Index Suivant
Revision: 1.11 Date: 2000/11/28 15:58:59
1 Présentation Scientifique

1.1 Thème et motivations

Dans le cadre du traitement de la langue, l'acquisition de grammaires à large couverture linguistique et des lexiques associés à ces grammaires est une tâche de longue haleine et d'une importance capitale. En pratique, le développement d'applications linguistiques est souvent freiné par le manque de ressources facilement accessibles et exploitables. De plus, la qualité de la représentation des ressources linguistiques est essentielle pour faciliter leur distribution et assurer leur pérennité. L'émergence actuelle de XML (eXtended Markup Language) apporte une solution adéquate pour assurer cette qualité de représentation, en particulier en s'appuyant sur les spécifications précises qu'offrent les DTD (Document Type Definition).

Nous nous proposons dans cette action d'examiner ces problèmes d'acquisition et de représentation des ressources dans le contexte des grammaires d'arbres adjoints (TAG -- Tree Adjoining Grammars). Ce formalisme grammatical est apprécié des linguistes informaticiens car il permet des représentations élégantes de nombreux phénomènes linguistiques. Sur le plan informatique, il possède aussi de bonnes propriétés, en particulier celle de pouvoir être analysable en temps polynomial (pour le modèle de base des TAG). Divers projets de grammaires TAG à large couverture linguistique sont actuellement en cours de développement pour l'anglais (groupe XTAG [7]) et pour le français (équipe TALaNa [2]). Ces grammaires couvrent un large éventail de phénomènes linguistiques mais sont aussi couplées à des lexiques importants.

Les équipes participant à cette proposition sont déjà toutes impliquées, à des degrés divers, dans l'étude et le traitement des TAG ainsi que dans les représentations XML de ressources linguistiques. L'action envisagée est l'occasion de mettre en commun leurs efforts pour définir, réaliser et valider un scénario d'acquisition de ressources qui nécessite de regrouper une forte expertise linguistique et de nombreux outils informatiques.

1.2 Scénario

Le scénario d'acquisition que nous souhaitons définir au cours de cette action s'articule autour des points présentés dans cette partie.

1.2.1 Grammaires et méta-grammaires

Suivant l'architecture XTAG [7], la grammaire FTAG du français développée par TALaNa lie un ensemble d'environ 5000 arbres, organisés en familles, avec un lexique syntaxique de lemmes (par exemple le verbe /DONNER/) et un lexique de formes fléchies (par exemple la forme donne), comme illustré par la figure 1. Les liaisons entre formes fléchies, lemmes et arbres sont actuellement construites manuellement (ou presque), ce qui représente un effort considérable et freine le développement de FTAG.



Figure 1 : Liens entre forme fléchie, lemme et arbre

Les problèmes posés par cette approche directe sont selon nous de deux ordres. D'une part, les descriptions linguistiques pré-existantes doivent être entièrement retraduites dans le formalisme des TAG, c'est-à-dire, en pratique, entièrement refaites ; d'autre part, étant donnée la liaison forte entre la grammaire (les arbres TAG) et le lexique, toute modification de la grammaire, telle qu'un ajout ou une suppression d'arbre TAG entraîne une modification du lexique sous peine d'incohérence.

Pour répondre à ce problème, Marie-Hélène Candito et Anne Abeillé ont proposé que les arbres et familles de la grammaire FTAG soient en fait dérivés à partir d'une méta-grammaire [6]. Concrètement, la méta-grammaire est constituée d'un ensemble de classes organisées en hiérarchies; chaque classe spécifie des contraintes (de domination, d'ordre linéaire et d'étiquetage entre «quasi-noeuds»). Les arbres de la grammaire sont engendrés sont engendré par croisement de plusieurs classes correspondant à plusieurs dimensions linguistiques (valence, redistribution de fonctions et réalisation des fonctions). Par ce mécanisme, pour autant que les classes de la méta-grammaire correspondent à des phénomènes linguistiques pertinents, les arbres obtenus sont étiquetés par les classes dont ils dérivent et donc par les phénomènes linguistiques qu'ils encodent.

De ce fait, le lien entre le lexique et les arbres de la grammaire peut se faire indirectement en associant aux lemmes les phénomènes qu'ils admettent. (ex: donner: di-transitif [N0VN1àN2], passivable, ...). Cette fois, une modification de la grammaire (c-à-d des classes) aboutissant à la disparition ou à l'ajout d'un ou plusieurs arbres ne donne pas lieu à une modification du lexique.

Le processus de dérivation des arbres est cependant sous-spécifié: certains arbres peuvent être trop généraux, certains sont probablement inutiles et certains phénomènes ne sont pas nécessairement entièrement couverts. Il en est de même pour les liens avec le lexique où il est nécessaire d'identifier pour chaque lemme les constructions qu'il admet et les contraintes supplémentaires qu'il apporte. Des processus d'acquisition sont cependant envisageables pour filtrer les arbres possibles et lier les lemmes aux arbres en examinant les constructions syntaxiques valides obtenues sur un corpus de textes.

Il est à noter que l'utilisation d'une méta-grammaire pour dériver une grammaire est encore un domaine très neuf. De nombreuses questions subsistent sur les aspects linguistiques (comme la caractérisation des classes) mais aussi sur les propriétés formelles d'une telle méta-grammaire. Sur le plan linguistique, on peut ainsi étudier les rapports précis entre méta-grammaire et TAG. Il est possible que la méta-grammaire soit relativement neutre, ce qui permettrait (a) d'incorporer plus facilement des ressources existantes non prévues pour les TAG et (b) des produire des ressources (lexiques) non spécifiques aux TAG. Sur le plan formel, il est intéressant de voir les liens des méta-grammaire avec les langages de spécifications partielles d'arbre, par exemple les grammaires d'interactions [13] développées par Calligramme. Sur un plan informatique, une meilleure caractérisation formelle permet la conception d'une représentation adéquate et le développement d'outils informatiques efficaces. Cette action est aussi l'occasion d'examiner ces diverses questions.

1.2.2 Constitution de corpus annotés

Traditionnellement, l'acquisition de ressources se fait à partir de corpus manuellement annotés, qui sont bien évidemment rares à trouver et fastidieux à construire. Nous voulons plutôt privilégier la constitution automatique de corpus annotés par analyse syntaxique de corpus de textes. Cela nécessite des analyseurs syntaxiques efficaces pour les TAG, ce qui est le coeur des activités actuelles de l'équipe Atoll [5, 12, 4] et, dans une moindre mesure, de «Langue et Dialogue» [11].

Comme, par hypothèse, les lexiques et les grammaires ne sont pas connus, nous serons obligés d'être sur-générateurs. Par exemple, lorsque nous ne saurons pas déterminer à quelle catégorie linguistique précise appartient un verbe, nous devrons envisager toutes les catégories verbales possibles. D'autre part, certains mots et constructions syntaxiques seront inconnus. Cela nécessite des analyseurs syntaxiques robustes (n'échouant pas complètement) et capables de gérer un nombre important d'analyses. Nous nous appuierons donc sur les forêts de dérivation produites par les analyseurs d'Atoll pour garder factorisées les ambiguïtés localement non pertinentes pour un arbre élémentaire TAG donné.

Il faut également étudier et normaliser la nature des annotations, qui peuvent décrire des structures syntaxiques (catégories syntaxiques, arbres ancrés par un mots, frontières entre constituants, relations entre constituants, ...) ou plus généralement des phénomènes linguistiques (extraction, construction ergative, ...).

Enfin, si l'analyse syntaxique est au coeur de ce que nous proposons pour annoter les corpus, il faut noter que d'autres outils de traitement linguistiques sont nécessaire en amont, tels des ségmenteurs (découpe des documents en phrase et mots) et surtout des étiqueteurs (taggers). Le rôle des ces étiqueteurs est ainsi de restreindre les catégories syntaxiques (nom, verbe, ...) possibles pour un mot. Il y aura donc un travail de recensement des outils nécessaires.

1.2.3 Création de ressources

Une fois disponibles les corpus annotés, il faut faire émerger les ressources linguistiques candidates. Par rapport à des corpus manuellement annotés et donc à priori sans erreur, des corpus automatiquement annotés vont être incomplets, présenter des ambiguïtés et comporter des erreurs. L'émergence des ressources va donc nécessiter l'emploi de méthodes statistiques pour passer outre ces limitations des corpus. Enfin, comme le processus d'émergence ne sera pas non plus parfait, les ressources candidates devront ensuite être soumises à validation par un linguiste. Lors de cette phase de validation, le linguiste devra pouvoir accéder aux exemples ayant conduit à proposer la ressource. Pour lier un lemme à des arbres ou des classes linguistiques, cet examen peut inclure les phrases où apparaît les formes de ce lemme mais aussi les arbres d'analyse des phrases en question et les annotations du corpus. Nous conjecturons que les choix proposés seront généralement corrects, évitant au linguiste d'écrire manuellement la description de la ressource (et éventuellement d'introduire des coquilles). Pour les cas litigieux restants, l'examen des exemples permettra d'accélérer la prise de décision.

Après validation d'un nouveau jeu de ressources, il est intéressant de réitérer le processus d'acquisition, jusqu'à convergence éventuelle. En effet, au fur et à mesure des itérations, les grammaires et lexiques deviennent de moins en moins sur-générateurs, introduisent moins de bruit et permettent ainsi l'émergence de nouvelles ressources.

1.2.4 Représentation

Au cours des différentes étapes, il est important de pouvoir représenter et échanger les grammaires (arbres et lexiques) ainsi que les corpus annotés. Différents outils et interfaces sont également nécessaires pour la visualisation (des corpus, des grammaires, des analyses, des lexiques, ...) et de maintenance (cohérence des grammaires et de leur lexique).

Ces sujets vont dans le sens de travaux antérieurs réalisés par les équipes participantes (TALaNa, Atoll et «Langue et Dialogue») dans le groupe de travail TAGML, qui cherche à promouvoir des représentations XML pour les TAG ainsi que les outils associés. Elles complètent également l'approche de l'équipe «Langue et Dialogue», également fondée sur l'emploi de XML, dans les projets de gestion de corpus (Silfide [14] et Elan) et de lexiques-dictionnaires (DHYDRO [8]).

1.3 Programme

En l'état actuel, il est envisagé de consacrer la première année à préciser et à définir les différentes étapes du scénario présenté ci-dessus. Une liste non limitative inclut les tâches suivants: Ces différents points donneront lieu à des expériences ponctuelles (non incluses dans une chaîne complète de traitement) servant à valider certains choix.

L'objectif à la fin de cette première année est disposer (a) d'un scénario précis pour la mise en place d'un prototype et (b) de certains des composants de ce prototype.

La deuxième année sera consacrée à la réalisation de ce prototype et à sa validation par la constitution d'un jeu de ressources.

1.4 Résultats attendus

Les résultats attendus à la fin de cette action sont:
  1. des représentations normalisées pour les différents types de ressources manipulées (méta-grammaire, grammaires, corpus, lexiques);
  2. l'amélioration des techniques d'analyse syntaxique pour les TAG;
  3. une meilleure compréhension des méta-grammaires pour les TAG;
  4. une méthodologie pour l'acquisition supervisée de ressources linguistiques, si possible fondée sur l'emploi d'une méta-grammaire;
  5. un prototype de chaîne d'acquisition;
  6. l'acquisition d'un premier jeu de ressources validant notre approche.
Une telle action est pluridisciplinaire, requérant des compétences linguistiques importantes, fournies par TALaNa, et des outils et techniques informatiques variés (traitement linguistique, gestion de corpus, gestion de bases de données, interfaces de traitement pour les linguistes), fournis par les équipes INRIA impliquées. Il est important de noter que le but essentiel de cette action n'est pas de construire un jeu particulier de ressources pour le français mais de dégager une méthodologie et des prototypes d'outils (de construction et de diffusion) pouvant être adaptés pour d'autres langues et d'autres formalismes linguistiques.

Index Suivant