Stratégies discriminantes pour intégrer la reconnaissance des mots composés dans un analyseur syntaxique en constituants [Discriminative strategies for integrating multiword expression recognition in a constituent parser]

Stratégies discriminantes pour intégrer la reconnaissance des mots composés dans un analyseur syntaxique en constituants Matthieu Constant* — Anthony Sigogne* — Patrick Watrin** * Université Paris-Est, LIGM, CNRS – {mconstan,sigogne}@univ-mlv.fr ** Knowbel Technologies – patrick.watrin@knowbel.com RÉSUMÉ. Nous proposons deux stratégies discriminantes d’intégration des mots composés dans un processus d’analyse syntaxique en constituants : (i) présegmentation lexicale avant analyse, (ii) postsegmentation lexicale après analyse au moyen d’un réordonnanceur. Le segmenteur de l’approche (i) se fonde sur les champs aléatoires markoviens. Le réordonnanceur de l’ap- proche (ii) repose sur un modèle de maximum d’entropie. Tous ces modèles intègrent des traits dédiés aux mots composés, dont certains sont calculés à partir de ressources lexicales externes. Nous montrons que l’approche par présegmentation atteint des performances dépassant l’état de l’art, alors que celle par postsegmentation est un peu en dessous de nos espérances. Les différentes expériences menées ouvrent de nombreuses pistes de recherche. ABSTRACT. We propose two discriminative strategies to integrate compound word recognition in a parsing context: (i) compound pregrouping with Conditional Random Fields before parsing, (ii) reranking parses with a maximum entropy model after parsing. These discriminative models integrate features dedicated to compounds, some of theme being computed from external lexical resources. We show that the pregrouping strategy largely overtakes current state-of-the-art results, while the reranking strategy is somewhat deceiving. All the experiments conducted in this paper open new interesting research directions. MOTS-CLÉS : mots composés, analyse syntaxique, champs markoviens aléatoires, réordon- nanceur. KEYWORDS: multiword expressions, parsing, Conditional Random Fields, reranker. TAL. Volume 54 – n˚ 1/2013, pages 47 à 70 48 TAL. Volume 54 – n˚ 1/2013 1. Introduction L’intégration des expressions multimots (EMM) dans des applications réelles comme la traduction automatique ou l’extraction d’information est cruciale car de telles expressions ont la particularité de contenir un certain degré de figement. En par- ticulier, elles forment des unités lexicales complexes qui, si elles sont prises en compte, peuvent non seulement améliorer l’analyse syntaxique, mais aussi faciliter les analyses sémantiques qui en découlent. Leur intégration dans un processus d’analyse syntax- ique probabiliste a déjà été envisagée dans quelques études. Toutefois, elles reposent pour la majorité sur un corpus au sein duquel l’ensemble des EMM a été parfaitement identifié au préalable. Bien qu’artificielles, ces études ont montré une amélioration des performances d’analyse : par exemple, Nivre et Nilsson (2004) et Eryigit et al. (2011) pour l’analyse en dépendance et Arun et Keller (2005) ainsi que Hogan et al. (2011) pour l’analyse en constituants. Plus récemment, Green et al. (2011) ont intégré la re- connaissance des EMM au sein de la grammaire et non plus dans une phase préalable. La grammaire est entraînée sur un corpus arboré où les EMM sont annotées avec des nœuds non terminaux spécifiques. Dans cet article, nous nous intéressons à un type d’EMM : les mots composés. Nous proposons d’évaluer deux stratégies discriminantes d’intégration de leur recon- naissance dans un contexte réel d’analyse syntaxique en constituants : (a) présegmen- tation lexicale au moyen d’un reconnaisseur état de l’art de mots …

Content truncated to 500 words