Points d’ancrage pour l’extraction lexicale bilingue à partir de petits corpus comparables spécialisés. Éléments de confiance pour la caractérisation des termes [Anchor points for bilingual extraction from small specialized comparable corpora]

Points d’ancrage pour l’extraction lexicale bilingue à partir de petits corpus comparables spécialisés Éléments de confiance pour la caractérisation des termes Emmanuel Prochasson — Emmanuel Morin Université de Nantes, LINA - UMR CNRS 6241 2, rue de la Houssinière, BP 92208 F-44 322 Nantes cedex 3 {emmanuel.prochasson,emmanuel.morin}@univ-nantes.fr RÉSUMÉ. Les recherches en extraction lexicale bilingue à partir de corpus comparables ont abouti à des résultats prometteurs pour les corpus très volumineux en utilisant une méthode d’alignement dite directe. Le changement d’échelle induit par des corpus d’une taille plus mo- deste conduit à l’obtention de résultats plus contrastés. Nous proposons d’introduire la notion de points d’ancrage sur laquelle nous faisons reposer une partie de l’alignement pour augmen- ter significativement les résultats de l’approche directe sur de tels corpus. Nous avons choisi de nous concentrer sur les translittérations et les mots savants comme points d’ancrage, sur un petit corpus comparable spécialisé. Nous montrons comment nous les avons exploités, ainsi que leur influence sur les candidats à la traduction. ABSTRACT. Research on bilingual lexicon extraction from comparable corpora leads to promising results using large corpora (hundreds of billions of words) using the direct alignment method. However, when using smaller corpora (hundreds of thousands of words), results obtained are slightly lower. We propose to introduce some anchor points on which we can rely for the align- ment process using the direct approach on small corpora and show how they influence the translation candidates. MOTS-CLÉS : corpus comparables, approche directe, points d’ancrage, fouille de données, ex- traction de lexiques bilingues. KEYWORDS: comparable corpora, direct approach, anchor points, text mining, bilingual lexicon extraction. TAL. Volume 50 – n˚ 1/2009, pages 283 à 304 284 TAL. Volume 50 – n˚1/2009 1. Introduction Le principal objectif de l’extraction lexicale bilingue est de compléter et de mainte- nir à jour des ressources linguistiques. Ces ressources seront des aides précieuses pour les traducteurs humains, qui pourront profiter de données actualisées et spécialisées. Les recherches en extraction lexicale à partir de corpus multilingues se sont large- ment concentrées sur les corpus parallèles, c’est-à-dire des ensembles de couples de documents en correspondance de traduction (Véronis, 2000). Les approches propo- sées s’appuient principalement sur des hypothèses fortes, notamment l’hypothèse que chaque élément (mot, phrase, paragraphe) d’un document source aura une correspon- dance, traduite, dans le document cible. Corollairement, l’organisation du document cible sera similaire à l’organisation du document source (ordre des phrases, des pa- ragraphes, découpage en parties). Ainsi, en comparant la distribution d’un élément à aligner et les distributions des candidats dans le document traduit, il est possible de discriminer le candidat correct qui aura la distribution la plus similaire à l’élément à traduire. Il est également possible de s’appuyer sur des points d’ancrage, c’est-à-dire les éléments déjà traduits avec certitude pour aligner leurs voisins puisque, par hypo- thèse, des éléments voisins dans le document source seront voisins dans le document cible (Véronis, 2000). L’emploi des corpus parallèles présente toutefois plusieurs faiblesses. La première concerne la disponibilité de ces corpus, qui nécessitent une …

Content truncated to 500 words