Inférence de règles de propagation syntaxique pour l’alignement de mots [Inference of Syntactic Propagation Rules for Word Alignment]

Inférence de règles de propagation syntaxique pour l’alignement de mots Sylwia Ozdowska* — Vincent Claveau** * CLLE/ERSS - CNRS & Université de Toulouse Le Mirail 5, allées Antonio Machado 31058 Toulouse cedex 1 Ozdowska@univ-tlse2.fr ** IRISA - CNRS Campus de Beaulieu 35042 Rennes cedex Vincent.Claveau@irisa.fr RÉSUMÉ. Cet article présente et évalue une approche originale d’alignement automatique de bitexte au niveau des mots. Pour cela, elle tire parti d’une analyse syntaxique en dépendances et utilise une technique d’apprentissage artificiel, la programmation logique inductive, pour apprendre des règles dites de propagation. Celles-ci s’appuient sur les informations syntaxiques connues pour aligner les mots avec grande précision. La méthode est entièrement automatique et ne requiert que peu de données d’entraînement ; les résultats présentés montrent qu’elle se compare aux meilleures techniques existantes. Enfin, l’examen des règles inférées permet d’identifier facilement les cas d’isomorphismes syntaxiques entre les deux langues traitées. ABSTRACT. This paper presents and evaluates an original approach to automatically align bitexts at the word level. It relies on a syntactic dependency analysis of the texts and uses a machine- learning technique, namely inductive logic programming, to automatically infer rules called propagation rules. These rules make the most of the syntactic information to precisely align words. This approach is entirely automatic, uses very few training data, and its results rival the ones of the best existing alignment systems. Moreover, syntactic isomorphisms between the two spotted languages are easily identified through the inferred rules. MOTS-CLÉS : alignement de mots, apprentissage artificiel, programmation logique inductive, ana- lyse syntaxique KEYWORDS: word alignment, machine learning, inductive logic programming, syntactic analysis TAL. Volume 47 – n˚ 1/2006, pages 167 à 186 168 TAL. Volume 47 – n˚ 1/2006 1. Introduction L’enjeu que représente l’alignement des corpus parallèles au niveau des mots n’est plus à démontrer : ce dernier trouve ses applications dans des tâches telles que la traduction automatique ou encore la construction de ressources lexicales bi- ou multilingues (Véronis, 2000a). Il existe principalement deux types d’approches pour aligner des mots : celles à dominante statistique qui s’appuient notamment sur les modèles IBM (Brown et al., 1993), et celles qui tendent à combiner calculs statistiques simples et différentes sources d’information linguistique (Ahrenberg et al., 2000 ; Barbu, 2004). Pivots de l’approche statistique, les travaux de Brown et al. (1993) ont mené à l’établissement d’une famille de modèles de traduction statistiques — les modèles IBM. Ceux-ci sont de différentes complexités et procèdent sans connaissances lin- guistiques. Les probabilités de traduction entre phrases sont estimées en fonction des probabilités de correspondance entre mots obtenues via leur alignement dans les bi- phrases d’un corpus d’entraînement. L’outil d’alignement GIZA++1 (Och et al., 2003) implémente notamment ce type d’approche. Au fil des modèles IBM, de nouveaux paramètres sont introduits qui rendent compte de certains phénomènes linguistiques : – modèle 1 : tous les alignements sont considérés comme équiprobables ; – modèle 2 : les alignements dépendent de la position des mots sources et cibles ; – modèle 3 : un mot source peut être …

Content truncated to 500 words