Can we chunk well with bad POS labels? (Peut-on bien chunker avec de mauvaises étiquettes POS ?) [in French]

[O-E.2] 125 21ème Traitement Automatique des Langues Naturelles, Marseille, 2014 Peut-on bien chunker avec de mauvaises étiquettes POS ? Isabelle Tellier1,2, Iris Eshkol-Taravella3,4 , Yoann Dupont3, Ilaine Wang3 (1) université Paris 3 – Sorbonne Nouvelle (2) Lattice, UMR 8094, (3) université d’Orléans (4) LLL, UMR 7270 iris.eshkol@univ-orleans.fr, isabelle.tellier@univ-paris3.fr, yoann.dupont@etu.univ-paris3.fr, i.wang@u-paris10.fr Résumé. Dans cet article, nous testons deux approches distinctes pour chunker un corpus oral transcrit, en cherchant à minimiser les étapes de correction manuelle. Nous ré-utilisons tout d’abord un chunker appris sur des données écrites, puis nous tentons de ré-apprendre un chunker spécifique de l’oral à partir de données annotées et corrigées manuellement, mais en faible quantité. L'objectif est d'atteindre les meilleurs résultats possibles pour le chunker en se passant autant que possible de la correction manuelle des étiquettes POS. Nos expériences montrent qu’il est possible d’apprendre un nouveau chunker performant pour l’oral à partir d’un corpus de référence annoté de petite taille, sans intervention sur les étiquettes POS. Abstract. In this paper, we test two distinct approaches to chunk transcribed oral data, trying to minimize the phases of manual correction. First, we use an existing chunker, learned from written texts, then we try to learn a new specific chunker from a small amount of manually corrected labeled oral data. The purpose is to reach the best possible results for the chunker with as few manual corrections of the POS labels as possible. Our experiments show that it is possible to learn a new effective chunker for oral data from a labeled reference corpus of small size, without any manual correction of POS labels Mots-clés : chunker, étiquetage POS, apprentissage automatique, corpus oral, disfluences Keywords: chunker, POS labeling, machine learning, oral corpus, disfluencies 1 Introduction Nous nous intéressons dans cet article au processus de segmentation de textes en chunks, c’est-à-dire en constituants continus non-récursifs (Abney, 1991). La tâche de chunking vise en effet à identifier la structure syntaxique superficielle d’un énoncé, c’est-à-dire à reconnaître ses constituants minimaux, sans pour autant spécifier leur structure interne ni leur fonction syntaxique. Elle s’appuie sur un étiquetage morpho-syntaxique (ou POS) préalable, donnant ainsi lieu à une séquence d’annotations successives. Plusieurs stratégies sont possibles pour construire un chunker. L’apprentissage automatique supervisé est particulièrement performant sur cette tâche (Sha et Pereira, 2003), surtout si l’étiquetage POS sur lequel il repose est de bonne qualité. Mais le résultat d’un processus d’apprentissage n’est pas toujours adapté à des textes différant sensiblement de ceux ayant servi à apprendre. Nous supposons être dans la situation suivante : nous disposons d’un étiqueteur POS et d’un chunker appris à partir d’une assez grande quantité de données annotées (les données sources), homogènes en termes de style. Nous souhaitons maintenant chunker des textes nouveaux (les données cibles), initialement non annotés, présentant de grandes différences de style avec les données sources. En particulier, l’annotation POS produite sur les données cibles par le modèle résultant de l’apprentissage sur les données sources n’est pas de bonne qualité, mais nous ne souhaitons pas consacrer du temps à apprendre …

Content truncated to 500 words