "suffix": "" }, { "first": "", "middle": [], "last": "Rambow O", "suffix": "" }, { "first": "", "middle": [], "last": "Roth R", "suffix": "" } ], "year": 2009, "venue": "Proceedings of the 2nd International Conference on Arabic Language Resources and Tools (MEDAR)", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "HABASH N., RAMBOW O., ROTH R. (2009). Mada+tokan: A toolkit for Arabic tokenization, diacritization, morphological disambiguation, pos tagging, stemming and lemmatization. In Proceedings of the 2nd International Conference on Arabic Language Resources and Tools (MEDAR).", "links": null }, "BIBREF21": { "ref_id": "b21", "title": "Morphological Tagging: Data vs. Dictionaries", "authors": [ { "first": "J", "middle": [], "last": "Hajic", "suffix": "" } ], "year": 2000, "venue": "Proceedings of the 1 st North American Chapter of the Association for Computational Linguistics Conference", "volume": "", "issue": "", "pages": "94--101", "other_ids": {}, "num": null, "urls": [], "raw_text": "HAJIC J. (2000). Morphological Tagging: Data vs. Dictionaries. In: Proceedings of the 1 st North American Chapter of the Association for Computational Linguistics Conference, Stroudsburg, PA, USA, 94-101.", "links": null }, "BIBREF22": { "ref_id": "b22", "title": "Na\u00efve possibilistic network classifiers", "authors": [ { "first": "", "middle": [], "last": "Haouari B", "suffix": "" }, { "first": "", "middle": [], "last": "Ben Amor N", "suffix": "" }, { "first": "Z", "middle": [], "last": "Elouedi", "suffix": "" }, { "first": "K", "middle": [], "last": "Mellouli", "suffix": "" } ], "year": 2009, "venue": "Fuzzy Sets and Systems", "volume": "160", "issue": "22", "pages": "3224--3238", "other_ids": {}, "num": null, "urls": [], "raw_text": "HAOUARI B., BEN AMOR N., ELOUEDI Z., MELLOULI K. (2009). Na\u00efve possibilistic network classifiers. Fuzzy Sets and Systems 160(22): 3224-3238.", "links": null }, "BIBREF23": { "ref_id": "b23", "title": "Ontology Extraction Approach for Prophetic Narration (Hadith) using Association Rules", "authors": [ { "first": "", "middle": [], "last": "Harrag F", "suffix": "" }, { "first": "", "middle": [], "last": "Alothaim A", "suffix": "" }, { "first": "", "middle": [], "last": "Abanmy A", "suffix": "" }, { "first": "F", "middle": [], "last": "Alomaigan", "suffix": "" }, { "first": "S", "middle": [], "last": "Alsalehi", "suffix": "" } ], "year": 2013, "venue": "International Journal on Islamic Applications in Computer Science And Technology", "volume": "1", "issue": "2", "pages": "48--57", "other_ids": {}, "num": null, "urls": [], "raw_text": "HARRAG F., ALOTHAIM A., ABANMY A., ALOMAIGAN F., ALSALEHI S. (2013). Ontology Extraction Approach for Prophetic Narration (Hadith) using Association Rules. International Journal on Islamic Applications in Computer Science And Technology 1(2): 48-57.", "links": null }, "BIBREF24": { "ref_id": "b24", "title": "Towards a New Approach for Disambiguation in NLP by Multiple Criterian Decision-Aid", "authors": [ { "first": "Y", "middle": [], "last": "Hoceini", "suffix": "" }, { "first": "M", "middle": [ "A" ], "last": "Cheragui", "suffix": "" }, { "first": "", "middle": [], "last": "Abbas M", "suffix": "" } ], "year": 2011, "venue": "The Prague Bulletin of Mathematical Linguistics", "volume": "95", "issue": "", "pages": "19--32", "other_ids": {}, "num": null, "urls": [], "raw_text": "HOCEINI Y., CHERAGUI M. A., ABBAS M. (2011). Towards a New Approach for Disambiguation in NLP by Multiple Criterian Decision-Aid. The Prague Bulletin of Mathematical Linguistics 95, 19-32.", "links": null }, "BIBREF25": { "ref_id": "b25", "title": "Speech and language processing: an introduction to natural language processing, computational linguistics, and speech recognition", "authors": [ { "first": "", "middle": [], "last": "Jurafsky D", "suffix": "" }, { "first": "J", "middle": [ "H" ], "last": "Martin", "suffix": "" } ], "year": 2009, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "JURAFSKY D., MARTIN J.H. (2009). Speech and language processing: an introduction to natural language processing, computational linguistics, and speech recognition. Pearson Prentice Hall, Upper Saddle River, New Jersey, USA.", "links": null }, "BIBREF26": { "ref_id": "b26", "title": "Segmentation de textes arabes en unit\u00e9s discursives minimales. TALN-RECITAL", "authors": [ { "first": "", "middle": [], "last": "Keskes I", "suffix": "" }, { "first": "F", "middle": [], "last": "Beanamara", "suffix": "" }, { "first": "", "middle": [], "last": "Hadrich Belguith L", "suffix": "" } ], "year": 2013, "venue": "", "volume": "", "issue": "", "pages": "435--449", "other_ids": {}, "num": null, "urls": [], "raw_text": "KESKES I., BEANAMARA F., HADRICH BELGUITH L. (2013). Segmentation de textes arabes en unit\u00e9s discursives minimales. TALN-RECITAL, Les sables d'Olonne, 435-449.", "links": null }, "BIBREF27": { "ref_id": "b27", "title": "APT: Arabic part-of-speech tagger", "authors": [ { "first": "", "middle": [], "last": "Khoja Sh", "suffix": "" } ], "year": 2001, "venue": "Proceedings of Student Workshop at the Second Meeting of the North American Association for Computational Linguistics", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "KHOJA SH. (2001). APT: Arabic part-of-speech tagger. In: Proceedings of Student Workshop at the Second Meeting of the North American Association for Computational Linguistics, Carnegie Mellon University, Pennsylvania, USA.", "links": null }, "BIBREF28": { "ref_id": "b28", "title": "A Study of Cross-validation and Bootstrap for Accuracy Estimation and Model Selection", "authors": [ { "first": "", "middle": [], "last": "Kohavi R", "suffix": "" } ], "year": 1995, "venue": "Proceedings of the 14 th International Joint Conference on Artificial Intelligence", "volume": "", "issue": "", "pages": "1137--1143", "other_ids": {}, "num": null, "urls": [], "raw_text": "KOHAVI R. (1995). A Study of Cross-validation and Bootstrap for Accuracy Estimation and Model Selection. In: Proceedings of the 14 th International Joint Conference on Artificial Intelligence, San Francisco, CA, USA, 1137-1143.", "links": null }, "BIBREF29": { "ref_id": "b29", "title": "A Theory for Memory-Based Learning", "authors": [ { "first": "Lin", "middle": [ "J" ], "last": "Vitter S", "suffix": "" }, { "first": "J", "middle": [], "last": "Hellerstein", "suffix": "" }, { "first": "L", "middle": [], "last": "", "suffix": "" } ], "year": 1994, "venue": "Machine Learning", "volume": "17", "issue": "2-3", "pages": "143--167", "other_ids": {}, "num": null, "urls": [], "raw_text": "LIN J., VITTER S, J., HELLERSTEIN L. (1994). A Theory for Memory-Based Learning. Machine Learning 17(2-3): 143- 167.", "links": null }, "BIBREF30": { "ref_id": "b30", "title": "Creating a Methodology for Large-Scale Correction of Treebank Annotation: The Case of the Arabic Treebank", "authors": [ { "first": "M", "middle": [], "last": "Maamouri", "suffix": "" }, { "first": "", "middle": [], "last": "Bies A", "suffix": "" }, { "first": "S", "middle": [], "last": "Kulick", "suffix": "" } ], "year": 2009, "venue": "the proceedings of MEDAR Second International Conference on Arabic Language Resources and Tools", "volume": "", "issue": "", "pages": "138--144", "other_ids": {}, "num": null, "urls": [], "raw_text": "MAAMOURI M., BIES A., KULICK S. (2009). Creating a Methodology for Large-Scale Correction of Treebank Annotation: The Case of the Arabic Treebank. In the proceedings of MEDAR Second International Conference on Arabic Language Resources and Tools, Cairo, Egypt, 138-144.", "links": null }, "BIBREF31": { "ref_id": "b31", "title": "Smoothing a lexicon-based pos tagger for Arabic and Hebrew", "authors": [ { "first": "", "middle": [], "last": "Mansour S", "suffix": "" }, { "first": "", "middle": [ "K" ], "last": "Sima'an", "suffix": "" }, { "first": "Y", "middle": [], "last": "Winter", "suffix": "" } ], "year": 2007, "venue": "ACL07 Workshop on Computational Approaches to Semitic Languages", "volume": "", "issue": "", "pages": "97--103", "other_ids": {}, "num": null, "urls": [], "raw_text": "MANSOUR S., SIMA'AN K., WINTER Y. (2007). Smoothing a lexicon-based pos tagger for Arabic and Hebrew. ACL07 Workshop on Computational Approaches to Semitic Languages, Prague, Czech, 97-103.", "links": null }, "BIBREF32": { "ref_id": "b32", "title": "Towards Resolving Ambiguity in Understanding Arabic Sentence", "authors": [ { "first": "", "middle": [], "last": "Othman E", "suffix": "" }, { "first": "K", "middle": [], "last": "Shaalan", "suffix": "" }, { "first": "", "middle": [], "last": "Rafea A", "suffix": "" } ], "year": 2004, "venue": "the proceedings of International Conference on Arabic Language Resources and Tools", "volume": "", "issue": "", "pages": "118--122", "other_ids": {}, "num": null, "urls": [], "raw_text": "OTHMAN E., SHAALAN K., RAFEA A. (2004). Towards Resolving Ambiguity in Understanding Arabic Sentence. In the proceedings of International Conference on Arabic Language Resources and Tools, NEMLAR, Egypt, 118-122.", "links": null }, "BIBREF33": { "ref_id": "b33", "title": "Probabilistic reasoning in intelligent systems: networks of plausible inference", "authors": [ { "first": "Pearl", "middle": [ "J" ], "last": "", "suffix": "" } ], "year": 1988, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "PEARL J. (1988). Probabilistic reasoning in intelligent systems: networks of plausible inference. Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmman, San Francisco, California, USA.", "links": null }, "BIBREF34": { "ref_id": "b34", "title": "Induction of decision trees", "authors": [ { "first": "J", "middle": [ "R" ], "last": "Quinlan", "suffix": "" } ], "year": 1986, "venue": "Machine Learning", "volume": "1", "issue": "1", "pages": "81--106", "other_ids": {}, "num": null, "urls": [], "raw_text": "QUINLAN J. R. (1986). Induction of decision trees. Machine Learning 1(1): 81-106.", "links": null }, "BIBREF35": { "ref_id": "b35", "title": "Arabic Morphological Tagging, Diacritization, and Lemmatization Using Lexeme Models and Feature Ranking", "authors": [ { "first": "Roth", "middle": [ "R" ], "last": "Rambow O", "suffix": "" }, { "first": "N", "middle": [], "last": "Habash", "suffix": "" }, { "first": "M", "middle": [], "last": "Diab", "suffix": "" }, { "first": "C", "middle": [], "last": "Rudin", "suffix": "" } ], "year": 2008, "venue": "Proceedings of the Association for Computational Linguistics conference (ACL)", "volume": "", "issue": "", "pages": "117--120", "other_ids": {}, "num": null, "urls": [], "raw_text": "ROTH R., RAMBOW O., HABASH N., DIAB M., RUDIN C. (2008). Arabic Morphological Tagging, Diacritization, and Lemmatization Using Lexeme Models and Feature Ranking. In: Proceedings of the Association for Computational Linguistics conference (ACL), Columbus, Ohio, USA, 117-120.", "links": null }, "BIBREF36": { "ref_id": "b36", "title": "Probabilistic part-of-speech tagging using decision trees", "authors": [ { "first": "H", "middle": [], "last": "Schmid", "suffix": "" } ], "year": 1994, "venue": "Proceedings of the International Conference on New Methods in Language Processing", "volume": "", "issue": "", "pages": "44--49", "other_ids": {}, "num": null, "urls": [], "raw_text": "SCHMID H. (1994). Probabilistic part-of-speech tagging using decision trees. In Proceedings of the International Conference on New Methods in Language Processing, Manchester, UK, 44-49.", "links": null }, "BIBREF37": { "ref_id": "b37", "title": "Hybrid Method for Tagging Arabic Text", "authors": [], "year": 2006, "venue": "Journal of Computer Science", "volume": "2", "issue": "3", "pages": "245--248", "other_ids": {}, "num": null, "urls": [], "raw_text": "Raja Ayed, Ibrahim Bounhas, Bilel Elayeb, Narj\u00e8s Bellamine Ben Saoud et Fabrice Evrard TLILI-GUIASSA Y. (2006). Hybrid Method for Tagging Arabic Text. Journal of Computer Science 2(3): 245-248.", "links": null }, "BIBREF38": { "ref_id": "b38", "title": "Statistical Learning Theory", "authors": [ { "first": "", "middle": [], "last": "Vapnik V", "suffix": "" } ], "year": 1998, "venue": "", "volume": "", "issue": "", "pages": "1--736", "other_ids": {}, "num": null, "urls": [], "raw_text": "VAPNIK V. (1998). Statistical Learning Theory. Wiley, New York, USA, 1-736.", "links": null }, "BIBREF39": { "ref_id": "b39", "title": "An Efficient Multi-agent System Combining POS-Taggers for Arabic Texts", "authors": [ { "first": "C", "middle": [], "last": "Zribi", "suffix": "" }, { "first": "", "middle": [], "last": "Torjmen A", "suffix": "" }, { "first": "Ahmed", "middle": [ "M" ], "last": "Ben", "suffix": "" } ], "year": 2006, "venue": "Proceedings of 7 th international conference of Computational Linguistics and Intelligent Text Processing", "volume": "3878", "issue": "", "pages": "121--131", "other_ids": {}, "num": null, "urls": [], "raw_text": "ZRIBI C., TORJMEN A., BEN AHMED M. (2006). An Efficient Multi-agent System Combining POS-Taggers for Arabic Texts. In Proceedings of 7 th international conference of Computational Linguistics and Intelligent Text Processing, LNCS Volume 3878, Springer, 121-131.", "links": null } }, "ref_entries": { "FIGREF0": { "num": null, "uris": null, "text": "En se r\u00e9f\u00e9rant \u00e0 l'instance du tableau 2, si la classe POS poss\u00e8de trois valeurs possibles i.e. NOM, VERBE et NOM_PROPRE, alors trois mesures de possibilit\u00e9s sont \u00e0 calculer par rapport \u00e0 cette instance. Ces mesures sont \u041f(POS = NOM|I k ), \u041f(POS = VERBE|I k ) et \u041f(POS = NOM_PROPRE|I k ). Pour d\u00e9terminer la mesure \u041f(POS = NOM|I k ), les fr\u00e9quences n\u00e9cessaires sont Freq(DETERMINANT-2=DET, POS=NOM), Freq(POS-1=VERBE, POS=NOM), Freq(POS-1=NOM_PROPRE, POS=NOM), etc. Ces fr\u00e9quences sont calcul\u00e9es dans la phase d'apprentissage.", "type_str": "figure" }, "TABREF0": { "num": null, "type_str": "table", "html": null, "content": "
Evaluation d'une approche de classification possibiliste pour la d\u00e9sambigu\u00efsation des textes arabes
est utilis\u00e9 pour
, 2004). Quelques travaux de recherches
comprennent les mod\u00e8les de Markov cach\u00e9s (HMM). (ElHadj et al., 2009) pr\u00e9sentent un syst\u00e8me d'\u00e9tiquetage
grammaticale qui combine l'analyse morphologique et le mod\u00e8le de Markov. L'\u00e9tiqueteur se base sur la structure de la
phrase arabe. Dans un premier lieu, le texte est enti\u00e8rement analys\u00e9 morphologiquement pour r\u00e9duire le nombre de
valeurs possibles de POS. Dans un second lieu, le mod\u00e8le statistique (HMM), fond\u00e9 sur la structure de la phrase arabe,
", "text": "attribuer \u00e0 chaque mot la valeur exacte de sa cat\u00e9gorie grammaticale.(ElHadj et al., 2009) ont utilis\u00e9 leur propre corpus annot\u00e9 qui est compos\u00e9 de vieux livres arabes. Le total des mots, dans ce corpus, est environ 21000 mots." }, "TABREF3": { "num": null, "type_str": "table", "html": null, "content": "
POS-2POS-1POS+1POS+2POS
NOM_PROPRENOM_PROPRENOMNOM
\u202b\u064a\u202c \u0650 \u202b\u064e\u0627\u0632\u202c \u202b\u0627\u0644\u0631\u202c (Al-Razi)\u202b\u0650\u064a\u202c \u202b\u064e\u0627\u062f\u202c \u202b\u062f\u202c \u0652 \u202b\u064e\u063a\u202c \u202b\u0628\u202c \u0652 \u202b\u0627\u0644\u202c \u064e \u202b\u0648\u202c (et Al-Bagdadi)\u064e \u202b\u0648\u0645\u202c \u064f \u202b\u064f\u0644\u202c \u202b\u0639\u202c (les sciences)\u0650 \u202b\u0628\u202c \u0651
", "text": "). Un mot est consid\u00e9r\u00e9 ambigu si l'analyseur morphologique fournit plus qu'une seule solution pour ses attributs morphologiques. La classification assigne une classe \u00e0 une instance de test donn\u00e9e. La t\u00e2che de d\u00e9sambigu\u00efsation consiste, donc, \u00e0 accorder \u00e0 un mot ambigu les valeurs des attributs morphologiques appropri\u00e9es. Elle est divis\u00e9e en deux grandes phases qui sont l'apprentissage et le test. Les r\u00e9sultats d'analyse morphologique donn\u00e9s par les mots voyell\u00e9s sont, g\u00e9n\u00e9ralement, moins ambigus que ceux donn\u00e9s par les mots non voyell\u00e9s. Ainsi, nous proposons d'apprendre \u00e0 partir des textes voyell\u00e9s et de tester sur des textes non voyell\u00e9s.Pour ce faire, nous commen\u00e7ons par d\u00e9finir l'ensemble d'apprentissage. Cet ensemble est constitu\u00e9 d'une liste d'instances qui sont caract\u00e9ris\u00e9es par des attributs avec des valeurs de classes connues. Par cons\u00e9quent, pour r\u00e9soudre l'ambigu\u00eft\u00e9 de la cat\u00e9gorie grammaticale (par exemple), nous d\u00e9terminons d'abord les attributs appropri\u00e9s qui d\u00e9crivent chaque instance. En nous inspirant de la technique de classification Yamcha(Diab et al., 2004), nous estimons qu'un attribut morphologique d'un mot est fortement li\u00e9 \u00e0 celui des mots qui le pr\u00e9c\u00e8dent et le suivent. Nous d\u00e9finissons une fen\u00eatre qui contr\u00f4le le nombre de mots (avant et apr\u00e8s) consid\u00e9r\u00e9s comme des attributs d\u00e9crivant la classe d'une instance. Dans des approches existantes, la taille de la fen\u00eatre est 2 (Habash etRambow, 2005). Notre mod\u00e8le applique une fen\u00eatre avec une taille quelconque. Pour classer la cat\u00e9gorie grammaticale (POS-part-of-speech) d'un mot particulier, si la fen\u00eatre est de 2, nous d\u00e9finissons les attributs POS-2, POS-1, POS+1 et POS+2. Ils indiquent, respectivement, les cat\u00e9gories grammaticales des deux mots pr\u00e9c\u00e9dents et des deux mots suivants. POS peut \u00eatre d\u00e9crit par l'ensemble des autres attributs morphologiques, en plus du POS. Nous pouvons utiliser, par exemple, les attributs genre-2, genre-1, nombre+1, nombre+2, etc. La valeur de la classe est la cat\u00e9gorie grammaticale du mot courant. A cet effet, nous identifions, pour chaque mot d'un texte voyell\u00e9, 14 attributs morphologiques qui sontPOS, conjonction, particule, d\u00e9terminant, pronom, personne, voix, aspect, genre, nombre, cas, pr\u00e9position, mode et adjectif. Ces attributs sont calcul\u00e9s par l'analyseur morphologique Aramorph(Ayed et al., 2012b). Ayant l'exemple de la phrase suivante \u0650 \u202b\u0628\u202c \u0651 \u202b\u0627\u0644\u0637\u202c \u064e \u202b\u0648\u0645\u202c \u064f \u202b\u064f\u0644\u202c \u202b\u0639\u202c \u202b\u064e\u0627\u202c \u202b\u064e\u0633\u202c \u202b\u064e\u0631\u202c \u202b\u062f\u202c \u202b\u0650\u064a\u202c \u202b\u064e\u0627\u062f\u202c \u202b\u062f\u202c \u0652 \u202b\u064e\u063a\u202c \u202b\u0628\u202c \u0652 \u202b\u0627\u0644\u202c \u064e \u202b\u0648\u202c \u202b\u064a\u202c \u0650 \u202b\u064e\u0627\u0632\u202c \u202b\u0627\u0644\u0631\u202c (Al-Razi et Al-Bagdadi ont \u00e9tudi\u00e9 les sciences de la m\u00e9decine), nous d\u00e9terminons, l'instance du tableau 1, associ\u00e9e au mot \u202b\u064e\u0627\u00ab\u202c \u202b\u064e\u0633\u202c \u202b\u064e\u0631\u202c \u202b\u062f\u202c (ont \u00e9tudi\u00e9)\u00bb. Pour cette instance, la classe est la cat\u00e9gorie grammaticale (POS) et les attributs utilis\u00e9s sont les cat\u00e9gories grammaticales des 2 mots adjacents. \u202b\u0627\u0644\u0637\u202c (de la m\u00e9decine) VERBE \u202b\u064e\u0627\u202c \u202b\u064e\u0633\u202c \u202b\u064e\u0631\u202c \u202b\u062f\u202c (ont \u00e9tudi\u00e9) TABLEAU 1 : L'instance reli\u00e9e au mot \u202b\u064e\u0627\u00ab\u202c \u202b\u064e\u0633\u202c \u202b\u064e\u0631\u202c \u202b\u00bb\u062f\u202c L'analyse morphologique d'un mot est fournie ind\u00e9pendamment de son contexte. Dans un texte arabe, m\u00eame les mots voyell\u00e9s peuvent donner une analyse morphologique ambig\u00fce. La forme voyell\u00e9e \u00ab \u0650 \u202b\u0652\u0646\u202c \u202b\u0628\u202c \u0650 \u202b\u0625\u202c \u00bb fournit des valeurs de l'attribut POS \u00e0 savoir un verbe (tu construis) et un nom (fils de). Par cons\u00e9quent, les instances d'apprentissage peuvent fournir des informations incompl\u00e8tes. Ces informations sont dites impr\u00e9cises lorsque les attributs et ou la classe donnent plus qu'une seule valeur." }, "TABREF4": { "num": null, "type_str": "table", "html": null, "content": "", "text": "Dans la phase d'apprentissage, nous formons un classificateur pour chaque attribut morphologique. Autrement, nous instaurons un ensemble d'apprentissage pour chaque attribut morphologique. Nous obtenons, globalement, 14 ensembles. Chacun est d\u00e9crit par les attributs AM \u00b1 i o\u00f9 AM forme la totalit\u00e9 des attributs morphologiques et i constitue la taille de la fen\u00eatre. Si cette taille est \u00e9gale \u00e0 2, nous obtenons 56 (14x4) attributs d'apprentissage. A chaque mot voyell\u00e9 est li\u00e9e une instance d\u00e9crite par les valeurs de ces 56 attributs et dont la classe est reconnue. Cette classe est l'attribut morphologique associ\u00e9 \u00e0 l'ensemble d'apprentissage.Nous devons prendre en compte le fait que les attributs et/ou les classes des instances de classification sont impr\u00e9cises autrement dit ayant plus qu'une seule valeur possible. L'impr\u00e9cision est g\u00e9r\u00e9e par des distributions de possibilit\u00e9s d\u00e9sign\u00e9es par \u03c0. Soit T un ensemble de donn\u00e9es d'apprentissage et I k l'ensemble des valeurs des attributs de l'instance k. On note \u00e9galement A j le j i\u00e8me attribut de cet ensemble et a jL une valeur possible de A j . Nous nous inspirons des travaux deHaouari et al. (Haouari et al., 2009) et le mod\u00e8le de recherche d'information possibiliste d\u00e9velopp\u00e9 par Bounhas et al. (2011) pour calculer la fr\u00e9quence normalis\u00e9e d'une valeur d'un attribut a jL pour une classe c i comme suit:" }, "TABREF6": { "num": null, "type_str": "table", "html": null, "content": "
La classe de l'instance est la valeur correcte \u00e0 identifier de l'attribut
morphologique. Le tableau 2 d\u00e9crit une instance de test dont l'attribut morphologique \u00e0 classer est le POS. Pour
simplifier la repr\u00e9sentation de l'instance, nous nous contentons de 4 attributs de classification \u00e0 savoir DET-2, POS-1,
CONJONCTION-1 et POS+2. Elle est r\u00e9ellement d\u00e9crite par les 56 attributs. Cette instance est impr\u00e9cise puisqu'elle
donne deux valeurs possibles de l'attribut POS-1.
DETERMINANT-2POS-1CONJONCTION-1POS+2\u2026POS
DET{VERBE;NCONJNOM\u2026?
NOM_PROPRE}
TABLEAU 2 : Un exemple d'une instance de test impr\u00e9cise
", "text": "La classification des 14 attributs morphologiques consiste \u00e0 d\u00e9sambigu\u00efser chaque mot non voyell\u00e9 en lui associant les valeurs correctes et pr\u00e9cises de ces attributs. Pour ce faire, nous commen\u00e7ons par pr\u00e9parer les instances de l'ensemble de test. En effet, chaque instance d\u00e9crit un mot non voyell\u00e9 d'un texte par des attributs de classification qui repr\u00e9sentent les m\u00eames attributs d'apprentissage c.\u00e0.d. AM \u00b1 i.Nous calculons la possibilit\u00e9 de chaque classe c i par rapport \u00e0 une instance imparfaite I k ayant m attributs. Cette mesure s'inspire du classifieur possibiliste de" }, "TABREF7": { "num": null, "type_str": "table", "html": null, "content": "", "text": "Nous visons \u00e0 comparer les r\u00e9sultats de la classification possibiliste avec les r\u00e9sultats donn\u00e9s par des classifieurs non possibilistes, afin de d\u00e9sambigu\u00efser les attributs morphologiques. Ces classifieurs ne traitent pas les donn\u00e9es imparfaites. Par cons\u00e9quent, nous proposons de transformer la structuration des donn\u00e9es des ensembles d'apprentissage et de test, afin de les pr\u00e9parer pour qu'elles soient utilis\u00e9es par des classifieurs non possibilistes. Les nouveaux attributs" }, "TABREF8": { "num": null, "type_str": "table", "html": null, "content": "
POS-1CONJONCTION+1POS
NOMNCONJ{NOM_PROPRE; VERBE}
{NOM; VERBE}CONJNOM
(a) Instances Imparfaites
POS-1_NOMPOS-1_VERBECONJONCTION+1_CONJONCTION+1_POS
CONJNCONJ
OuiNonNonOui{NOM_PROPRE;
VERBE}
OuiOuiOuiNonNOM
(b) Instances dont les attributs sont pr\u00e9cis et les classes sont incertaines
POS-1_NOMPOS-1_VERBECONJONCTION+1_CONJCONJONCTION+1_NCONJPOS
OuiNonNonOuiNOM_PROPRE
OuiNonNonOuiVERBE
OuiOuiOuiNonNOM
OuiOuiOuiNonNOM
(c) Instances parfaites
FIGURE 1 : Transformation des instances imparfaites en des instances parfaites
", "text": "). Nous alignons les donn\u00e9es au format d'entr\u00e9e du logiciel WEKA 1 . Ce logiciel fournit des algorithmes d'apprentissage automatique et donne leurs r\u00e9sultats de classification. Nous utilisons WEKA pour classer les attributs morphologiques selon les mod\u00e8les SVM, les arbres de d\u00e9cision et le mod\u00e8le bay\u00e9sien na\u00eff." }, "TABREF9": { "num": null, "type_str": "table", "html": null, "content": "
Les corpus utilis\u00e9s pr\u00e9sentent deux types de textes i.e. modernes et classiques. Pour pouvoir apprendre les d\u00e9pendances
morphologiques du Hadith, nous passons par l'analyseur morphologique des textes voyell\u00e9s Aramorph. Cet analyseur
nous fournit les valeurs des 14 attributs morphologiques. L'annotation du corpus Arabic Treebank nous donne les
valeurs de l'attribut POS. Le test (ou la classification) se fait directement sur les textes non voyell\u00e9s de Arabic
Treebank. Quant aux textes de Hadith, une \u00e9tape d'\u00e9limination des voyelles courtes est indispensable pour pouvoir
tester sur des textes non voyell\u00e9s.
", "text": "Il s'agit d'un corpus de textes arabes non voyell\u00e9s qui a \u00e9t\u00e9 produit par Linguistic Data Consortium. Ce corpus comprend plus de 500 articles du journal \u00e9gyptien Al Oumma. Il contient environ 144K de mots annot\u00e9s (un mot est annot\u00e9 si on indique la valeur de sa cat\u00e9gorie grammaticale)." }, "TABREF10": { "num": null, "type_str": "table", "html": null, "content": "
AttributClassifieurArbres deClassifieurClassifieurClassifieurClassifieur
morphologiqueBay\u00e9siend\u00e9cisionSVMpossibilistepossibilistepossibiliste
Na\u00effutilisantutilisant \u041futilisant
\u041f + N
POS88.62 %89.58 %89.98 %90.17%91.58 %90.45%
ADJECTIF96.51 %96.51 %96.51 %96.86%97.58%97.63%
ASPECT71.20%71.20%71.20%86.20%81.78%86.16%
CAS56.12 %56.12%56.12 %68.76%68.40%76.55%
CONJONCTION83.03 %83.03 %83.03 %88.66%95.04%90.79%
DETERMINANT64.12%64.16 %64.12 %95.92%95.25%96.13%
GENRE57.15 %57.15%57.15 %90.45%93.23%93.78%
MODE99.32 %99.32 %99.32 %99.96%99.93%99.96%
NOMBRE85.18 %85.18 %85.18 %87.00%95.30%93.25%
PARTICULE96.65 %96.65%96.65 %98.87%96.91%98.87%
PERSONNE60.22 %60.22 %60.22 %65.07%66.27%66.88%
PREPOSITION82.87 %82.87%82.87 %90.20%88.60%95.70%
VOIX71.21 %71.21 %71.21 %78.80%78.75%79.05%
PRONOM55.02 %55.84 %56.88 %59.56%59.10%58.79%
Moyenne76.23 %76.36 %76.46 %85.46%86.27%87.43%
TABLEAU 3 : ClassifieurArbres deClassifieurClassifieurClassifieurClassifieur
Bay\u00e9sien Na\u00effd\u00e9cisionSVMpossibilistepossibilistepossibiliste
utilisantutilisant \u041futilisant \u041f +
HADITH88.62 %89.58 %89.98 %90.17%91.58 %90.45%
TREEBANK80.98%81.85%81.77%83.26%84.23%83.35%
TABLEAU 4 : Les taux de d\u00e9sambigu\u00efsation de la cat\u00e9gorie grammaticale des deux coprus \u00ab Hadith \u00bb et \u00abArabic
Treebank\u00bb
", "text": "Pour classer les 14 attributs morphologiques, nous proc\u00e9dons comme suit : Tout d'abord nous analysons les textes voyell\u00e9s de Hadith et nous sauvegardons les solutions morphologiques de chaque attribut. Nous formons, pour tout attribut morphologique A, un ensemble d'apprentissage. A chaque mot voyell\u00e9 est associ\u00e9e une instance. Les instances de cet ensemble sont d\u00e9crites par les attributs AM \u00b1 i (voir section 4.1) et la classe est l'attribut morphologique A. Nous aurons 14 ensembles d'apprentissage. Nous supprimons, par la suite, les voyelles courtes des m\u00eames textes. Nous formons de la m\u00eame mani\u00e8re des ensembles de test d\u00e9crites par les m\u00eames attributs que les ensembles d'apprentissage. Les valeurs de classes de leurs instances sont non reconnues (ambig\u00fces). Elles constituent les attributs morphologiques \u00e0 classer. Nous d\u00e9sambigu\u00efsons, ensuite, chaque mot de ces textes avec nos trois mod\u00e8les de classification possibiliste. Pour ce faire, nous calculons les mesures de possibilit\u00e9 et de n\u00e9cessit\u00e9 en se r\u00e9f\u00e9rant aux fr\u00e9quences calcul\u00e9es par rapport aux ensembles d'apprentissage (voir section 4). Nous comparons les r\u00e9sultats obtenus avec ceux donn\u00e9s par les mots voyell\u00e9s. Pour classer les 14 attributs morphologiques en utilisant les classifieurs non possibilistes, nous utilisons les m\u00eames structures des instances d'apprentissage et de test.Les approches non-possibilistes ne supportent pas l'imperfection des donn\u00e9es. Nous les transformons en des donn\u00e9es parfaites (voir section 4.3) et nous les adaptons au format d'entr\u00e9e de l'outil Weka pour qu'elles soient appliqu\u00e9es sur des algorithmes de classification de SVM, Arbres de d\u00e9cision et les classifieurs Bay\u00e9siens Na\u00effs. Le tableau 3 pr\u00e9sente les taux de d\u00e9sambigu\u00efsation des 14 attributs morphologiques.Les exp\u00e9rimentations prouvent que les classifieurs possibilistes donnent de meilleurs taux de d\u00e9sambigu\u00efsation par rapport aux classifieurs SVM, Bay\u00e9sien Na\u00eff et les arbres de d\u00e9cision. Ils en r\u00e9sultent des moyennes de plus de 80% d'instances non voyell\u00e9s correctement class\u00e9es. Certains attributs morphologiques donnent les m\u00eames r\u00e9sultats de classification. Ceci peut \u00eatre expliqu\u00e9 par le fait que les attributs morphologiques associ\u00e9s fournissent peu de nombres de valeurs de classe (ne d\u00e9passant pas 6 chacune). D'un autre c\u00f4t\u00e9, l'attribut \u00ab PRONOM \u00bb (par exemple) offre environ 64 valeurs de la classe qui peut g\u00e9n\u00e9rer des r\u00e9sultats distincts pour les diff\u00e9rents classifieurs. Parmi les classifieurs possibilistes, nous remarquons que le mod\u00e8le qui assemble les mesures de possibilit\u00e9 et de n\u00e9cessit\u00e9 (\u041f + N) fournit de meilleurs r\u00e9sultats (87.43%). Ceci confirme la capacit\u00e9 mod\u00e8le possibiliste \u00e0 traiter les donn\u00e9es impr\u00e9cises, surtout que les textes arabes ont un taux d'ambigu\u00eft\u00e9 \u00e9lev\u00e9.Evaluation d'une approche de classification possibiliste pour la d\u00e9sambigu\u00efsation des textes arabes Les taux de d\u00e9sambigu\u00efsation des attributs morphologiques en utilisant 6 classifieurs possibilistes et nonpossibilistes dans le corpus du Hadith.Nous essayons de prouver l'ind\u00e9pendance du domaine de nos mod\u00e8les possibilistes. Pour ce faire, nous menons nos exp\u00e9rimentations sur le corpus Arabic Treebank rassemblant les textes de journaux. Ce corpus donne les r\u00e9sultats de d\u00e9sambigu\u00efsation de l'attribut POS. A cet effet, les instances des ensembles d'apprentissage et test seront d\u00e9crites par les attributs POS-2, POS-1, POS+1 et POS+2 qui repr\u00e9sentent, respectivement, les cat\u00e9gories grammaticales des deux mots qui suivent et des deux mots qui pr\u00e9c\u00e9dent le mot courant.Le tableau 4 pr\u00e9sente les taux de d\u00e9sambigu\u00efsation de l'attribut POS pour les deux corpus \u00ab Hadith \u00bb et \u00ab Arabic Treebank \u00bb donn\u00e9es par les six classifieurs." } } } }