Cross-Lingual POS Tagging through Ambiguous Learning: First Experiments (Apprentissage partiellement supervisé d’un étiqueteur morpho-syntaxique par transfert cross-lingue) [in French]

[O-N1.1] 173 21ème Traitement Automatique des Langues Naturelles, Marseille, 2014 Apprentissage partiellement supervisé d’un étiqueteur morpho-syntaxique par transfert cross-lingue Guillaume Wisniewski1, 2 Nicolas Pécheux1, 2 Elena Knyazeva1,2 Alexandre Allauzen1,2 François Yvon2 (1) Université Paris Sud, 91 403 Orsay CEDEX (2) LIMSI-CNRS, 91 403 Orsay CEDEX {nom.prénom}@limsi.fr Résumé. Les méthodes de transfert cross-lingue permettent partiellement de pallier l’absence de corpus annotés, en particulier dans le cas de langues peu dotées en ressources linguistiques. Le transfert d’étiquettes morpho-syntaxiques depuis une langue riche en ressources, complété et corrigé par un dictionnaire associant à chaque mot un ensemble d’éti- quettes autorisées, ne fournit cependant qu’une information de supervision incomplète. Dans ce travail, nous reformulons ce problème dans le cadre de l’apprentissage ambigu et proposons une nouvelle méthode pour apprendre un analyseur de manière faiblement supervisée à partir d’un modèle à base d’historique. L’évaluation de cette approche montre une amé- lioration sensible des performances par rapport aux méthodes de l’état de l’art pour trois langues sur quatre considérées, avec des gains jusqu’à 3,9% absolus ou 35,8% relatifs. Abstract. When Part-of-Speech annotated data is scarce, e.g. for under resourced languages, one can turn to cross- lingual transfer and crawled dictionaries to collect partially supervised data. We cast this problem in the framework of ambiguous learning and show how to learn an accurate history-based model. This method is evaluated on four languages and yields improvements over state-of-the-art for three of them, with gains up to 3.9% absolute or 35.8% relative. Mots-clés : apprentissage partiellement supervisé, analyse morpho-syntaxique, transfert cross-lingue. Keywords: Weakly Supervised Learning, Part-of-Speech Tagging, Cross-Lingual Transfer. 1 Introduction Les catégories morpho-syntaxiques, qui regroupent les mots partageant un même comportement syntaxique et/ou mor- phologique, constituent une source d’information pertinente pour de nombreuses tâches de traitement automatique des langues (TAL). Elles sont par exemple aujourd’hui presque systématiquement calculées en prétraitement pour des tâches d’extraction d’information, pour la reconnaissance d’entités nommées ou encore en traduction automatique, sans parler de leur utilisation en analyse syntaxique. Étant donné leur importance, de nombreux travaux se sont attachés à prédire automatiquement ces étiquettes en utilisant une grande variété de méthodes d’apprentissage supervisé. Ces méthodes atteignent aujourd’hui un niveau de performances proche de celui d’un annotateur humain, du moins lorsqu’elles sont entrainées sur des corpus annotés suffisamment grands dans le domaine d’intérêt (Manning, 2011). L’annotation manuelle d’un corpus reste cependant un processus complexe, fastidieux et onéreux qui nécessite une solide expertise linguistique (Abeillé et al., 2003), même si les outils aujourd’hui disponibles peuvent aider à accélérer très significativement cette démarche (Garrette & Baldridge, 2013). Il n’existe donc actuellement des corpus annotés avec des informations morpho-syntaxiques que pour un nombre de langues et de domaines réduits. Différentes approches ont été proposées dans la littérature pour réduire cet effort d’annotation (voire pour s’en passer complètement) afin de développer des analyseurs morpho-syntaxiques pour des langues et des domaines pour lesquels ces ressources n’existent pas. Un premier type de solution consiste à estimer des classes de mots automatiquement à partir de corpus non annotés, en [O-N1.1] 174 G. …

Content truncated to 500 words