Construction of a Free Large Part-of-Speech Annotated Corpus in French (Construction d’un large corpus écrit libre annoté morpho-syntaxiquement en français) [in French]

Construction d’un large corpus écrit libre annoté morpho-syntaxiquement en français Nicolas Hernandez Florian Boudin Université de Nantes nicolas.hernandez@univ-nantes.fr, florian.boudin@univ-nantes.fr RÉSUMÉ Cet article étudie la possibilité de créer un nouveau corpus écrit en français annoté morpho- syntaxiquement à partir d’un corpus annoté existant. Nos objectifs sont de se libérer de la licence d’exploitation contraignante du corpus d’origine et d’obtenir une modernisation perpétuelle des textes. Nous montrons qu’un corpus pré-annoté automatiquement peut permettre d’entraîner un étiqueteur produisant des performances état-de-l’art, si ce corpus est suffisamment grand. ABSTRACT Construction of a Free Large Part-of-Speech Annotated Corpus in French This paper studies the possibility of creating a new part-of-speech annotated corpus in French from an existing one. The objectives are to propose an exit from the restrictive licence of the source corpus and to obtain a perpetual modernisation of texts. Results show that it is possible to train a state-of-the-art POS-tagger from an automatically tagged corpus if this one is large enough. MOTS-CLÉS : corpus arboré, construction de corpus, étiquetage morpho-syntaxique. KEYWORDS: French treebank, Building a corpus, Part-of-Speech Tagging. 1 Introduction L’entraînement et le test de systèmes statistiques de Traitement Automatique des Langues (TAL) requièrent la disponibilité de larges corpus annotés (Hajiˇcová et al., 2010). Force est de constater que la communauté scientifique est pauvre en corpus écrits en français librement accessibles, annotés en quantité et en qualité suffisantes avec des analyses linguistiques structurelles (seg- mentation des textes en titres, paragraphes, phrases et mots), morpho-syntaxiques (parties du discours, lemme, genre, nombre, temps...) et syntaxiques (en constituants et en dépendances) qui constituent les pré-traitements de la plupart des applications du TAL. Nous reprenons ainsi à notre compte des propos énoncés près de dix ans plus tôt dans (Salmon-Alt et al., 2004). Dans cet article nous nous intéressons à l’entraînement d’étiqueteurs morpho-syntaxiques pour traiter des écrits en français ainsi qu’à la construction des corpus annotés associés. Parmi les corpus écrits annotés et en français que nous recensons, nous comptons PAROLE 1 et MULTEXT JOC 2 (Véronis et Khouri, 1995), le French Treebank (P7T) (Abeillé et al., 2003), la base 1. http://catalog.elra.info/product_info.php?products_id=565 2. http://catalog.elra.info/product_info.php?products_id=534 TALN-RÉCITAL 2013, 17-21 Juin, Les Sables d’Olonne 160 c￿ ATALA FREEBANK (Salmon-Alt et al., 2004) et le récent corpus Sequoia 3 (Candito et Seddah, 2012). Excepté la FREEBANK, ces corpus sont toujours accessibles aujourd’hui via un guichet sur le Web. La FREEBANK, dont la motivation était le recueil collaboratif, la construction et le partage de corpus libres annotés en français a malheureusement disparu dans les limbes du Web 4 du fait de la difficulté d’acquisition de textes libres et du coût de réalisation d’une telle entreprise. Le P7T 5 est probablement le corpus annoté le plus utilisé et le plus référencé, et ce essentiellement pour trois raisons : il est libre d’usage pour des activités de recherche, il bénéficie d’une analyse multi-niveaux (de la structure textuelle à la structure syntaxique en passant par des annotations en morphologie) et il compte près du double de mots annotés que tous les autres corpus disponibles réunis. …

Content truncated to 500 words