Bilingual Lexicon Extraction from Comparable Corpora by Combining Contextual Representations (Extraction de lexiques bilingues à partir de corpus comparables par combinaison de représentations contextuelles) [in French]

Extraction de lexiques bilingues à partir de corpus comparables par combinaison de représentations contextuelles Amir HAZEM Emmanuel MORIN LINA - UMR CNRS 6241, 2 rue de la houssinière, BP 92208, 44322 Nantes Cedex 03 RÉSUMÉ La caractérisation du contexte des mots constitue le cœur de la plupart des méthodes d’extraction de lexiques bilingues à partir de corpus comparables. Dans cet article, nous revisitons dans un premier temps les deux principales stratégies de représentation contextuelle, à savoir celle par fenêtre ou sac de mots et celle par relations de dépendances syntaxiques. Dans un second temps, nous proposons deux nouvelles approches qui exploitent ces deux représentations de manière conjointe. Nos expériences montrent une amélioration significative des résultats sur deux corpus de langue de spécialité. ABSTRACT Bilingual Lexicon Extraction from Comparable Corpora by Combining Contextual Repre- sentations Word’s context characterisation constitute the heart of most methods of bilingual lexicon extraction from comparable corpora. In this article, we first revisit the two main strategies of context representation, that is : the window-based and the syntactic based context representation. Secondly, we propose two new methods that exploit jointly these different representations . Our experiments show a significant improvement of the results obtained on two different domain specific comparable corpora. MOTS-CLÉS : Multilingualisme, corpus comparables, lexique bilingue, vecteurs de contexte, dépendances syntaxiques. KEYWORDS: Multilingualism, comparable corpora, bilingual lexicon, context vectors, syntactic dependencies. 1 Introduction Les lexiques bilingues sont une ressource importante pour différentes applications relevant du traitement automatique des langues comme en traduction assistée par ordinateur ou en recherche d’information inter-langue. Bien que les travaux s’appuyant sur des corpus parallèles 1 aient montré de très bons résultats, ce type de corpus reste difficile à collecter (Fung et Yee, 1998) et 1. Un corpus parallèle est un ensemble de textes accompagnés de leurs traductions dans une ou plusieurs langues (Bowker et Pearson, 2002). TALN-RÉCITAL 2013, 17-21 Juin, Les Sables d’Olonne 243 c￿ ATALA plus particulièrement quand il s’agit de traiter des corpus spécialisés ou des couples de langues rares ou moins usitées (Morin et al., 2004). L’exploitation des corpus comparables 2 a marqué un tournant dans la tâche d’extraction de lexiques bilingues, et suscite un intérêt constant depuis le milieu des années 1990 grâce à l’abondance et la disponibilité de tels corpus (Rapp, 1995; Fung, 1995; Rapp, 1999; Déjean et al., 2002; Gaussier et al., 2004; Morin et al., 2004; Laroche et Langlais, 2010). L’essor du Web ayant sensiblement facilité la collecte de grandes quantités de données multilingues, les corpus comparables se sont naturellement imposés comme une alternative aux corpus parallèles. Ils ont donné lieu à plusieurs travaux dont le dénominateur commun est l’hypothèse selon laquelle les mots qui sont en correspondance de traduction, ont de grandes chances d’apparaître dans les mêmes contextes (Rapp, 1999). Cette hypothèse découle directement de la proposition souvent citée de Firth (1957) : « On reconnaît un mot à ses fréquentations » 3. Rapp (1995) et Fung (1995) ont été les premiers à introduire les corpus comparables. Ils se sont appuyés sur …

Content truncated to 500 words