{ "paper_id": "F14-2008", "header": { "generated_with": "S2ORC 1.0.0", "date_generated": "2023-01-19T10:22:46.567191Z" }, "title": "\u00c9tiquetage morpho-syntaxique pour des mots nouveaux", "authors": [ { "first": "Ingrid", "middle": [], "last": "Falk", "suffix": "", "affiliation": { "laboratory": "", "institution": "Universit\u00e9 de Strasbourg ifalk", "location": {} }, "email": "" }, { "first": "Delphine", "middle": [], "last": "Bernhard", "suffix": "", "affiliation": { "laboratory": "", "institution": "Universit\u00e9 de Strasbourg ifalk", "location": {} }, "email": "dbernhard@unistra.fr" }, { "first": "Christophe", "middle": [], "last": "G\u00e9rard", "suffix": "", "affiliation": { "laboratory": "", "institution": "Universit\u00e9 de Strasbourg ifalk", "location": {} }, "email": "christophegerard@unistra.fr" }, { "first": "Romain", "middle": [], "last": "Potier-Ferry", "suffix": "", "affiliation": { "laboratory": "", "institution": "Universit\u00e9 de Strasbourg ifalk", "location": {} }, "email": "romainpotierferry@gmail.com" }, { "first": "", "middle": [], "last": "Lilpa", "suffix": "", "affiliation": { "laboratory": "", "institution": "Universit\u00e9 de Strasbourg ifalk", "location": {} }, "email": "" } ], "year": "", "venue": null, "identifiers": {}, "abstract": "Les outils d'\u00e9tiquetage automatique sont plus ou moins robustes en ce qui concerne l'\u00e9tiquetage de mots inconnus, non rencontr\u00e9s dans le corpus d'apprentissage. Il est important de conna\u00eetre de mani\u00e8re pr\u00e9cise la performance de ces outils lorsqu'on cible plus particuli\u00e8rement l'\u00e9tiquetage de n\u00e9ologismes formels. En effet, la cat\u00e9gorie grammaticale constitue un crit\u00e8re important \u00e0 la fois pour leur identification et leur documentation. Nous pr\u00e9sentons une \u00e9valuation et une comparaison de 7 \u00e9tiqueteurs morphosyntaxiques du fran\u00e7ais, \u00e0 partir d'un corpus issu du Wiktionnaire. Les r\u00e9sultats montrent que l'utilisation de traits de forme ou morphologiques est favorable \u00e0 l'\u00e9tiquetage correct des mots nouveaux.", "pdf_parse": { "paper_id": "F14-2008", "_pdf_hash": "", "abstract": [ { "text": "Les outils d'\u00e9tiquetage automatique sont plus ou moins robustes en ce qui concerne l'\u00e9tiquetage de mots inconnus, non rencontr\u00e9s dans le corpus d'apprentissage. Il est important de conna\u00eetre de mani\u00e8re pr\u00e9cise la performance de ces outils lorsqu'on cible plus particuli\u00e8rement l'\u00e9tiquetage de n\u00e9ologismes formels. En effet, la cat\u00e9gorie grammaticale constitue un crit\u00e8re important \u00e0 la fois pour leur identification et leur documentation. Nous pr\u00e9sentons une \u00e9valuation et une comparaison de 7 \u00e9tiqueteurs morphosyntaxiques du fran\u00e7ais, \u00e0 partir d'un corpus issu du Wiktionnaire. Les r\u00e9sultats montrent que l'utilisation de traits de forme ou morphologiques est favorable \u00e0 l'\u00e9tiquetage correct des mots nouveaux.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Abstract", "sec_num": null } ], "body_text": [ { "text": "Les outils d'\u00e9tiquetage morphosyntaxique proc\u00e8dent par apprentissage automatique \u00e0 partir d'un corpus annot\u00e9 manuellement. De fait, ils sont plus ou moins robustes en ce qui concerne l'\u00e9tiquetage de mots inconnus, non rencontr\u00e9s dans le corpus d'apprentissage. Cette probl\u00e9matique nous int\u00e9resse tout particuli\u00e8rement dans le cadre de l'identification de n\u00e9ologismes formels, c'est-\u00e0-dire les nouvelles formes qui apparaissent quotidiennement. En effet, la cat\u00e9gorie grammaticale constitue un crit\u00e8re important \u00e0 la fois pour l'identification et la documentation de ce type de n\u00e9ologismes. L'objectif de ce travail est de pr\u00e9senter une analyse d\u00e9taill\u00e9e de 7 \u00e9tiqueteurs pour le fran\u00e7ais, en comparant leurs performances pour l'\u00e9tiquetage de n\u00e9ologismes issus du Wiktionnaire. L'objectif final est d'identifier l'outil ayant les meilleurs r\u00e9sultats afin de l'incorporer \u00e0 un syst\u00e8me d'identification automatique de n\u00e9ologismes formels. Nous souhaitons avant tout disposer d'un outil qui convient \u00e0 nos besoins : (i) pr\u00eat \u00e0 l'emploi (ii) sans entra\u00eenement suppl\u00e9mentaire (iii) simple d'utilisation et (iv) librement disponible. Cet outil doit par ailleurs avoir les meilleures performances possibles pour l'\u00e9tiquetage des n\u00e9ologismes dans ces conditions, et sa performance pour les mots connus n'est pas d\u00e9cisive dans le cadre de notre projet. L'article est organis\u00e9 comme suit : dans un premier temps, nous pr\u00e9sentons le corpus utilis\u00e9 dans le cadre de nos exp\u00e9riences, puis les outils compar\u00e9s. La Section 4 d\u00e9taille le protocole utilis\u00e9 pour nos exp\u00e9riences et la Section 5 propose une discussion des r\u00e9sultats obtenus. INGRID FALK, DELPHINE BERNHARD, CHRISTOPHE G\u00c9RARD, ROMAIN POTIER-FERRY", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Introduction", "sec_num": "1" }, { "text": "Nous avons constitu\u00e9 un corpus de n\u00e9ologismes contextualis\u00e9s (phrases ou paragraphe), extrait de la liste fournie par le Wiktionnaire 1 . Ce corpus se constitue de 152 entr\u00e9es 2 toutes conformes au trois crit\u00e8res suivants : i) Le n\u00e9ologisme et son contexte sont attest\u00e9s, et non pas forg\u00e9s.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Corpus de r\u00e9f\u00e9rence", "sec_num": "2" }, { "text": "ii) Il existe au moins une source en format num\u00e9rique ais\u00e9ment accessible.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Corpus de r\u00e9f\u00e9rence", "sec_num": "2" }, { "text": "iii) La date d'apparition du n\u00e9ologisme est post\u00e9rieure \u00e0 2000.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Corpus de r\u00e9f\u00e9rence", "sec_num": "2" }, { "text": "Techniquement ce corpus se pr\u00e9sente sur la forme d'un fichier XML dont un extrait est montr\u00e9 en Figure 1 . Les informations utilis\u00e9s dans nos exp\u00e9riences sont : le lemme du n\u00e9ologisme (balise word), sa cat\u00e9gorie grammaticale (attribut pos) ainsi que les phrases o\u00f9 il appara\u00eet (balise texte). Dans ces phrases le n\u00e9ologisme est marqu\u00e9 par la balise . abracadabrantesquement Son app\u00e9tit institutionnel est abracadabrantesquement vorace. .... accessibiliser Accessibiliser l'Internet... oui, mais pas \u00e0 moiti\u00e9! Ne pas passer une journ\u00e9e \u00e0 tenter d'accessibiliser deux-trois tableaux hallucinants, pour un gain trop faible. ... ", "cite_spans": [], "ref_spans": [ { "start": 96, "end": 104, "text": "Figure 1", "ref_id": "FIGREF0" } ], "eq_spans": [], "section": "Corpus de r\u00e9f\u00e9rence", "sec_num": "2" }, { "text": "Pour notre projet de collecte de n\u00e9ologismes formels, nous devrons utiliser les \u00e9tiqueteurs quotidiennement, sur des textes journalistiques.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Pr\u00e9sentation des \u00e9tiqueteurs compar\u00e9s", "sec_num": "3" }, { "text": "Les logiciels que nous avons pu identifier et qui r\u00e9pondent aux conditions \u00e9nonc\u00e9es dans l'introduction sont pr\u00e9sent\u00e9s bri\u00e8vement dans cette section. Il s'agit de LGtagger et SEM (Constant & Sigogne, 2011; Constant et al., 2011 ), LIA_tagg (Nasr et al., 2004 , l'\u00e9tiqueteur de Stanford (Toutanova et al., 2003) , MElt (Denis & Sagot, 2010), Talismane (Urieli & Tanguy, 2013) et le plus ancien mais encore largement utilis\u00e9, le TreeTagger (Schmid, 1994) . Ces outils se distinguent non seulement par les algorithmes appliqu\u00e9s mais leurs performances d\u00e9pendent aussi d'autres facteurs, comme par exemple : LGtagger et SEM (Constant & Sigogne, 2011; Constant et al., 2011) LGTagger et SEM ont un fonctionnement similaire : ils proc\u00e8dent par apprentissage automatique avec des CRF (Conditional Random Fields / champs markoviens conditionnels) et peuvent exploiter des lexiques externes. Ces outils visent \u00e9galement \u00e0 combiner segmentation en unit\u00e9s et \u00e9tiquetage, en reconnaissant les unit\u00e9s polylexicales. Les deux outils diff\u00e8rent toutefois par les attributs et ressources externes utilis\u00e9es. L'exactitude (accuracy) de SEM varie de 81,6% (corpus oral) \u00e0 95.6% (corpus blog) 4 . Celle de LG-Tagger est de 97.7% (sans segmentation incorpor\u00e9e). Nous avons utilis\u00e9 la version 1.1 de LGTagger, qui int\u00e8gre plusieurs ressources lexicales (cf. Tableau 2) et o\u00f9 la segmentation est incorpor\u00e9e. SEM a \u00e9t\u00e9 utilis\u00e9 avec un mod\u00e8le appris sur un corpus ne contenant pas d'unit\u00e9s multi-mots et en prenant en compte des ressources linguistiques externes (le Lefff).", "cite_spans": [ { "start": 160, "end": 162, "text": "de", "ref_id": null }, { "start": 179, "end": 205, "text": "(Constant & Sigogne, 2011;", "ref_id": "BIBREF1" }, { "start": 206, "end": 227, "text": "Constant et al., 2011", "ref_id": "BIBREF1" }, { "start": 228, "end": 258, "text": "), LIA_tagg (Nasr et al., 2004", "ref_id": null }, { "start": 277, "end": 310, "text": "Stanford (Toutanova et al., 2003)", "ref_id": null }, { "start": 438, "end": 452, "text": "(Schmid, 1994)", "ref_id": "BIBREF7" }, { "start": 620, "end": 646, "text": "(Constant & Sigogne, 2011;", "ref_id": "BIBREF1" }, { "start": 647, "end": 669, "text": "Constant et al., 2011)", "ref_id": "BIBREF1" } ], "ref_spans": [], "eq_spans": [], "section": "Pr\u00e9sentation des \u00e9tiqueteurs compar\u00e9s", "sec_num": "3" }, { "text": "-", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Pr\u00e9sentation des \u00e9tiqueteurs compar\u00e9s", "sec_num": "3" }, { "text": "LGTagger, la segmentation \u00e9tait incorpor\u00e9e. ", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Comme pour", "sec_num": null }, { "text": "Afin d'\u00e9valuer l'\u00e9tiquetage automatique pour la d\u00e9tection et la documentation de n\u00e9ologismes formels, nous appliquons les \u00e9tiqueteurs d\u00e9crits en Section 3 au corpus de n\u00e9ologismes que nous avons constitu\u00e9 (pr\u00e9sent\u00e9 en Section 2). Nous comparons ensuite l'\u00e9tiquetage des outils \u00e0 celui du corpus de r\u00e9f\u00e9rence.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Exp\u00e9riences", "sec_num": "4" }, { "text": "\u00c9tiquettes. Les n\u00e9ologismes du corpus n'ayant que les cat\u00e9gories nom, verbe, adjectif et adverbe, nous projetons les sorties des \u00e9tiqueteurs, qui sont souvent plus d\u00e9taill\u00e9s, sur ces cat\u00e9gories principales. ", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Exp\u00e9riences", "sec_num": "4" }, { "text": "Au vu de ces r\u00e9sultats, nous concluons que le Stanford Tagger est l'outil le plus plus adapt\u00e9 \u00e0 notre application et nous allons donc l'utiliser dans notre projet. Comme c'\u00e9tait \u00e0 pr\u00e9voir l'utilisation de ressources lexicales externes n'a pas d'impact. Par ailleurs, la combinaison de la segmentation et de l'\u00e9tiquetage est plut\u00f4t d\u00e9favorable. Par contre les traits de forme et morphologiques ont un impact positif.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion", "sec_num": "6" }, { "text": "Remerciements. Ces travaux ont \u00e9t\u00e9 financ\u00e9s par l'Universit\u00e9 de Strasbourg dans le cadre de l'Initiative d'Excellence (IdEx) 2012 (projet Logoscope).", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion", "sec_num": "6" }, { "text": ". http://www.lattice.cnrs.fr/sites/itellier/SEM.html", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "", "sec_num": null } ], "back_matter": [], "bib_entries": { "BIBREF0": { "ref_id": "b0", "title": "Building a Treebank for French", "authors": [ { "first": "", "middle": [], "last": "Abeill\u00e9 A", "suffix": "" }, { "first": "", "middle": [], "last": "Cl\u00e9ment L. & Toussenel F", "suffix": "" } ], "year": 2003, "venue": "Treebanks, number 20 in Text, Speech and Language Technology", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "ABEILL\u00c9 A., CL\u00c9MENT L. & TOUSSENEL F. (2003). Building a Treebank for French. In A. ABEILL\u00c9, Ed., Treebanks, number 20 in Text, Speech and Language Technology.", "links": null }, "BIBREF1": { "ref_id": "b1", "title": "Int\u00e9grer des connaissances linguistiques dans un CRF : application \u00e0 l'apprentissage d'un segmenteur-\u00e9tiqueteur du fran\u00e7ais", "authors": [ { "first": "M", "middle": [ "&" ], "last": "Constant", "suffix": "" }, { "first": "", "middle": [], "last": "Sigogne A. ; M", "suffix": "" }, { "first": "", "middle": [], "last": "Tellier I", "suffix": "" }, { "first": "D", "middle": [], "last": "Duchier", "suffix": "" }, { "first": "Y", "middle": [], "last": "Dupont", "suffix": "" }, { "first": "", "middle": [], "last": "Sigogne A", "suffix": "" }, { "first": "", "middle": [], "last": "Billot S", "suffix": "" } ], "year": 2011, "venue": "Proceedings of the Workshop on Multiword Expressions : from Parsing and Generation to the Real World, ACL 2011. CONSTANT", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "CONSTANT M. & SIGOGNE A. (2011). MWU-aware part-of-speech tagging with a CRF model and lexical resources. In Proceedings of the Workshop on Multiword Expressions : from Parsing and Generation to the Real World, ACL 2011. CONSTANT M., TELLIER I., DUCHIER D., DUPONT Y., SIGOGNE A. & BILLOT S. (2011). Int\u00e9grer des connaissances linguistiques dans un CRF : application \u00e0 l'apprentissage d'un segmenteur-\u00e9tiqueteur du fran\u00e7ais. In Actes de TALN 2011.", "links": null }, "BIBREF2": { "ref_id": "b2", "title": "Exploitation d'une ressource lexicale pour la construction d'un \u00e9tiqueteur morphosyntaxique \u00e9tat-de-l'art du fran\u00e7ais", "authors": [ { "first": "Denis", "middle": [ "P &" ], "last": "Sagot B", "suffix": "" } ], "year": 2010, "venue": "Actes de TALN", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "DENIS P. & SAGOT B. (2010). Exploitation d'une ressource lexicale pour la construction d'un \u00e9tiqueteur morphosyn- taxique \u00e9tat-de-l'art du fran\u00e7ais. In Actes de TALN 2010.", "links": null }, "BIBREF3": { "ref_id": "b3", "title": "From Non Word to New Word : Automatically Identifying Neologisms in French Newspapers", "authors": [ { "first": "Bernhard", "middle": [ "D &" ], "last": "Falk I", "suffix": "" }, { "first": "", "middle": [], "last": "G\u00e9rard C", "suffix": "" } ], "year": 2004, "venue": "Proceedings of COLING 2004, COLING '04", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "FALK I., BERNHARD D. & G\u00c9RARD C. (2014). From Non Word to New Word : Automatically Identifying Neologisms in French Newspapers. In Proceedings of LREC 2014, Reykjavik, Islande. NASR A., B\u00c9CHET F. & VOLANSCHI A. (2004). Tagging with Hidden Markov Models Using Ambiguous Tags. In Proceedings of COLING 2004, COLING '04, Stroudsburg, PA, USA.", "links": null }, "BIBREF4": { "ref_id": "b4", "title": "Corpus Portal for Search in Monolingual Corpora", "authors": [ { "first": "", "middle": [], "last": "Quasthoff U", "suffix": "" }, { "first": "", "middle": [ "&" ], "last": "Richter M", "suffix": "" }, { "first": "", "middle": [], "last": "Biemann C", "suffix": "" } ], "year": 2006, "venue": "Proceedings of LREC 2006", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "QUASTHOFF U., RICHTER M. & BIEMANN C. (2006). Corpus Portal for Search in Monolingual Corpora. In Procee- dings of LREC 2006, Genoa.", "links": null }, "BIBREF5": { "ref_id": "b5", "title": "The Lefff, a Freely Available and Large-coverage Morphological and Syntactic Lexicon for French", "authors": [ { "first": "", "middle": [], "last": "Sagot B", "suffix": "" } ], "year": 2010, "venue": "Proceedings of LREC'10", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "SAGOT B. (2010). The Lefff, a Freely Available and Large-coverage Morphological and Syntactic Lexicon for French. In Proceedings of LREC'10, Valletta, Malta.", "links": null }, "BIBREF6": { "ref_id": "b6", "title": "Extension dynamique de lexiques morphologiques pour le fran\u00e7ais \u00e0 partir d'un flux textuel", "authors": [ { "first": "", "middle": [], "last": "Sagot B", "suffix": "" }, { "first": "D", "middle": [], "last": "Nouvel", "suffix": "" }, { "first": "V", "middle": [ "&" ], "last": "Mouilleron", "suffix": "" }, { "first": "", "middle": [], "last": "Baranes M", "suffix": "" } ], "year": 2013, "venue": "Actes de TALN", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "SAGOT B., NOUVEL D., MOUILLERON V. & BARANES M. (2013). Extension dynamique de lexiques morphologiques pour le fran\u00e7ais \u00e0 partir d'un flux textuel. In Actes de TALN 2013.", "links": null }, "BIBREF7": { "ref_id": "b7", "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": "", "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.", "links": null }, "BIBREF8": { "ref_id": "b8", "title": "Feature-rich part-of-speech tagging with a cyclic dependency network", "authors": [ { "first": "", "middle": [], "last": "Toutanova K", "suffix": "" }, { "first": "", "middle": [], "last": "Klein D", "suffix": "" }, { "first": "", "middle": [ "D" ], "last": "Manning C", "suffix": "" }, { "first": "", "middle": [], "last": "Singer Y", "suffix": "" } ], "year": 2003, "venue": "Proceedings of ACL", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "TOUTANOVA K., KLEIN D., MANNING C. D. & SINGER Y. (2003). Feature-rich part-of-speech tagging with a cyclic dependency network. In Proceedings of ACL 2003.", "links": null }, "BIBREF9": { "ref_id": "b9", "title": "L'apport du faisceau dans l'analyse syntaxique en d\u00e9pendances par transitions : \u00e9tudes de cas avec l'analyseur talismane", "authors": [ { "first": "", "middle": [], "last": "Urieli A. & Tanguy L", "suffix": "" } ], "year": 2013, "venue": "Actes de TALN", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "URIELI A. & TANGUY L. (2013). L'apport du faisceau dans l'analyse syntaxique en d\u00e9pendances par transitions : \u00e9tudes de cas avec l'analyseur talismane. In Actes de TALN 2013.", "links": null } }, "ref_entries": { "FIGREF0": { "num": null, "uris": null, "type_str": "figure", "text": "Extrait du corpus de n\u00e9ologismes utilis\u00e9 dans nos exp\u00e9riences.La" }, "FIGREF1": { "num": null, "uris": null, "type_str": "figure", "text": "le corpus d'apprentissage (et le jeu d'\u00e9tiquettes utilis\u00e9es) ; -des ressources lexicales externes utilis\u00e9es ou non ; -du pr\u00e9-et/ou post traitement. A leur tour, les algorithmes d'apprentissage et d'\u00e9tiquetage s'appuient largement sur un ensemble de traits extraits du corpus d'apprentissage, qui ont aussi un effet important sur leur performance." }, "FIGREF2": { "num": null, "uris": null, "type_str": "figure", "text": "LIA_tagg(Nasr et al., 2004) LIA_tagg est un \u00e9tiqueteur morpho-syntaxique pour le fran\u00e7ais pr\u00eat \u00e0 l'emploi d\u00e9velopp\u00e9 au Laboratoire Informatique d'Avignon. Il utilise un jeu de 103 \u00e9tiquettes et impl\u00e9mente une approche probabiliste bas\u00e9e sur les Cha\u00eenes de Markov Cach\u00e9es (HMM). Nous n'avons pas plus d'information sur le corpus d'apprentissage et le taux de pr\u00e9cision obtenu.Stanford(Toutanova et al., 2003) Le Stanford tagger est un \u00e9tiqueteur d\u00e9velopp\u00e9 en 2003 pour l'anglais. Ils a \u00e9t\u00e9 \u00e9tendu \u00e0 d'autre langues (fran\u00e7ais, arabe, chinois, allemand . . .), constamment am\u00e9lior\u00e9 et est distribu\u00e9 librement \u00e0 http://nlp.stanford.edu/software/tagger.shtml#Download. Sa particularit\u00e9 est d'appliquer un mod\u00e8le markovien bidirectionel \u00e0 maximisation d'entropie et d'utiliser des propri\u00e9t\u00e9s morphologiques : n-grammes de suffixes et pr\u00e9fixes, pr\u00e9sence de tirets, majuscules, etc. Nous utilisons le mod\u00e8le fran\u00e7ais entrain\u00e9 sur la French Treebank(FTB, (Abeill\u00e9 et al., 2003)) avec un jeu de 15 \u00e9tiquettes. Nous n'avons pas d'informations sur la performance de ce mod\u00e8le.MElt (Denis & Sagot, 2010) MElt est un \u00e9tiqueteur bas\u00e9 sur un mod\u00e8le markovien \u00e0 maximisation d'entropie qui int\u00e8gre \u00e9galement un lexique exog\u00e8ne \u00e0 large couverture (le Lefff (Sagot, 2010)). La m\u00e9thode d'\u00e9tiquetage et les traits utilis\u00e9s sont similaires \u00e0 ceux de l'\u00e9tiqueteur de Stanford (cf. Section 3). Dans nos exp\u00e9riences nous avons utilis\u00e9 la version librement disponible \u00e0 http://gforge.inria.fr/projects/lingwb/ qui a \u00e9t\u00e9 entrain\u00e9 sur la French Treebank(FTB, (Abeill\u00e9 et al., 2003)) avec un jeu de 29 \u00e9tiquettes. Evalu\u00e9 sur le FTB, MElt atteint un taux de pr\u00e9cision de 97.75% (91.36% sur les mots inconnus).Talismane(Urieli & Tanguy, 2013) Talismane est un analyseur syntaxique qui int\u00e8gre les diff\u00e9rentes \u00e9tapes d'analyse : segmentation en mots et en phrases, \u00e9tiquetage morphosyntaxique et finalement rep\u00e9rage des d\u00e9pendances syntaxiques. Pour chaque module, un mod\u00e8le est appris \u00e0 partir d'un corpus d'entra\u00eenement (FTB). Au moment de l'analyse, des r\u00e8gles peuvent \u00eatre appliqu\u00e9es pour contraindre les r\u00e9sultats. L'exactitude de Talismane pour le FTB est de 97,8%." }, "FIGREF4": { "num": null, "uris": null, "type_str": "figure", "text": "R\u00e9sultats par cat\u00e9gorie grammaticales." }, "TABREF0": { "num": null, "content": "
r\u00e9sume quelques propri\u00e9t\u00e9s de notre corpus.
# total noms verbes adj adverbes locutions mots \u00e0 tiret
lemmes 158 38436 293611
occurences45929368 8141328
phrases22011555 384819
", "html": null, "type_str": "table", "text": "" }, "TABREF1": { "num": null, "content": "
1. http://fr.wiktionary.org/wiki/Cat\\%E9gorie:N\\%E9ologismes_en_fran\\%C3\\%A7ais
2.
", "html": null, "type_str": "table", "text": "Propri\u00e9t\u00e9s du corpus de n\u00e9ologismes. Signalons toutefois qu'il est possible que certaines de ces entr\u00e9es se trouvent d\u00e9j\u00e0 dans des ressources lexicales plus r\u00e9centes. Ainsi le mot assistanat est pr\u00e9sent dans le Lefff (Sagot, 2010) et animaliste peut \u00eatre trouv\u00e9 dans le lexiqueWortschatz (Quasthoff et al., 2006). Nous estimons n\u00e9anmoins que cette collection pr\u00e9sente un \u00e9chantillon de formes assez r\u00e9centes et par cons\u00e9quence assez repr\u00e9sentatif pour permettre une \u00e9valuation de l'\u00e9tiquetage automatique appliqu\u00e9e \u00e0 de nouveaux mots." }, "TABREF2": { "num": null, "content": "
OutilM\u00e9thodeCorpus d'ap-Ressources lexicales UtilisationParticularit\u00e9
prentissagedela
(\u00e9tiquettes)forme
LGTagger CRF (i)FTB (ii)DELA, Lefff, Pro-Oui (iv)Segmentation
lex, Organisations,incorpor\u00e9e
Pr\u00e9noms
SEMCRF (i)FTB (ii)LefffOui (iv)
LIA_taggHMM (iii)103lexique 10 000 motsNon
StanfordCMM \u00e0 maximisa-FTB (ii, 14-Oui (iv)bidirectionnel
tion d'entropie.\u00e9tiquettes 6 )
MEltcomme stanfordFTB (ii, 29LefffOui (iv)
\u00e9tiquettes)
Talismane classifieur par entro-FTBLefffOui
pie maximale
TreeTagger Arbres de d\u00e9cisions43 834 mots,-Oui (v)
33 \u00e9tiquettes
", "html": null, "type_str": "table", "text": "INGRID FALK, DELPHINE BERNHARD, CHRISTOPHE G\u00c9RARD, ROMAIN POTIER-FERRY" }, "TABREF3": { "num": null, "content": "
(i) CRF : Conditional Random Fields (Champs Al\u00e9atoires Conditionnels)
(ii) FTB : French Treebank (Abeill\u00e9 et al., 2003)
(iii) HMM : Hidden Markov Model (Mod\u00e8le de Markov cach\u00e9)
", "html": null, "type_str": "table", "text": "Les \u00e9tiqueteurs morpho-syntaxique utilis\u00e9s. La version (fran\u00e7aise) que nous avons utilis\u00e9 est un mod\u00e8le issu d'un apprentissage sur un corpus d'environ 44 000 mots et un jeu de 33 \u00e9tiquettes r\u00e9alis\u00e9 par Achim Stein 5 . Dans nos exp\u00e9riences nous n'avons pas utilis\u00e9 de ressource lexicale suppl\u00e9mentaire." }, "TABREF4": { "num": null, "content": "
\u00c9TIQUETAGE MORPHO-SYNTAXIQUE POUR DES MOTS NOUVEAUX[P-Et1.1]
5 R\u00e9sultats et discussion
\u00c9tiqueteur toutes noms (293) verbes (68) adjectifs (81) locutions (13) mots \u00e0 tiret (28)
LGtagger73.3082.0872.0643.0466.670.00
LIA_tagg72.1779.9366.1851.9066.670.00
MElt83.2692.8367.6564.5675.0091.67
SEM67.4281.3650.0036.7158.3362.50
Stanford85.2992.4789.7160.7650.0087.50
Talismane81.4597.8554.4148.1066.6779.17
TreeTagger 82.3593.9175.0053.1675.0091.67
majorit\u00e986.43
(a) Pourcentages d'\u00e9tiquettes correctes.
TreeTagger LGtagger LIA_tagg MElt Stanford SEM Talismane
TreeTagger LGtagger LIA_tagg MElt Stanford SEM Talismane
TreeTagger LGtagger LIA_tagg MElt Stanford SEM Talismane
TreeTagger LGtagger LIA_tagg MElt Stanford SEM Talismane
TreeTagger LGtagger LIA_tagg MElt Stanford SEM Talismane
TreeTagger LGtagger LIA_tagg MElt Stanford SEM Talismane
noms propres
(NP) des noms communs (NC).
435
", "html": null, "type_str": "table", "text": "Le nombre d'\u00e9tiquettes ayant un effet important sur la qualit\u00e9 de l'\u00e9tiquetage, ce choix d'\u00e9tiquettes risque de p\u00e9naliser les outils produisant un \u00e9tiquetage plus d\u00e9taill\u00e9. Nous consid\u00e9rons l'\u00e9tiquetage d'une locution comme correct si les \u00e9tiquettes des composantes correspondent \u00e0 celles de la r\u00e9f\u00e9rence. Pr\u00e9traitement. Le pr\u00e9traitement, plus sp\u00e9cifiquement la segmentation en mots, est une \u00e9tape d\u00e9cisive dans l'\u00e9tiquetage automatique et chaque \u00e9tiqueteur a sa propre strat\u00e9gie pour l'aborder. En g\u00e9n\u00e9ral, les outils distribu\u00e9s sont assortis de scripts pour d'abord d\u00e9couper le texte en phrases et ensuite en unit\u00e9s de formes (des mots), qui convient plus ou moins \u00e0 notre format d'entr\u00e9e. Pour d'autres outils, comme LGtagger et SEM, la segmentation est int\u00e9gr\u00e9e \u00e0 l'\u00e9tiquetage." }, "TABREF5": { "num": null, "content": "", "html": null, "type_str": "table", "text": "Les r\u00e9sultats sont pr\u00e9sent\u00e9s enFigure 2. Nous montrons le pourcentage d'\u00e9tiquettes correctes pour toutes les occurrences de mots nouveaux dans notre corpus et \u00e9galement pour les cat\u00e9gories principales (nom, verbe, adjectif). \u00c0 titre indicatif est affich\u00e9 \u00e9galement le pourcentage d'\u00e9tiquetages correctes pour les locutions mais nous consid\u00e9rons que la taille de cet \u00e9chantillon ne permet pas de conclusions finales. Les n\u00e9ologismes formels sont souvent form\u00e9s par composition avec des tirets, pour cette raison nous consid\u00e9rons \u00e9galement les performances des \u00e9tiqueteurs sur ce type de ph\u00e9nom\u00e8ne 7 .Les performances observ\u00e9es sont, d'une mani\u00e8re g\u00e9n\u00e9rale, plus basses que celles rapport\u00e9s dans des publications. Ceci 7. A titre indicatif, l'\u00e9chantillon \u00e9tant trop limit\u00e9. INGRID FALK, DELPHINE BERNHARD, CHRISTOPHE G\u00c9RARD, ROMAIN POTIER-FERRY est un effet attendu, vu que les performances publi\u00e9es sont calcul\u00e9es sur un corpus test issu du m\u00eame corpus global. Les meilleurs \u00e9tiquetages sont ceux du Stanford tagger (85.29%) suivis de ceux du MElt (83.26%) et du TreeTagger (82.35%). En mutualisant ces r\u00e9sultats par un vote majoritaire le taux a pu \u00eatre augment\u00e9 \u00e0 86.43%. Par rapport \u00e0 l'algorithme d'\u00e9tiquetage, les CMM utilis\u00e9s pour Stanford et MElt semblent plus favorables dans le cadre de notre application que les CRF (employ\u00e9s par LGTagger et SEM) ou les classifieurs \u00e0 entropie maximale. Pour ce qui est de ressources lexicales, leur emploi n'a pas d'effet positif dans notre cas. En effet, alors que Stanford et MElt s'appuient sur des algorithmes et traits similaires, l'utilisation d'une ressource lexicale externe par MElt ne lui permet pas d'am\u00e9liorer ses performances. Par contre, l'utilisation de traits de forme ou morphologiques (pr\u00e9fixe, suffixe, etc.) semble favorable : Stanford, MElt et TreeTagger, qui les int\u00e9grent obtiennent les meilleurs taux d'\u00e9tiquetage correctes. Il a par ailleurs \u00e9t\u00e9 montr\u00e9 que ces traits jouent un r\u00f4le important pour l'identification de n\u00e9ologismes formels (Sagot et al., 2013; Falk et al., 2014). A son tour LIA_tagg semble d\u00e9favoris\u00e9 par le grand nombre d'\u00e9tiquettes utilis\u00e9es." } } } }