Stratégies pour l’étiquetage et l’analyse syntaxique statistique de phénomènes difficiles en français : études de cas avec Talismane [Strategies for statistical POS-tagging and parsing of difficult phenomena in French: case studies using Talismane]

Stratégies pour l’étiquetage et l’analyse syntaxique statistique de phénomènes difficiles en français : études de cas avec Talismane Assaf Urieli*,** * CLLE-ERSS, CNRS, Université de Toulouse - assaf.urieli@univ-tlse2.fr ** Joliciel Informatique, 09000 Foix, France RÉSUMÉ. Les outils statistiques robustes en TAL, tels que les étiqueteurs morphosyntaxiques et les analyseurs syntaxiques, utilisent souvent des descripteurs « pauvres », qui peuvent être ap- pliqués facilement à n’importe quelle langue, mais ne prennent pas en compte les particularités de la langue. Dans cette étude, nous cherchons à améliorer l’analyse de deux phénomènes en français en injectant des connaissances plus riches : l’étiquetage morphosyntaxique du mot que et l’analyse syntaxique de la coordination. Nous comparons plusieurs techniques : la transfor- mation automatique du corpus vers d’autres normes d’annotation avant l’entraînement, l’ajout de descripteurs ciblés et riches lors de l’entraînement, et l’ajout de règles symboliques qui contournent le modèle statistique lors de l’analyse. Nous atteignons une réduction du taux d’erreur de 55 % pour l’étiquetage de que, et de 37 % pour les structures coordonnées. ABSTRACT. Robust statistical NLP tools, such as pos-taggers and syntax parsers, often use knowledge-poor features, which can easily be applied to any language, but which do not take into account language specifics. In this study, we attempt to improve analysis for two French phenomena by injecting richer knowledge: pos-tagging of the function word que and syntax parsing of coordinated structures. We compare several techniques: automatic transformation of the corpus to other annotation standards prior to training, addition of rich targeted features during training, and addition of symbolic rules during analysis. We attain 55% error reduction for the pos-tagging of que, and 37% for coordinated structure parsing. MOTS-CLÉS : analyse syntaxique statistique en dépendances, étiquetage morphosyntaxique, des- cripteurs riches, normes d’annotation. KEYWORDS: statistical dependency parsing, pos-tagging, rich features, annotation schema. TAL. Volume 56 - n◦1/2015, pages 65 à 89 66 TAL. Volume 56 - n◦1/2015 1. Introduction Les outils statistiques robustes en TAL sont relativement faciles à construire : il suffit de disposer d’un corpus annoté (e.g. le French Treebank), d’un classifieur ro- buste (e.g. SVM ou support vector machine linéaire), d’un algorithme d’analyse (e.g. le parsing par transitions pour l’analyse syntaxique) et de quelques descripteurs. La plupart de ces systèmes utilisent des descripteurs linguistiquement pauvres, limités aux bigrammes ou trigrammes des tokens ou des étiquettes morphosyntaxiques, à quelques informations de base tirées d’un lexique à large couverture, et, au niveau du parsing, à un examen superficiel de la tête ou du dépendant le plus à droite ou à gauche d’un token donné. Même les études qui parlent de descripteurs « riches » (Zhang et Nivre, 2011) se limitent à des descripteurs génériques, qui prennent en compte des informations de surface telles que la valence d’un token (nombre de dépendants) ou la distance entre deux tokens, mais ne cherchent pas à coder les phénomènes spécifiques d’une langue donnée. Cela présente l’avantage de pouvoir s’appliquer facilement à beaucoup de langues, mais empêche l’injection des connaissances linguistiques spé- cifiques, et limite donc les …

Content truncated to 500 words