Un Raisonnement à Partir de Cas pour la Traduction Automatique

Un Raisonnement à Partir de Cas pour la Traduction Automatique
Arabe-Français Basée sur la Sémantique
Hamza Meguehout1, Tahar Bouhadada2, Mohamed-Tayeb Laskri2
Département d’Informatique, Université Badji Mokhtar Annaba, BP12, 23000 Annaba,
Algérie
2
Laboratoire LRI, Département d’Informatique, Université Badji Mokhtar Annaba, BP12,
23000 Annaba, Algérie
1
RÉSUMÉ. Dans ce papier, nous présentons un travail dans lequel nous utilisons des phrases traduites
auparavant comme expérience pour effectuer de nouvelles traductions, ceci permet d'éviter de traduire
une seconde fois des phrases déjà traduites ou ressemblantes à des phrases déjà traduites, afin
d'aborder la traduction basée sur la démarche de retour d'expériences. Pour cela, nous utilisons des
théories du traitement automatique du langage naturel (TALN), avec la capacité de mémoriser et de
réutiliser la connaissance développée par l'approche du raisonnement à partir de cas (RàPC). Nous
présentons l'utilité des méthodes du TALN, comment elles ont contribué à fournir les connaissances
nécessaires aux différentes étapes du RàPC et comment ce dernier gère ces connaissances pour utiliser
les expériences acquises lors de traductions précédentes.
ABSTRACT. This paper presents a work in which we use sentences translated before as an experiment
to deal with new translations. This permits to avoid translating again the sentences already translated
or sentences that look like them, which allows approaching the translation based on the methode of
experience feedback. For this purpose, we use the theories of natural language processing (NLP), with
the ability to save and re-use the knowledge developed by the Case-based reasoning approach (CBR).
We present the utility of the NLP methods, how they contributed in providing necessary knowledge to
the various stages of CBR, and how this last manages this knowledge to use the acquired experiences
during the previous translations.
MOTS-CLÉS : cas sémantique, dépendance conceptuelle, raisonnement à partir de cas, RàPC, théorie
de Fillmore, traitement automatique du langage naturel, TALN, traduction automatique.
KEYWORDS: semantic cases, conceptual dependency, case-based reasoning, CBR, Fillmore theory,
natural language processing, NLP, machine translation.
1. Introduction
Les recherches dans le domaine de la traduction automatique ont débuté il y a plus de 60ans,
par les travaux du mathématicien Warren Weaver orientés vers le décodage (Allauzen &
Yvon, 2011). Au fil des années, plusieurs axes de recherche apparaissent. Parmi ces axes de
traduction, on cite particulièrement les mémoires de traduction (Cordova, s.d.; Simard, 2003)
et la traduction à partir d’exemple (Carl, 2003). L'objectif de ces deux axes est d'effectuer ou
aider à effectuer de nouvelles traductions à partir d'exemples déjà traduits.
Ce travail nous a menés à suivre les étapes du raisonnement à partir de cas dans un contexte
de traduction (arabe-français). L'emploi des grammaires casuelles dans le cycle du RàPC et
combiné cette approche du RàPC avec une approche de traduction basée sur les règles à
savoir l'approche de dépendance conceptuelle et Fillmore (DCF) (Bouzit & Laskri, 2011).
Afin d'éviter de retraduire et d'utiliser des connaissances linguistiques pour des phrases déjà
traduites ou ressemblantes à des phrases traduites précédemment, notre approche du
raisonnement à partir de cas textuels produit une nouvelle traduction à partir des traductions
précédentes en tenant compte du sens de la phrase. On ne peut obtenir une traduction
automatique de bonne qualité que si l'on procède au préalable à une compréhension de la
signification du texte à traduire.
Dans cet article, nous allons faire une analyse succincte sur le RàPC et les théories du TALN
utilisées, puis nous détaillerons comment les étapes de notre cycle ont été réalisées et avec
quelles connaissances. Ensuite nous décrirons le fonctionnement de l'architecture proposé.
Nous terminons par une conclusion et les perspectives du présent travail.
2. Raisonnement à Partir de Cas
L’approche du raisonnement à partir de cas utilise les expériences passées (cas source) pour
résoudre les nouveaux problèmes (cas cible) (Duverlie et al., 1999). Un cas est généralement
présenté par un couple (problème, solution [problème]). Les cas sources sont des éléments de
la base de cas (BC), un cas cible est un problème à résoudre (Lieber, 2008). Quand un cas
cible est posé, le système du RàPC recherche dans la BC, le cas source le plus similaire au cas
cible, puis la solution du cas source remémoré est adaptée au cas cible (Grabot, 2006).
Selon Jean Lieber (2007), les étapes d'un système du RàPC sont : élaboration (faire une
description du problème cible), remémoration (sélectionner le cas source le plus similaire au
problème cible), adaptation (adapter la solution du problème source remémoré au problème
cible), validation (la solution du problème cible doit être vérifiée, par exemple par un humain)
et mémorisation (stocker le problème cible avec sa solution dans la BC). Un tel système de
raisonnement a besoin d'une BC (elle contient un ensemble fini de cas) et de différentes
connaissances, comme les connaissances de similarité (mesure de similarité, seuil de
similarité, etc.), connaissances d'adaptation, connaissances du domaine, etc.
Cette approche d'utilisation des expériences précédentes est largement utilisée dans plusieurs
domaines d'application, comme le diagnostic médical (Begum et al., 2011), industriel
(Armaghan, 2009), etc. Elle est également utilisée pour des domaines dont les expériences
précédentes sont de structure textuelle, tel que l'utilisation des recettes de cuisine (DufourLussier et al., 2010), la réponse aux e-mails (Lamontagne & Lapalme, 2004 ; Lamontagne,
2001), la traduction (Zwarts et al., 2004). Ce qui permet de montrer l'utilité et la possibilité
d'utiliser des cas textuels comme expériences précédentes pour résoudre de nouveaux
problèmes.
3. Théories du Traitement du Langage Naturel Retenues
Afin de développer notre approche d'utilisation des expériences précédentes dans la traduction
automatique, nous avons utilisé deux théories du traitement automatique du langage naturel :
la théorie de la dépendance conceptuelle de Schank, et la théorie de Fillmore.
Ces deux théories émergentes des approches linguistiques de la traduction permettent une
représentation plus profonde d'une phrase dans laquelle la sémantique a un rôle essentiel
(Sabah, 1989 ; Bouzit et Laskri, 2011).
3.1. Dépendance Conceptuelle
Roger Schank a regroupé toutes les actions (verbes de surface) dans une liste de 11 actions
conceptuelles (primitives) (Sabah, 1989; Schank, 1972). Par exemple, la primitive ATTEND
regroupe les verbes désignent l'action de diriger un organe des sens vers un stimulus (e.g.,
entendre, voir), la primitive INGEST regroupe les verbes qui désignent l'action d'introduire
quelque chose à l'intérieur d'un objet animé (e.g., manger, boire) (Gayral, 2006). Ainsi sont
regroupées sous la même primitive les actions qui désignent la même signification interne.
Nous avons utilisé cette théorie dans l'étape d'élaboration du cas textuel pour indexer les cas,
et ainsi, permettre de diminuer le nombre de cas à chercher lors de l'étape de recherche du cas
le plus similaire.
3.2. Théorie de FILLMORE
Parmi les grammaires casuelles, nous citons la théorie des cas sémantiques de Charles
Fillmore, où une liste des cas sémantiques est définie, qui déterminent les relations entre les
groupes nominaux et le verbe de la phrase simple (Sabah, 1989 ; Fillmore, 1967). Nous
illustrons à l'aider d'un exemple quelques cas sémantiques dans une phrase:
Le chercheur a utilisé la base de données dans l’université
a utilisé = Action, chercheur = Agent, base de données = Objet, université = Lieu.
Ces cas sémantiques sont reconnus par quelques règles, qui diffèrent d'une langue à une autre,
et qui sont destinées à reconnaitre le rôle sémantique que joue un mot ou un groupe de mots
dans la phrase. Par exemple, le cas sémantique agent est reconnue par le cas syntaxique
‘sujet’, le lieu est reconnu par les prépositions ‘à’, ‘dans’, etc., l'instrument est précédé par les
mots ‘avec’, ‘utilisant’, etc. Néanmoins, il existe d'autres règles pour chaque cas sémantique.
Le plus important avec cette théorie est de mettre en évidence la sémantique de la phrase par
rapport à la syntaxe, et donc donner une représentation plus profonde de la phrase (Sabah,
1989). En effet, deux phrases qui ont des représentations syntaxiques différentes peuvent
avoir la même représentation interne (Bouzit et Laskri, 2011), par exemple :
Le chercher a téléchargé l’article scientifique
L'article scientifique a été téléchargé par le chercheur
Ces deux phrases ont le même sens, mais leurs cas syntaxiques sujets est différents
(chercheur, article scientifique) par contre leurs représentations internes est la même, dans les
deux phrases le cas sémantique agent est chercheur.
Gérard Sabah, affirme que « la structure syntaxique seule est bien entendu peu utile lorsque
l’on veut réaliser des opérations "intelligentes" sur la phrase » (Sabah, 1989), pour cela,
nous avons appliqué cette théorie pour la structuration des cas dans le but de représenter les
phrases à traduire et les phrases de la base des cas, une représentation interne qui préserve le
sens de la phrase.
4. Approche DCF
L'approche de traduction automatique DCF (Figure 1) qu'utilise les théories de dépendance
conceptuelle (Schank, 1972) et de cas sémantiques (Fillmore, 1967) est une étape importante
dans tout le processus de traduction. En effet, selon les auteurs Bouzit et Laskri (2011), quand
une phrase est introduite en vue d'une traduction, elle passe par les trois étapes d'analyse
(morpholexicale, syntaxique et sémantique) en utilisant plusieurs théories linguistiques.
Figure 1. Architecture DCF
Lors de l'étape d'analyse sémantique, la théorie de Fillmore identifie l'action (verbe) et teste
les relations de l'action avec les autres constituants de la phrase à traduire, à savoir l'agent de
l'action, l'objet, l'instrument, etc. La théorie de la dépendance conceptuelle identifie la
primitive à laquelle appartient cette action (ATRANS, MATRANS, etc.) ce qui permet de
construire le Frame arabe associé en se basant sur la représentation en Frame de Minsky. Puis
vient le rôle du module de traduction, nous obtenons ainsi le Frame français.
Le système fournit le résultat de la traduction après organisation de la phrase selon les règles
syntaxiques et grammaticales de la langue française (les phrases traduites par le système DCF
ne sont pas validées par un utilisateur). Cette approche DCF est utilisable quand la phrase à
traduire ne possède pas ou ne ressemble pas à une phrase stockée dans la base de cas.
5. Étapes de l’Approche Proposée
Nous présentons, comment les étapes du raisonnement à partir de cas sont mises en œuvre, et
avec quelles connaissances. Ceci permet l'utilisation des traductions précédentes, comme
expériences textuelles pour effectuer de nouvelles traductions.
5.1. Analyse Linguistique
La phrase à traduire est introduite dans le système par une structure textuelle propre à la
langue. Cette étape emploie une analyse linguistique sur la phrase à traduire pour extraire les
connaissances nécessaires à l'élaboration du problème cible. Le plus important dans cette
étape est la détermination des différents cas sémantiques et la primitive du verbe. Pour cela,
nous utilisons des techniques de linguistique informatique telles que la théorie de dépendance
conceptuelle, pour la détermination de la primitive du verbe, et la théorie de Fillmore pour la
détermination des différents cas sémantiques de la phrase à traduire. Nous prenons aussi en
considération la position de chaque cas sémantique dans la phrase.
À l'issue de cette étape d'analyse, nous avons les connaissances linguistiques nécessaires à la
structuration du problème cible. Cette étape d'analyse est considérée comme une étape de préélaboration.
5.2. Élaboration du Problème Cible
Dans le présent travail, la BC est un ensemble fini de cas sources (S), noté par BC: {S1,
S2,...Sn}, dans laquelle un cas source est noté par S = (PbS, Sol[PbS]). La partie problème
source (PbS) est la phrase arabe traduite auparavant, la solution du problème source
(Sol[PbS]) est la traduction de cette phrase en français, noté par Sol[PbS]={[A1/V1],
[A2/V2],...[An/Vn]} où [Ai/Vi] veut dire [Attribut/Valeur]. La BC est créée manuellement avec
des phrases arabes et leurs traductions dans la langue française. On peut aussi partir d'une BC
vide, et elle se remplit en mémorisant les phrases traduites avec l'approche DCF.
La nouvelle phrase à traduire est dans une forme littérale brute, alors on élabore le problème
cible sous une forme structurelle (attributs-valeurs) fondée sur la sémantique, semblable à la
représentation des cas sources déjà stockés dans la base de cas, tel qu’illustre la (Figure 2).
Le cas cible (C) est noté par C: (PbC, Sol[PbC]). Le problème cible (PbC) est la
représentation structurelle de la nouvelle phrase à traduire, la solution du problème cible
(Sol[PbC]) est la représentation structurelle de la traduction de cette phrase.
Les attributs de PbC sont remplis à partir des connaissances linguistiques (cas sémantique,
primitive de l'action, etc.) fournies par l'étape d'analyse. Cette étape d'élaboration permet de
représenter la nouvelle phrase à traduire une représentation structurelle qui préserve le sens de
la phrase. Dans cette étape les attributs de la partie Sol(PbC) restent vides.
Figure 2. Exemple d’un cas cible
5.3. Remémoration
Une fois que le problème cible est structuré, l'objectif de cette étape est de remémorer le cas
source le plus similaire au cas cible, en appliquant deux mesures de similarité (locale, globale)
entre le problème cible et les problèmes sources.
Similarité Locale : Cette mesure de similarité est calculée entre la valeur d'un attribut dans
PbC et la valeur du même attribut dans PbS. Elle est égale à 1 si les valeurs des deux attributs
sont égales (cf. équation (1)), égale à 0 si les deux valeurs ne sont pas égales :
sim (si,ci)
1 pour ci = si
0 pour ci ≠ si
(1)
ci : valeur d’un attribut i dans le PbC.
si : valeur du même attribut i dans le PbS.
Similarité Globale : Cette mesure de similarité est calculée entre un ensemble d'attributs
dans le PbC et le même ensemble d'attributs dans le PbS, elle correspond à la moyenne des
similarités locale et sa valeur est comprise dans l'intervalle [0,1], elle est définie par la
fonction de similarité ci-dessous:
( ) ∑ni simi (si,ci)
(2)
n
C : cas cible.
S : cas source.
n : nombre d’attributs dans lesquels la similarité locale a été calculée.
simi (si,ci) : valeur de la similarité locale pour l’attribut i.
Ces mesures de similarité sont employées pour deux remémorations:
Première Remémoration : On recherche un PbS, qui a des cas sémantiques similaires aux
cas sémantiques du PbC. On fait appel à la primitive de l'action comme index statique choisi
manuellement, pour le filtrage de la BC, les problèmes sources ayant la même primitive que le
problème cible seront sélectionnés. Suite à cette sélection, on applique la mesure de similarité
locale puis globale. Dans la mesure de similarité globale, un seuil de similarité est déterminé à
0.5. Si SIM(S,C) < 0.5 le cas source est considéré comme négligeable (non similaire) ou si
SIM(S,C) ≥ 0.5 le cas source est considéré important (partiellement similaire). Dans le cas où
SIM(S,C) = 1 le cas source est considéré comme parfaitement similaire. S'il n'existe pas un
cas source similaire, on reprend l'étape de remémoration sans le filtrage de la BC, parce que le
PbC d'une phrase comme ‫‘ أرسل الباحث عرضا علميا‬arsl albahth 'erda 'elmya’, (le chercheur a
envoyé une présentation scientifique) est similaire au PbS de la phrase ‫شاهد الباحث عرضا علميا‬
‘shahd albahth 'erda 'elmya’, (le chercheur a regardé une présentation scientifique), mais ce
PbS est éliminé lors de l’étape de filtrage, car la primitive du PbS est différente de celle du
PbC.
Deuxième Remémoration : On recherche un PbS qui a une organisation des cas sémantiques
dans la phrase similaire à celle du PbC. La BC est filtrée selon la forme du verbe (active ou
passive). L'organisation d'une phrase qui a un verbe dans la voix active n'est pas similaire à
l'organisation d'une phrase qui a un verbe dans la voix passive, car dans la voix passive il n'y a
pas de cas sémantique agent. Lors de cette remémoration du deuxième cas source, les cas qui
ont une SIM(S,C) ≠ 1 sont considérés comme non similaires.
À la fin de l'étape de remémoration, résultent deux PbS similaires au PbC, leurs Sol(PbS) sont
adaptées pour construire la Sol(PbC).
5.4. Adaptation
Les valeurs des attributs de la Sol(PbS) remémoré sont transférées aux attributs de la
Sol(PbC). Cette adaptation consiste à transférer la valeur Vi d'un couple [Ai/Vi] ϵ Sol(PbS) au
même couple dans Sol(PbC), certaines de ces valeurs sont modifiées au lieu d'être transférées.
Pour le premier cas source, les valeurs des attributs de positions des cas sémantiques dans la
phrase ne sont pas prises en considération lors de son adaptation. Les autres valeurs sont
transférées et modifiées, si nécessaire, pour s'adapter au cas cible (Figure 3).
Figure 3. Exemple d’adaptation d’un cas remémoré selon le premier processus de
remémoration
Cette modification consiste à rechercher dans une base de mots la traduction des valeurs des
attributs du PbC qui ont une similarité locale égale à 0, les traductions trouvées sont utilisées
pour remplir les valeurs des attributs de la Sol(PbC). Dans le cas où la similarité globale entre
le PbC et le premier PbS remémoré est égale à 1, la solution est transférée sans modification,
car le PbC et le PbS sont parfaitement similaires.
Pour le deuxième cas source, les valeurs des attributs (seulement les attributs des positions des
cas sémantiques dans la phrase) de Sol(PbS) sont transférées aux mêmes attributs dans
Sol(PbC) sans modification (Figure 4), car lors de la remémoration du deuxième cas source,
on ne prend qu'un cas parfaitement similaire.
Figure 4. Exemple d’adaptation d’un cas remémoré selon le deuxième processus de
remémoration
5.5. Révision et Apprentissage
Contrairement aux autres étapes, l'étape de révision est manuelle. Elle propose à l'utilisateur
de vérifier et de corriger, si nécessaire, la solution proposée par le système. Après validation
de la solution par l'utilisateur vient l'étape d'apprentissage qui consiste à mémoriser le cas
cible dans la BC. Si une phrase est traduite par l’approche DCF, elle est considérée comme
une nouvelle connaissance et par conséquent, elle est structurée comme les cas du RàPC pour
être mémorisée dans la BC. Ainsi cette étape d'apprentissage permet d'accroitre et de corriger
les connaissances de la BC.
6. Processus de Traduction
Nous montrons le fonctionnement de cette approche dans la Figure 5, qui représente
l'architecture de l'approche proposée basée sur le cycle du RàPC (Lieber, 2007).
Quand une nouvelle phrase est introduite dans le système, celui-ci l'analyse linguistiquement,
il commence par identifier les mots de la phrase en les comparant avec les entrées des tables
(nom, verbe, etc.). Il identifie l'action et consulte sa primitive, puis il commence à remplir les
valeurs des attributs de la représentation structurée du problème cible, il identifie les autres
cas sémantiques (agent, objet, lieu, etc.) de la phrase en consultant la table des noms et les
règles linguistiques destinées à identifier les cas sémantiques.
À partir des résultats de l'étape d'analyse, le système débute avec la première étape du RàPC.
Il élabore la représentation structurelle du problème cible en utilisant les données
linguistiques fournies par l'étape d'analyse. Dans l'étape de remémoration des deux cas
sources les plus similaires au problème cible, un calcul de similarité est effectué entre le
problème cible et les problèmes sources de la base de cas, en se basant sur les formules de
similarité (1) et (2). S'il ne trouve pas de problèmes sources similaires au problème cible, la
phrase à traduire est soumise à l'approche DCF pour la traduire, sinon il continue avec
l'approche du RàPC et passe à l'étape d'adaptation.
Les solutions des deux cas sources remémorées sont utilisées comme solution au problème
cible et elles sont modifiées, si nécessaire, pour s'adapter au problème cible. Dans l'étape de
révision, la solution du système est proposée à l'utilisateur pour une éventuelle correction.
Figure 5. Architecture générale du système
Après correction et validation par l'utilisateur, le cas cible (problème cible et sa solution) est
mémorisé dans la base de cas et la traduction de la phrase est présentée à l'utilisateur. De la
même manière, les phrases traduites par l'approche DCF sont considérées comme de
nouvelles connaissances. Elles sont structurées comme les cas sources et sauvegardées dans la
base de cas pour une future réutilisation.
7. Conclusion et Perspectives
Nous avons présenté une ébauche de réflexions pour le développement d'un système
d'utilisation des traductions textuelles précédentes (premier prototype développé illustre
principalement les étapes du RàPC), basé sur le raisonnement à partir de cas textuels et des
théories du traitement automatique du langage naturel, pour permettre d'utiliser les
connaissances textuelles précédentes (traductions précédentes) comme expérience et générer
de nouvelles traductions tout en préservant le sens. Notre apport dans ce travail réside dans
l'intégration du raisonnement à partir de cas textuels dans un processus global de traduction
automatique des textes (arabe-français), et la méthode de structuration des cas, qui ne s'arrête
pas à la syntaxe, en utilisant la théorie des cas sémantiques, d'où la signification n'est pas
détruite. Il permet d'améliorer au fur et à mesure la qualité des traductions en rassemblant des
expériences et d'éviter de faire plusieurs fois les mêmes erreurs. Cependant, l'approche
proposée comporte des limites, particulièrement dans les ambiguïtés et les répétitions. Ces
ambiguïtés pouvant être résolues en appliquant d'autres théories du TALN, par exemple les
traits sémantiques de Shafe. Puisque nous avons joué sur les similarités, ce type de traduction
nécessite des domaines présentant des répétitions (manuels utilisateurs, documents
administratifs, nouvelles versions de logiciels ou lors des mises à jour, etc.).
Les travaux futurs soulèvent plusieurs points qui nécessitent d'être étudiés et améliorés.
Mieux exprimer la similarité entre les sous-groupes, en intégrant un analyseur morphologique
pour permettre de raffiner la similarité locale pour qu'elle soit dans l'intervalle [0,1]. Réduire
le nombre d'attributs, en utilisant la notion d'ossature de la théorie de Fillmore, et faire des
tests orientés vers un domaine d'application précis.
Références
Allauzen, A., & Yvon, F. (2011). Méthodes statistiques pour la traduction automatique. In E. Gaussier & F,
Yvon (Eds.), odèles statistiques pour l’accès à l’information textuelle (pp. 271-356). Paris: Lavoisier.
Armaghan, N. (2009). Contribution à un système de retour d'expérience basé sur le raisonnement à partir de cas
conversationnel: Application à la gestion des pannes de machines industrielles. Thèse de doctorat, Institut
national polytechnique de Lorraine, Nancy.
Begum, S., Ahmed, M.U., Funk, P., Xiong, N., & Folke, bM. (2011). Case-based reasoning systems in the health
sciences: A survey of recent trends and developments. Systems, Man, and Cybernetics, Part C: Applications
and Reviews, IEEE Transactions , 41, 421-434. doi: 10.1109/TSMCC.2010.2071862
Bouzit, F., & Laskri, M.T. (2011, mai). Arabic to french machine translation system based on DCF approach.
Communication présentée au second international conference on information and communication systems,
Irbid. En ligne http://www.icics.info/
Carl, M. (2003). ntroduction à la traduction guidée par l’exemple (Traduction par analogie). Communication
présentée à la 10ème conférence annuelle sur le TALN, Nantes. En ligne www.iai-sb.de/docs/tutorial.pdf
Cordova, B. (s.d.). La mémoire de traduction : Un outil de traduction assistée par ordinateur. En ligne
http://www.translationdirectory.com/article313.htm
Dufour-Lussier, V., Lieber, J., Nauer, E., & Toussaint, Y. (2010). Analyse formelle de concepts pour
l’adaptation de cas textuels. In F. Le Ber & J. Renaud (Eds.), 18ème atelier raisonnement à partir de cas (pp.
71-82). Strasbourg.
Duverlie, P., Castelain, J., & Farineau, T. (1999). Estimation des coûts en production mécanique. Techniques de
l'Ingénieur Mise en forme des matériaux par usinage, base documentaire : TIB510DUO.
Fillmore,
C.J.
(1967).
The
case
for
case.
ERIC
Clearinghouse.
http://www.eric.ed.gov/contentdelivery/servlet/ERICServlet?accno=ED019631
En
ligne
Gayral, F. (2006). Sémantique lexicale cours 2. Traitement automatique des langues. Université Paris13, Paris.
Grabot, B. (2006). Ordonnancement d’ateliers manufacturiers. Techniques de l'Ingénieur Méthodes de
production, base documentaire : TIB521DUO.
Lamontagne, L. (2001). Raisonnement à base de cas textuel pour la réponse automatique au courrier
électronique. Proposition de projet doctoral, Université de Montréal, Montréal.
Lamontagne, L., & Lapalme, G. (2004). Textual reuse for email response. In 7Th european conference in casebased
reasoning
ECCRR
(pp.242-255).
Madrid.
En
ligne
http://www.springerlink.com/openurl.asp?genre=article&issn=0302-9743&volume=3155&spage=242
Lieber, J. (2007). Introduction. In J. Renaud, B. Chebel Morell, B. Fuchs & J. Lieber (Eds.), Raisonnement à
partir de cas 1 : Conception et configuration de produits (pp. 23-29). Paris: Lavoisier.
Lieber, J. (2008). Contributions à la conception de systèmes de raisonnement à partir de cas. Thèse
d’habilitation à diriger les recherches, Université Henri Poincaré, Nancy.
Sabah, G. (1989). L’intelligence artificielle et le langage représentations des connaissances (vol. 2). Paris:
Lavoisier.
Schank, R.C. (1972). Conceptual dependence: a theory of natural language understanding. Netherlands: Elsevier
Science, Cognitive Psychology, 3(4), 552-631. DOI: 10.1016/0010-0285(72)90022-9
Simard, M. (2003). Mémoires de traduction sous-phrastiques. Thèse de doctorat, Université de Montréal,
Montréal.
Zwarts, S., Nijholt, A., op den Akker, H.J.A., & Poel, M. (2004). CBR in dependency-based machine translation.
In proceeding of konvens 2004 (pp. 205-208). Vienna.