A discriminative parser of the LR family for phrase structure parsing (Un analyseur discriminant de la famille LR pour l’analyse en constituants) [in French]

[O-P2.1] 328 21ème Traitement Automatique des Langues Naturelles, Marseille, 2014 Un analyseur discriminant de la famille LR pour l’analyse en constituants Benoît Crabbé ALPAGE, INRIA, Université Paris Diderot Place Paul Ricoeur , 75013 Paris bcrabbe@linguist.univ-paris-diderot.fr Résumé. On propose un algorithme original d’analyse syntaxique déterministe en constituants pour le langage naturel inspiré de LR (Knuth, 1965). L’algorithme s’appuie sur un modèle d’apprentissage discriminant pour réaliser la désambiguisation (Collins, 2002). On montre que le modèle discriminant permet de capturer plus finement de l’informa- tion morphologique présente dans les données, ce qui lui permet d’obtenir des résultats état de l’art en temps comme en exactitude pour l’analyse syntaxique du français. Abstract. We provide a new weighted parsing algorithm for deterministic context free grammar parsing inspired by LR (Knuth, 1965). The parser is weighted by a discriminative model that allows determinism (Collins, 2002). We show that the discriminative model allows to take advantage of morphological information available in the data, hence allowing to achieve state of the art results both in time and in accurracy for parsing French. Mots-clés : Analyse guidée par les têtes, analyse LR, temps linéaire, modèle discriminant,inférence approximative. Keywords: Head driven parsing, LR parsing, linear time, discriminative modelling, approximate inference. 1 Introduction Cet article présente un algorithme d’analyse syntaxique robuste inspiré des algorithmes LR (Knuth, 1965) et GLR (Tomita, 1985) pour les grammaires de réécritures non contextuelles. L’algorithme est augmenté d’un mécanisme de pondération permettant la désambiguisation. Celui-ci est basé sur l’algorithme du perceptron global (Collins, 2002). L’article montre que cet algorithme est état de l’art en temps comme en correction sur un jeu de données de référence pour le français (Abeillé et al., 2003; Seddah et al., 2013). L’analyse syntaxique en constituants repose sur l’hypothèse que caractériser la structure d’une phrase de la langue en mo- délisant la manière dont les mots sont groupés a du sens. De plus il s’agit d’une représentation particulièrement adaptée à la construction compositionnelle du sens des phrases, comme illustré par (Socher et al., 2012). Il reste que les principaux modèles d’analyse probabiliste en constituants sont génératifs et ont été conçus en priorité pour l’analyse de l’anglais (Petrov et al., 2006; Charniak, 2000; Collins, 2003) ou le chinois (Zhang, 2009), c’est-à-dire des langues à morphologie très pauvre. Pour l’analyse de langues à morphologie plus riche, comme le français, on fait l’hypothèse qu’il est souhai- table de pouvoir se donner une représentation structurée des mots (lemmatisation, analyse morphologique, représentation sémantique) issue directement de treebanks voire de ressources exogènes, comme des dictionnaires. Et ce, dans le but de capturer certaines de leurs propriétés essentielles et de combattre les effets de dispersion des données. Il est cepen- dant non trivial d’adapter les modèles génératifs développés en priorité pour l’anglais au cas des langues à morphologie riche. Il faudrait notamment mettre en place une factorisation du modèle génératif relativement lourde impliquant notam- ment le déploiement de méthodes de lissage très élaborées. Pour cette raison, il semble préférable d’utiliser un modèle d’apprentissage discriminant qui offre naturellement la possibilité de …

Content truncated to 500 words