La lemmatisation automatisée des sources en grec ancien

La lemmatisation automatisée des sources en grec ancien
Lexicological Issues ofLexicographical Relevance
La lemmatisation automatisée des sources en grec ancien:
Présentation de ressources linguistiques
et d'outils de traitement
Sara Deodati
Libera Università "Maria SS. Assunta"
Facoltà di Lettere e Filosofia
Istituto di Linguistica
Via della Traspontina, 21
00 193Roma-Italia
s.deodati@lumsa.it
Bastien Kindt
Université catholique de Louvain
Faculté de Philosophie et Lettres
Institut orientaliste
Place Blaise Pascal, 1
B 1348Louvain-la-Neuve-Belgique
kindt@ori.ucl.ac.be
Abstract
These notes aim to describe the treatment applied to ancient Greek texts to standardise the forms indicated by accents of enclisis, ellipsis and contraction (crasis), identified and listed in various resources
of UNITEX, a software conceived for the lexical and syntactic analysis of texts. All the applications illustrated concern Clemens ofAlexandria's Exhortation To The Greeks and show how the developments
in computer technology of the Research Project in Greek Lexicology advance towards the conception
of a functional tool for analysis and a powerful research engine into the domain of ancient Greek language studies. The project will be fulfilled by the publication of lemmatised concordances. Lexical data
supplied by this analysis are stored in an electronic dictionary (now resulting in 280,733 forms, classified under 58,598 entries) and in various linguitic resources.
1 Introduction
Toute entreprise de lemmatisation se heurte à deux difficultés: (i) la richesse morphologique de la langue traitée; (ii) l'ambiguïté. Les lignes qui suivent illustrent les réponses apportées à la première de ces difficultés dans le cadre d'un traitement automatique des textes
en grec ancien (GA). Ces travaux s'inscrivent dans un projet d'analyse des sources patristiques et historiographiques d'époque byzantine (IVe-Xe s.) et se concrétisent par la production de concordances lemmatisées publiées dans le "Thesaurus Patrum Graecorum" (TPG)
1137
S. Deodati - B. Kindf
(Cöulie 1996, 2003).1 Les matériaux lexicaux issus de ces analyses sont rassemblés dans un
dictionnaire électronique, le "Dictionnaire Automatique Grec" (DAG) (Kindt 2004).2 La formulation des lemmes répond à des normes explicites et stables assurant une description lexicale homogène des textes. Les traitements automatiques sont effectués sous une version
adaptéedel'analyseurUNITEX.
Le recours au DAG assure une couverture des multiples variations formelles caractérisant
les mots du GA. 11 n'offre cependant pas une représentation lexicographique satisfaisante des
variations accentuelles, des élisions et des contractions de formes propres à cette langue.
L'objectif de cette contribution est donc triple: (i) présenter la version d'UNITEX utilisée
(§2); (ii) présenter le traitement réservé aux formes marquées d'une variation accentuelle
(§3.1), aux formes élidées (§3.2) et aux formes contractées (§3.3); (iii) présenter l'interface
de lemmatisation (§4).3 Ces différents points sont illustrés d'exemples tirés du Protreptique
de Clément d'Alexandrie (ca 150-215 ap. J.-C.) (Deodati 2005), auteur dont le corpus complet est en cours de lemmatisation.4
2 Présentation de la version d'UNITEX adaptée au traitement du GA
UNITEX est un logiciel5 conçu pour l'analyse lexicale et syntaxique des textes (Paumier
2003, 2004). Supportant le standard d'encodage UNICODE, il présente un environnement de
travail indépendant de la langue et des alphabets utilisés. Son fonctionnement repose sur le
recours à des ressources linguistiques externes: des fichiers de paramétrage de l'alphabet de
la langue traitée (le fichier Alphabet.txt qui déclare, pour le GA, 269 couples d'équivalence
entre les lettres, par ex.' E = è, ò = ó; le fichier Alphabet_sort.txt qui gère le tri alphabétique;
Paumier 2004:140, Kindt et al. 2006), des dictionnaires électroniques (en l'occurrence le
DAG) et des grammaireslocales. Un premier traitement du texte (reposant sur l'application
de grammaires) permet de le segmenter en phrases et de normaliser les graphies divergentes
d'un même mot (une forme élidée est par exemple remplacée par sa forme complète corres-
1
La direction de ce projet est assumée par le Professeur B. Coulie au sein de l'ARC "Diffusion des textes et des
idées dans l'Orient chrétien" 01/06-266 (http://tpg.fltr.ucl.ac.be et http://nazianzos.fltr.ucl.ac.be). Le TPG est une
sous-collection du "Corpus Christianorum" diffusé par Brepols Publishers (http://www.brepols.net). Les auteurs
tiennent à exprimer leur gratitude envers Mlle A. Yannacopoulou pour la relecture attentive qu'elle a réservée à ce
texte et pour ses nombreuses remarques et suggestions.
2
280.733 formes classées sous 58.596 lemmes, toutes classes morpho-syntaxiques sont représentées.
3
Les développements informatiques sont assurés en collaboration avec le CENTAL (Centre de Traitement Automatique du Language; http://cental.ucl.ac.be) et le Laboratoire d'Informatique de l'Institut Gaspard Monge (Université
de Marne-la-Vallée; http://infolingu.univ-mlv.fr). Pour l'ambiguïté, cfr. Kevers et al. 2005. La version standard
d'UNITEX (1.2 beta, 20 mars 2006) propose un module de levée automatique des ambiguïtés lexicales nommé
ELAG (Elimination oflexical ambiguities by grammars; Laporte et al. 1998-1999, Laporte 2001). Cet outil est déjà
utilisé pour le GA mais n'est pas encore intégré à la version d'UNITEX adaptée au GA.
4
B. Kindt est en charge de l'adaptation des ressources d'UNITEX au traitement du grec ancien. S. Deodati assume
la lemmatisation du corpus de Clément d'Alexandrie (265.085 occurrences) et éprouve sur cet ensemble textuel les
développements présentés dans cet article.
5
Téléchargeable à l'adresse http://www-igm.univ-mlv.fr/-Unitex/download.htmI.
1138
Lexicological Issues ofLexicographical Relevance
pondante). Ce prétraitement fournit un nouvel état du texte sur lequel est appliqué le dictionnaire. La liste et les effectifs des "mots occurrences" (words), des "formes de mots" (forms)
et des "formes non reconnues" (unknown simple words) sont alors produits et consultables.
L'utilisateur peut ensuite rechercher des "motifs" et en afficher la concordance, soit dans
UNITEX, soit dans un navigateur WEB. Les "motifs" peuvent être des "formes de mots" ou
des "lemmes", mode d'interrogation classique, mais aussi des codes relatifs à la catégorie
morpho-syntaxique des mots, des filtres morphologiques (Paumier 2004: 48-49) ou des combinaisons de ces différents éléments. La Figure 1 présente un extrait de la concordance répondant au motif de recherche <I+Prep><E+DET><N+Ant>«rçç|ov|oto|éoç$» permettant
d'extraire du texte toutes les séquences constituées d'une préposition initiale, d'un article facultatif et d'un anthroponyme à finale en -r\q, -ov, -oio ou -éoç. L'intégration des informations flexionnelles, indispensables pour une automatisation efficace des processus de levée
des ambiguïtés, est en cours d'implémentation.6
2-3,9-6
2-34-3
4-59-1
3^tS-4
M rnv omA%zi<iv, ŮtpĚm Sł i&çysMç ••••••••••••••••}
rov pwv.{S? áióvwocyap rareAtóv ec3bbw.yAi;xi'HEv<K wvrâa •• ò5óv
íbampavuo ť *••••••'• éçra «puta uíyijOäv &¿$•••£••&••••• AA^"
lv •• •:' mv œpi xôv ••••••••• èv •••• •••• •••••••••^••••• iepE> livöpav
Figure 1. Extrait de la concordance des séquences
<I+Prep><E+DET><N+Ant>«T|ç|ov|ovo|éoç$»
UNITEX offre également une image graphique des textes. La Figure 2 présente le graphe
de la phrase ""Oo^n ye f) ôûvautç %ox> 9eou".
m^w
^sf
DET
PRÖ+irtt
Figure 2. Graphe de la phrase
Chaque mot est représenté par une "boîte" mentionnant la forme, le lemme et son étiquette morpho-syntaxique. Les liens entre les boîtes symbolisent le continuum de la phrase. La
forme 8eou est représentée par deux boîtes correspondant aux deux analyses proposées par le
' Une partie des formes du DAG est déjà dotée d'informations flexionnelles; cfr. note 3 et Kindt et al. 2006.
1139
S. Deodati - B. Kindt
dictionnaire, respectivement un nom (8eoc) et un verbe (6eou). Cette représentation visualise
de manière commode les ambiguïtés (Paumier 2004: 146-147).
3 En amont de la lemmatisation
Les variations accentuelles, les élisions et les contractions sont traitées soit par un paramétrage correct du fichier Alphabet.txt soit lors de la phase de normalisation du texte.
3.1 Reconnaissance des formes marquées d'un baryton ou d'un accent d'enclise
En GA, l'accent d'un mot peut varier selon sa position ou son environnement dans la
phrase: (i) un mot oxyton (accent aigu sur la dernière syllabe, par ex. ••••••••) devient baryton (accent grave, par ex. ••••••••); (ii) précédé d'un enclitique, un mot proparoxyton
(accent aigu sur l'antépénultième, par ex. avGpcojraç) reçoit sur la syllabe finale un accent
supplémentaire dit "accent d'enclise" (åvGpomoc).7 Les formes •••••••• et avGporcoç ne
sont pas versées au dictionnaire. Mais, puisque le fichier de l'alphabet contient les correspondances ò - ó et ó = o, le système est à même de les assimiler aux entrées canoniques du
DÁG, •••••••• et avGpomoç.
3.2 Normalisation des formes élidées
Les élisions apparaissent à l'initiale ('yaGé pour àyaGé), en finale (••' pour •••) ou à
l'initiale et en finale ('•••••' pour œrunkra).8 Ces formes ne sont pas versées au dictionnaire. Une grammaire constituée de six graphes9 permet de remplacer une forme élidée par sa
forme complète correspondante (Figure 3).
{^<V#.IL1 {<arr4<5n6.hPrert
Figure 3. Extrait du graphe décrivant les élisions
Les formes àn ou ••' sont ainsi remlacées par les séquences {@ôm'@,.EL} {•••,
mrá.I+Prep} et {@••'@,^} {•••, mró.I+Prep}, respetivement. Le premier ensemble entre
accolades permet l'affichage dans la concordance de la forme élidée du texte, encadrée
7
L'exemple fourni suffira pour illustrer le traitement proposé, même si la réalité de la langue est plus complexe.
Dans le vers 651 d'Iphigénie à Aulis d'Euripide, cfr. Verraghenne 2005.
9
En fait de grammaires il s'agit de transducteurs qui, appliqués au texte, recherchent des expressions (les éléments
encadrés) et les remplacent par les sorties requises (les éléments entre accolades); cfr. Paumier 2004: 55.
8
1140
Lexicological Issues ofLexicographical Relevance
d'arobases (Figure 4). Le code EL (pour "élision") peut intervenir dans un motif de recherche et permet d'afficher la concordance de toutes les formes élidées d'un corpus (Figure
4). Le second ensemble entre accolades fournit la forme résolue (•••), son lemme (•••) et
sa catégorie morpho-syntaxique (l+Prep = préposition). Les informations contenues dans ces
graphes proviennent des analyses antérieures. Dans leur état actuel, elles identifient et remplacent 254 formes élidées.
>
2-33-1
2-20-2
@•"@ • «•• %mm.i •••••••& Svaxtoç •••••• •&•••••• dtÉtevaconrJS}
••••• fö ¿ EüuüXnóc, <ro0dmrc Sè: å Ebjfaokeéç • @&pŕ@JW &v E¿ EĎyoÄm&Sv
Figure 4. Extrait de la concordance des formes élidées basée sur la requête <EL>
3.3 Normalisation des formes contractées
La contraction de la finale vocálique d'un premier mot avec l'initiale vocalique d'un second mot produit une unité graphique unique, appelée "crase", constituée de deux formes
simples différentes connues du dictionnaire: ••• àyaGa ^ Kaya0dt. Une grammaire constituée de six graphes permet de remplacer les erases par les formes simples correspondantes.
La structure de cette grammaire est identique à celle décrite antérieurement (§ 3.2).
La forme ••••0• est ainsi remplacée par la séquence {@••••9•,.•} {•••,•••.1+••••}
{ayct0a,aya0oc.A}. Le premier ensemble entre accolades permet l'affichage dans la concordance de la forme contractée du texte (Figure 5). Le code K (pour "crase", grec ••••••) peut
intervenir dans un motifde recherche et permet d'afficher la concordance de toutes les crases
d'un corpus. Le deuxième ensemble entre accolades fournit la forme simple du premier élément de la crase, suivie de son lemme (••1) et de sa catégorie morpho-syntaxique (I+Conj =
conjonction). La troisième partie fournit la forme simple du second élément de la erase (ayct90) accompagnée du lemme (aya0oc) et de sa catégorie morpho-syntaxique (A = adjectif).
Cette grammaire identifie et remplace 600 cas de crases.
4-5Z-Z
2-24-1
Au>vuoiflC ylv yAp è ••^•, i> •^••0•®•••••^,•&1•••••• xpöaeov '••••••••••<
• ą Ixovreç••1 a8eoi ¿v •• •••••».{•| ••• @•&••®•1,•••8• yŕwtco •• ruv ŽKuBův
Figure 5. Extrait de la concordance des crases basée sur la requête <K>
4 L'interface de lemmatisation
Quand ces traitements ont été effectués, l'utilisateur peut activer le module de lemmatisation dont l'interface est constituée de trois parties (Figure 6): (A) cadre des informations lexicales et des boutons de commande; (B) cadre des formes à traiter; (C) cadre des graphes (cfr.
§2).
En sélectionnant une forme dans B (ici la forme Oeoû de la sixième ligne), la phrase s'affiche en caractères graś, les informations lexicales qui lui sont attachées apparaissent en A
(0eoco.V; 0eoc.N+Com) et les graphes de la phrase sont fournis en Cl et C2. Si la forme n'a
pas de lemme, une fonction permet de lui en attribuer un. Si la forme a reçu plusieurs propositions de lemme, il suffit de valider la proposition conforme au contexte dans lequel elle
1141
S. Deodati - B. Kindt
s'actualise. Cette opération peut également êtreeffectuée par suppression manuelle des
"boîtes" non conformes dans le graphe placé en Cl.
^^fSS^%X^M*SnS^S^^SS^SS^.
^-*E3
•^•?^?^••••.•5•!.•^•1
^i^St^riWiJyi^zH^^i^ ¿'iläi>.
SJLy^iia^U^i^ri;i^jfcS;i^^^^Si3Sii:ri^jSi1t:
•:^ÍĚ
,r*~rľr?ft ?^^^a^j^raS=Wt=^ti
•>..
1
•
b*Ç$.;
tež^^l'L^b ^^^^«^^^^
?>.:CiM.-V*w\-2.4llWlU>L.f>*.lJ-tX>.i.i
llf3:OA-Fw- •- ••-•-4
MiBCw..fci-í.j».ř-íi
TÎB^CiA.Prt-ft-fir-S- tD
«»s cU&-*w-*-m*-1
ffiSljQJL^Fw-«-*»-<-*
WBsCU*.rrt-*-W-Ue
fSH;CUL-ria~1(-HB-3-i
3S;:«Ł4.~ft»-i-JU1-l
»p-.vCŁA-Rł-i-ea-ava
IIH;Gü«L-**i**bí».4~1
¡cM •'. ÍLA-^ftt- it - in - I -4
,„.,&• .> ' <t,'*A*Af
* dMĹT
^,,0
••••••.
ytyß* v» •••*(»•»••*• SU&. rt$Ą»*6*3vSr •••••••£¥,«•|••••^'••^•>&*«
ta^^H*MN>l44M'iM &&•*)^4^^<••••*4*4•%«««4*»^4»••«•?«***•«** fl<U~t
M^t^S^Werf»«W^>A«^^&L^>^^£l<U^««^^At^BìUKM9V CAqAtftVf^BÖKJUQK* •••*•»*'
(Mjirt*9rlA*ve*P<
, ů3tìÌft* <*J
4hrqYł$e**4SP$w«)
iŕŕ««^*iíiKi41Äk«tLí
terf*a*S*SCa*ptrt
ert4«TSÍ(ltST<ŕí*-i
iJh*t«rrí;*^TTHí
CLCU.<W^*fcf^n*^^**a^M*vi*^t'4r4^^^w1^
SSđJ^ łTi7^•^^•^•^••*^^^••^^•,;^^^*•^•••
••&»•••***•^*^1*••**^**•••^••**"•
fim&gjrrtT|>i*ri •••••^•••••» *jdTgnaw<<S>*3v*jlto3*f<fii ffa»$aiÉ»¡ *
&&&•••••^*^^••»^&••*.•^••*£•^^
EB^*,iwiyrpv#w.iaC*KEj^i;LfataT*^:-^f>^:tnsto'J;^ntto
1••».•«•••»«•••4••^•••#••^^
,«&»•*»\••1 ^^j-.pqtfMJ-ltWWS^yubaL4a<*lL^icCto* ,
•
f«*yif*t»3 2a^>6i^^aV*<HiHfei****v^i?^efc^<^K,**j<rac
,*ftTef*yffitf.j^
MgJajfl^^|jd^Jay>w^
CI
••&•••
C2
F!gure 6. L'interface de lemmatisation
En C2, l'interface produit soit un graphe fixe conservant l'état initial du texte, soit un
graphe obtenu après l'application de règles de désambiguïsation. Le travail achevé, une fonction permet d'exporter toutes les données lexicales, vers un programme d'édition des outils
lexicaux proposés dans les volumes du TPG (concordances, index fréquentiels et inverses,
listes lemmes-formes ou formes-lemmes, etc.).
5 Conclusions
Le texte du Protreptique (23.062 occurrences) représente 8.827 formes différentes dont
210 cas d'élision et 48 cas de crase. L'outil décrit a étiqueté 8.403 formes différentes (ce qui
représente une couverture lexicale de 93,5%). Les formes non reconnues sont principalement
des noms propres ou des dérivés de noms propres (l'anthroponyme ••••••••; l'ethnique
Zunvvrai, du toponyme Zuńyn, connu du DAG). Les élisions nouvelles (ayaA,uax'; •••••')
et les crases inédites (••••• = KCtí •••••, xävôov = •• ëvôov) sont traitées manuellement, ce
qui permet de mettre à jour les grammaires. Ces dernières, peu à peu enrichies, sont appli-
1142
Lexicological Issues ofLexicographical Relevance
cables sur d'autres sources. Le traitement du Protreptique en est à ce stade. 11 sera achevé
quand les 2.945 occurrences ambiguës auront été traitées.
Les ressources décrites accompagnent le dictionnaire et en garantissent l'homogénéité et
l'économie, rejoignant ainsi un des postulats des concepteurs du DAG: assurer une représentation lexicographique satisfaisante du lexique de la langue. Le dictionnaire ne retient pas, à
côté des formes avGpûmoç ou ••••••••, des formes du type av0pwjtoc ou •••••••', représentation contraire à l'habitude des philologues spécialisés dans l'étude du GA. De tels mots
sont désormais traités lors de la normalisation du texte.
L'interface de lemmatisation offre un espace de travail conçu pour visualiser les formes à
lemmatiser et les ambiguïtés lexicales à réduire. Les données produites sont ensuite récupérables sous d'autres applications. D'une manière plus générale, cette version d'UNITEX
constitue déjà un moteur de recherche et un outil d'analyse original dans le domaine du GA.
Les travaux futurs intégreront progressivement les informations flexionnelles et les premières grammaires de levée automatique des ambiguïtés lexicales.
Bibliographie
Coulie, B. (1996), 'La lemmatisation des textes grecs et byzantins: une approche particulière de la
langue et des auteurs.' Byzantion 66, pp. 35-54.
Coulie, B. (2003), 'Corpus Christianorum. Thesaurus Patrum Graecorum', in Leemans, J. (ed.) Corpus
Christianorum 1953-2003. Xenium Natalicium. Fifty Years ofScholarly Editing, Turnhout, pp. 169172.
Deodati, S. (2005), Nozioni ed intuizioni linguistiche in ClementeAlessandrino, tesi di dottorato di ricerca in "Linguistica Storica e Storia Linguistica Italiana", ciclo XVII, Università degli Studi di
Roma "La Sapienza" - Libera Università "Maria SS. Assunta" (disponible à l'adresse http://padis.
uniromal .it/getfile.py?recid=301).
Kevers L., Kindt, B. (2004), 'Vers un concordanceur-lemmatiseur en ligne du grec ancien.' L'Antiquité
Classique 73, pp. 203-213.
Kevers L., Kindt, B. (2005), 'Traitement automatisé de l'ambiguïté lexicale en grec ancien. Première
approche par application de grammaires locales.' Lingvisticae lnvestigationes 28, pp. 235-254.
Kindt, B. (2004) 'La lemmatisation des sources patristiques et byzantines au service d'une description
lexicale du grec ancien. Les principes de formulation des lemmes du Dictionnaire Automatique
Grec (D.A.G.).' Byzantion 74, pp. 213-272.
Kindt, B., Yannacopoulou, An. (2006) 'Literary Words Automatic Recognition In a Modern Greek
Journalistic Corpus', in Proceedings ofthe 7th International Conference ofGreek Linguistics (à paraître).
Laporte, É. (2001), 'Reduction oflexical ambiguity.' Lingvisticae lnvestigationes 24, pp. 67-103.
Laporte, É., Monceaux, A. (1998-1999) 'Elimination of lexical ambiguities by grammars: the Elag system.' Lingvisticae lnvestigationes 22, pp. 341-367.
Paumier, S. (2003), De la reconnaissance de formes linguistiques à l'analyse syntaxique. Thèse de
l'Université de Marne-la-Vallée, 2003; à compléter par Paumier, S. (2004).
Paumier, S. (2004), Unitex 1.2. Manuel d'utilisation, Université de Marne-la-Vallée.
Verraghenne, C. (2005), Une affaire defamille? Analyse socio-linguistique de la pièce lphigénie à Aulis d'Euripide. Mémoire de Licence, Louvain-la-Neuve.
1143
Was this manual useful for you? yes no
Thank you for your participation!

* Your assessment is very important for improving the work of artificial intelligence, which forms the content of this project

Download PDF

advertising