Comparabilité de corpus et fouille terminologique multilingue [Corpus comparability and multilingual terminology Mining]

Comparabilité de corpus et fouille terminologique multilingue Emmanuel Morin — Béatrice Daille Université de Nantes, LINA - FRE CNRS 2729 2, rue de la Houssinière, BP 92208 F-44322 Nantes cedex 03 {emmanuel.morin,beatrice.daille}@univ-nantes.fr RÉSUMÉ. Les principaux travaux en fouille textuelle privilégient communément la taille du cor- pus sur sa qualité. Ainsi dans le cadre de l’alignement lexical à partir de corpus comparables, les meilleurs résultats sont obtenus pour des corpus de grande taille (plusieurs millions de mots). Pour les domaines de spécialité, et pour de nombreuses paires de langues, il n’est pas possible de disposer de corpus textuels aussi volumineux. Dans le cadre de ce travail, nous soutenons l’hypothèse que la qualité des données textuelles peut non seulement suppléer à leur quantité mais garantit aussi celle des ressources lexicales extraites. En particulier, nous montrons l’intérêt de prendre en compte le type du discours lors de la constitution du corpus comparable pour obtenir des listes terminologiques de qualité. ABSTRACT. Current work in terminology mining from corpora tends to favour corpus size over corpus quality. Concerning multilingual lexical acquisition from comparable corpora, the best results are obtained on large corpora, i.e. several million words. But for many domains and language pairs, such huge corpora are simply not available. Our main hypothesis is that corpus quality is not only as important as corpus size, it is also what guarantees the quality of the ac- quired terminological resources. More precisely, we show how important it is to take discourse type into account when building the corpus. MOTS-CLÉS : corpus comparable, type de discours, alignement lexical, termes complexes. KEYWORDS: comparable corpora, type of discourse, lexical alignment, multi-word terms. TAL. Volume 47 – no 1/2006, pages 113 à 136 114 TAL. Volume 47 – no 1/2006 1. Introduction Benoît Habert (2000, p. 18) rappelle les deux positions concernant la création d’un corpus : « Gros, c’est beau »1 ou « insécurité dans les grands ensembles ». La première, qui est la position communément adoptée en fouille textuelle, privilégie la quantité des données sur leur qualité. Les raisons qui pourraient être invoquées sont, d’une part, la nécessité de disposer de grandes masses de données pour mettre en œuvre les méthodes informatiques et, d’autre part, le manque de méthodes opérationnelles pour automatiser la construction d’un corpus représentatif d’un domaine, d’une activité ou encore d’une situation de communication et répondant donc à des critères langagiers précis. Dans le cadre de l’alignement lexical à partir de corpus comparables, de bons résultats sont obtenus pour des corpus de grande taille – plusieurs millions de mots – lorsqu’il s’agit de proposer des traductions de mots simples : pour environ 80 % d’entre eux, les bonnes traductions apparaissent dans les vingt premiers candi- dats (Fung, 1998; Rapp, 1999; Chiao et Zweigenbaum, 2002). En utilisant le web, Cao et Li (2002) atteignent une précision de 91 % sur les trois premières traductions. En fouille terminologique multilingue, les documents relevant d’une thématique d’un domaine de spécialité ne sont pas disponibles en grande quantité. L’hypothèse de notre …

Content truncated to 500 words