Extraction de lexiques bilingues à partir de corpus comparables spécialisés : étude du contexte lexical [Bilingual lexicon extraction from specialized comparable corpora: a study of lexical context]

Extraction de lexiques bilingues à partir de corpus comparables spécialisés : étude du contexte lexical Amir Hazem — Emmanuel Morin Université de Nantes, LINA UMR CNRS 6241 2 rue de la Houssinière, BP 92208 F-44322 Nantes cedex 3 {amir.hazem,emmanuel.morin}@univ-nantes.fr RÉSUMÉ. Ce travail s’intéresse à la notion de contexte lexical qui est au cœur de l’approche fon- datrice en extraction de lexiques bilingues à partir de corpus comparables spécialisés. D’une part, nous revenons sur les deux principales stratégies, dédiées à la caractérisation du contexte lexical, qui reposent sur l’exploitation de représentations graphique ou syntaxique. Nous mon- trons que l’exploitation conjointe de ces deux représentations a un intérêt particulier pour la tâche de construction de lexiques bilingues. D’autre part, nous abordons la difficulté de dis- poser d’observations significatives du contexte des mots en corpus comparables spécialisés. Pour répondre à cette difficulté, nous proposons de mettre en œuvre des stratégies de réestima- tion des observations de cooccurrences de mots par méthode de lissage ou par prédiction. Les différentes contributions associées à ce travail engendrent une amélioration significative de la qualité des lexiques extraits. ABSTRACT. This work focuses on the concept of lexical context that is central to the historical approach of bilingual lexicon extraction from specialized comparable corpora. First, we revisit the two main strategies dedicated to lexical context characterization, that rely on the use of window-based and syntactic-based representations. We show that the combination of these two representations has a particular interest in the task of building bilingual lexicons. Second, we address the problem of the reliability of context words observations in specialized compara- ble corpora. To answer this difficulty, we propose to implement strategies to re-estimate words cooccurrence observations by smoothing or prediction techniques. Our results show a signifi- cant improvement in the quality of extracted lexicons. MOTS-CLÉS : corpus comparable, extraction de lexiques bilingues, contexte lexical. KEYWORDS: Comparable corpus, bilingual lexicon extraction, lexical context. TAL. Volume 55 – n◦ 1/2014, pages 13 à 44 14 TAL. Volume 55 – n◦ 1/2014 1. Introduction L’extraction de lexiques bilingues à partir de corpus a initialement été réalisée en s’appuyant sur des textes en correspondance de traduction (c’est-à-dire des corpus parallèles) (Véronis, 2002). Cependant, et en dépit des bons résultats obtenus, ces corpus demeurent des ressources rares, notamment pour les domaines spécialisés et pour des couples de langues ne faisant pas intervenir l’anglais. Dans ce contexte, les recherches en extraction de lexiques bilingues se sont penchées sur d’autres corpus composés de textes partageant différentes caractéristiques telles que le domaine, le genre, la période... sans être en correspondance de traduction (c’est-à-dire des corpus comparables) (Bowker et Pearson, 2002). Si les corpus comparables sont des ressources bien plus abondantes que les cor- pus parallèles, les lexiques bilingues extraits de corpus comparables sont d’une qua- lité bien inférieure à ceux obtenus à partir de corpus parallèles. Cette différence s’explique principalement par l’absence d’élément d’ancrage dans les corpus com- parables (l’alignement préalable des paragraphes, des phrases... n’y est pas pos- sible). L’approche historique pour extraire des termes …

Content truncated to 500 words