Premier bilan de l’utilisation de LinguaStream 2.0.0 pour le repérage de la cohésion nom-verbe Yu-Ting HUANG UE TAL Le 10/01/2006 1 Objectifs 1. Evaluer LinguaStream2.0.0 dans le cadre du repérage de GN et GV pour étudier une proximité sémantique 2. réduction de la durée des études / réduire la durée études (au lycée) -> variantes morphologiques augmenter les taux d’intérêt / hausse de taux d’intérêt -> variantes synonymiques marché international du bois / acheter le bois chez d'autres -> chaîne cohésive {marché, acheter} Présenter le premier bilan de l’observation des données 2 Points de départ Données : 10 ans de le Monde constitués en aval de l’analyse de Syntex et calculées par Upery (Bourigault 2003) selon un critère distributionnel (vndoc.mdb) BdD permet de visualiser tous les paragraphes d'apparition de tous les couples <p>GN [N de ARG] et GV [V obj ARG] <p> dont les ARG sont identiques. 3 Extraits du fichier vndoc.mdb, base de données utilisée 4 1. Pourquoi LinguaStream? enrichissement incrémental des documents électroniques, facilite la conception et l’évaluation de chaînes de traitements complexes tout en requérant des compétences informatiques minimales 5 1. Démarche à suivre 1. 2. 3. 10 ans de le Monde xmlisé selon les caractéristiques de la plate-forme Construire un lexique pour l’ensemble de noms recteurs et l’ensemble de verbes recteurs. « Aligner » les deux lexiques. Faire une expression régulière pour trouver puis surligner les couples nom-verbe : {anchor:start, type:paragraph} <voisins> (!{type:paragraph})+ {type:nom} /as $x(!{type:paragraph})+ {type:verbe} /as $x (!{type:paragraph})+ </voisins> /sem {id:"$x"} {anchor:end, type:paragraph} 6 Extrait du fichier LinguaStream sur lequel nous avons travaillé 7 Mais… 1. Difficultés rencontrées Taille de corpus 2. Résultats surgénéralisés et non satisfaisants 3. Manque du formalisme DSDL (Discourse Structure Description Language) permettant d’exprimer des contraintes au niveau discursif. 1. 8 2. Premier bilan de l’observation des données Les 23 couples les plus fréquents : les couples qui partagent au moins 100 paragraphes Chaque couple -> 10 paragraphes 14 couples morphologiquement liés, 6 couples en contexte immédiat, 1 couple non morphologique (hausse/augmenter), 1 couple marginal (nombre/compter), 1 couple erroné (coupe/couper dans la Coupe du Monde) Dans le cas des couples les plus fréquents, la plupart des parents distributionnels sont des parents morphologiques. 9 1 1 1 6 14 Morphologique lié contexte immédiat non morphologique marginal erroné Résultat de l’analyse manuelle des 23 couples les plus fréquents 10 Perspectives Mieux manipuler l’outil un autre moyen pour repérer des couples distributionnels Étendre l’observation sur des couples moyennement fréquents voisins distributionnels -> construire des chaînes de cohésion? 11 Références Bourigault D. (2002) « Upery : un outil d'analyse distributionnelle étendue pour la construction d’ontologies à partir de corpus », Actes de la 9ème conférence annuelle sur le Traitement Automatique des Langues (TALN 2002), Nancy, pp. 75-84 Lyons J. (1980), Sémantique linguistique, Larousse, Langue et langage, 496 p. Morris, J. & Hirst G. (1991), “Lexical cohesion computed by thesaural relations as an indicator of the structure of text” in Computational Linguistics 17 (pp. 2148) http://acl.ldc.upenn.edu/J/J91/J91-1002.pdf Teich, E & Fankhauser, P. (2005) ” Exploring Lexical Patterns in Text: Lexical Cohesion Analysis withWordNet” in Interdisciplinary Studies on Information Structure 02 (pp.129–145), Dipper, S., M. Götze and M. Stede (eds.): Heterogeneity in Focus: Creating and Using Linguistic Databases http://www.sfb632.unipotsdam.de/publications/isis02_7teich-fankhauser.pdf Vergez-Couret M. (2006) Apprendre Linguastream par l’exemple : Annoter les marqueurs linguistiques de la relation d’élaboration (en cours de réalisation) Widlöcher A., Bilhaut F (2005) « La plate-forme LinguaStream : Un outil d’exploration linguistique sur corpus », TALN juin 2005, pp. 517-522 LinguaStream http://www.linguastream.org 12