Téléchargez le manuscrit (au format pdf)

Téléchargez le manuscrit (au format pdf)
Université Paris-Nord – Institut Galilée
Laboratoire d’Informatique de Paris-Nord
Thèse
présentée et soutenue publiquement en vue d’obtenir le grade de
Docteur, spécialité informatique
par
Cédric Messiant
Acquisition automatique de
schémas de sous-catégorisation
à partir de corpus bruts
Thèse soutenue le 5 novembre 2010 devant le jury composé de :
M.
Éric Laporte
Université Paris-Est Marne-la-Vallée
(Président)
Mme
M.
Núria Bel
Alexis Nasr
Universitat Pompeu Fabra
Université de la Méditerranée
(Rapporteur)
(Rapporteur)
M.
M.
Jacques Blanc-Talon
Antoine Rozenknop
DGA
Université Paris-Nord
(Examinateur)
(Examinateur)
Mme
M.
Adeline Nazarenko
Thierry Poibeau
Université Paris-Nord
CNRS
(Directeur)
(Co-directeur)
À Alice. . .
Remerciements
Je tiens tout d’abord à remercier Adeline Nazarenko et Thierry Poibeau
pour leur aide, leur écoute et leurs précieux conseils tout au long de ces
quatre années. Leur expérience et leur disponibilité ont permis à ma thèse
de se dérouler dans les meilleures conditions possibles.
Je remercie aussi les chercheurs de l’équipe RCLN et plus généralement
l’ensemble des membres du LIPN pour leur accueil. Merci particulièrement
à tous ceux qui m’ont accompagné dans mon apprentissage de la recherche
et de l’enseignement, leurs remarques et conseils ont été très formateurs.
De plus, je remercie Núria Bel et Alexis Nasr, les rapporteurs de cette
thèse, ainsi qu’Éric Laporte qui me fait l’honneur de présider le jury. Merci
aussi à Jacques Blanc-Talon et Antoine Rozenknop d’avoir accepté de faire
partie du jury.
Je souhaite également remercier la Direction Générale de l’Armement et
le Centre National de la Recherche Scientifique qui ont financé cette thèse.
Je tiens par ailleurs à remercier Didier Bourigault pour m’avoir permis
d’utiliser son logiciel Syntex et pour sa réactivité lorsque j’avais besoin d’informations.
Merci également à tous les chercheurs avec qui j’ai pu collaborer sur
différents projets. Mon travail a grandement bénéficié de mes échanges avec
Kata Gábor, Anna Korhonen, Takuya Nakamura, Lin Sun, Stavroula Voyatzi
et les participants au projet CroTAL.
D’un point de vue plus personnel, je veux remercier mes amis et ma
famille qui ont été d’un grand soutien. Merci tout particulièrement à mes
parents qui m’ont fait confiance dans mes choix ainsi qu’à Annette et Bertrand pour leur enthousiasme. Bertrand et Laurent ont donné de leur temps
pour relire ma thèse avec rigueur, je leur en suis très reconnaissant.
Merci enfin à Héloïse pour sa présence, son optimisme et son soutien.
i
ii
Table des matières
Table des matières
iii
Liste des figures
vii
Liste des tableaux
ix
Liste des abréviations
xi
1 Introduction
1.1
1.2
1.3
Domaine et motivations . . . . . . . . . . . . . . . . . . . . . .
Enjeux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Plan de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Description du verbe pour l’élaboration de lexiques
2.1
2.2
2.3
2.4
2.5
2.6
La notion d’entrée lexicale . . . . . . . . . . . . . . . . . .
Prédicat et structure argumentale . . . . . . . . . . . . .
Les différentes composantes des schémas prédicatifs . .
2.3.1 Exemple introductif . . . . . . . . . . . . . . . . . . . . .
2.3.2 Distinction argument/modifieur . . . . . . . . . . . . . . .
2.3.3 Schéma de sous-catégorisation . . . . . . . . . . . . . . . .
2.3.4 Grille thématique . . . . . . . . . . . . . . . . . . . . . . .
2.3.5 Restrictions de sélection sur les arguments . . . . . . . . .
Alternances . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Les contours flous des schémas prédicatifs . . . . . . . .
2.5.1 Polysémie et entrées lexicales . . . . . . . . . . . . . . . .
2.5.2 Retour sur la distinction argument/modifieur . . . . . . .
2.5.3 Formes pronominales . . . . . . . . . . . . . . . . . . . .
2.5.4 Verbes supports et expressions figées ou semi-figées . . . .
Conclusion : vers l’acquisition automatique de schémas
prédicatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 Les ressources existantes pour le français
3.1
3.2
3.3
3.4
3.5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
3
4
7
8
9
10
10
11
12
13
15
16
17
18
18
19
20
. 22
23
Le Lexique-Grammaire . . . . . . . . . . . . . . . . . . . . . . . 24
Les ressources dérivées du Lexique-Grammaire : SynLex
et LGLex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Synlex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 LGLex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
DicoValence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Le Lefff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
D’autres dictionnaires électroniques pour le français . . 35
iii
3.5.1
3.5.2
3.5.3
3.6
3.7
Le dictionnaire syntaxique des Verbes Français . . . . . . . . 35
LexValf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Trésor de la Langue Française informatisé . . . . . . . . . . 35
TreeLex, un lexique de sous-catégorisation acquis à partir d’un corpus arboré . . . . . . . . . . . . . . . . . . . . . . . 36
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Les méthodes d’acquisition automatique de schémas de
sous-catégorisation
4.1
4.2
Méthodes d’évaluation de ressources lexicales . .
4.1.1 Évaluation intrinsèque et évaluation extrinsèque . .
4.1.2 Évaluation intrinsèque : évaluation quantitative . .
4.1.3 Évaluation intrinsèque : évaluation qualitative . . .
4.1.4 Discussion . . . . . . . . . . . . . . . . . . . . . .
Schéma global pour l’acquisition automatique de
mas de sous-catégorisation . . . . . . . . . . . . . . .
4.2.1 Étape 1 : identification des verbes en corpus . . . .
4.2.2 Étape 2 : identification des compléments . . . . . .
4.2.3
4.2.4
4.3
.
.
.
.
.
39
41
41
42
43
43
. 44
. 44
. 45
Étape 3 : association entre ces constructions locales et des
schémas de sous-catégorisation . . . . . . . . . . . . . . . . 45
Étape 4 : correction d’erreurs . . . . . . . . . . . . . . . . . 46
Les premiers travaux d’acquisition automatique de SSC . . 46
4.3.1
4.3.2
4.4
4.5
4.6
. . . .
. . . .
. . . .
. . . .
. . . .
sché. . . .
. . . .
. . . .
Jeter les bases de l’acquisition automatique de SSC à partir
de corpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Mieux exploiter les corpus en les étiquetant a priori . . . . . . 48
Acquisition de SSC à large échelle . . . . . . . . . . . . . . . 49
Travaux d’acquisition pour le français . . . . . . . . . . . . 52
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5 Description du système d’acquisition de SSC pour le
français
5.1
5.2
5.3
5.4
5.5
55
Architecture générale d’ASSCi . . . . . . . . . . . . . . . . . 56
Pré-traitements . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.1 Lemmatisation et étiquetage morpho-syntaxique : TreeTagger 57
5.2.2 Analyse syntaxique de surface : Syntex . . . . . . . . . . . . 60
Validation des verbes . . . . . . . . . . . . . . . . . . . . . . . 64
Description des modules d’ASSCi . . . . . . . . . . . . . . . . 66
5.4.1 Extracteur de pré-schémas de sous-catégorisation . . . . . . 66
5.4.2 Constructeur de schémas de sous-catégorisation candidats . . 72
5.4.3 Filtre des schémas non pertinents . . . . . . . . . . . . . . . 75
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6 Utilisation et évaluation des méthodes d’acquisition
automatique de SSC
6.1
6.2
Acquisition d’un lexique de sous-catégorisation à large
couverture pour le français . . . . . . . . . . . . . . . . . .
6.1.1 Matériel et méthode . . . . . . . . . . . . . . . . . . . . .
6.1.2 Présentation du lexique . . . . . . . . . . . . . . . . . . .
6.1.3 Une interface web de consultation du lexique . . . . . . . .
Évaluation de LexSchem . . . . . . . . . . . . . . . . . . . . .
6.2.1
83
.
.
.
.
.
84
84
86
91
93
Évaluation quantitative : comparaison avec d’autres ressources 93
iv
6.2.2
6.2.3
6.3
6.4
6.5
Évaluation qualitative . . . . . . . . . . . . . . . . . . . . . 97
Conclusion sur l’évaluation . . . . . . . . . . . . . . . . . . 102
Adaptabilité des méthodes d’acquisition automatique . . .
6.3.1 Acquisition de SSC de verbes pour une langue de spécialité .
6.3.2 Acquisition de SSC de prédicats non verbaux . . . . . . . . .
Des outils pour le paramétrage des lexiques . . . . . . . . .
6.4.1 Filtrage du lexique . . . . . . . . . . . . . . . . . . . . . . .
6.4.2 Formats disponibles pour le lexique . . . . . . . . . . . . . .
6.4.3 Proposition de nouveaux schémas . . . . . . . . . . . . . . .
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
102
102
105
106
106
107
107
109
7 Production de classes de verbes sur la base de leur comportement syntaxique
111
7.1
7.2
7.3
Problématique . . . . . . . . . . . . . . . . . . . . . .
Travaux antérieurs . . . . . . . . . . . . . . . . . . .
Deux expériences pour l’acquisition de classes
tiques de verbes . . . . . . . . . . . . . . . . . . . . .
7.3.1
7.3.2
7.4
7.5
. . . . . . 112
. . . . . . 113
séman. . . . . . 114
Expérience 1 : classification par regroupement ascendant
hiérarchique . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Expérience 2 : classification par regroupement spectral . . . . 115
Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
8 Conclusion
8.1
8.2
8.3
119
Rappel des enjeux . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Contribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
A Liste des étiquettes de TreeTagger pour le français
125
B Exemple d’analyse syntaxique au format de Syntex
127
C Liste des prépositions issues de PrepLex
129
D Entrées de LexSchem pour le verbe accompagner dans les
différents formats disponibles
131
E Liste des SSC de LexSchem
135
F Articles portant sur l’acquisition de classes verbales
F.1
F.2
Extrait de l’article publié dans la revue TAL en 2010 . .
F.1.1
Méthode . . . . . . . . . . . . . . . . . . . . . . . . . . .
F.1.2
Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . .
Article publié dans les actes de la conférence CoLing
en 2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
F.2.1
Introduction . . . . . . . . . . . . . . . . . . . . . . . . .
F.2.2
French Verb Classes and the Gold Standard . . . . . . . . .
F.2.3
Verb Clustering . . . . . . . . . . . . . . . . . . . . . . . .
F.2.4
Features . . . . . . . . . . . . . . . . . . . . . . . . . . . .
F.2.5
Clustering methods . . . . . . . . . . . . . . . . . . . . . .
F.2.6
Experimental evaluation . . . . . . . . . . . . . . . . . . .
F.2.7
Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . .
v
137
. 137
. 137
. 139
.
.
.
.
.
.
.
.
142
142
143
145
146
146
147
148
F.2.8
Discussion and Conclusion
. . . . . . . . . . . . . . . . . . 151
G Liste des publications liées à la thèse
153
Bibliographie
155
vi
Liste des figures
2.1
Stemma pour la phrase « Google a acheté YouTube. » . . . . . .
3.1
3.2
3.3
3.4
3.5
Extrait de la table 32H du Lexique-Grammaire. . . .
Entrée de LGLex pour le verbe accompagner . . . . . .
Entrée 990 de DicoValence . . . . . . . . . . . . . . . .
Entrées du Lefff correspondant au verbe accompagner
Entrées de TreeLex pour le verbe accompagner . . . . .
4.1
Schéma global des méthodes d’acquisition automatique de
schémas de sous-catégorisation . . . . . . . . . . . . . . . . . . . 44
5.1
5.2
5.3
5.4
5.5
5.6
Architecture générale d’ASSCi . . . . . . . . . . . . . . . . . .
Analyse syntaxique en constituants . . . . . . . . . . . . . . .
Analyse syntaxique en dépendances . . . . . . . . . . . . . . .
Exemple d’annotation par Syntex . . . . . . . . . . . . . . . . .
Représentation de l’annotation par Syntex . . . . . . . . . . .
Variation de la proximité avec TreeLex (F1,5 ) en fonction du
seuil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1
6.2
6.3
6.4
6.5
6.6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Représentation log-log de la distribution des verbes du corpus
LM10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Page d’accueil de l’interface de consultation de LexSchem . .
Choix du SSC pour le verbe commander dans l’interface . . . .
Résultats affichés dans l’interface pour l’entrée commander /
[SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>] . . . . . . . . . .
Résultats affichés dans l’interface pour l’entrée [SUJ:SN,
P-OBJ:SP<en+SN>] / immigrer . . . . . . . . . . . . . . . . .
Extrait du fichier d’évaluation . . . . . . . . . . . . . . . . . . .
vii
.
.
.
.
.
.
.
.
.
.
9
25
29
31
34
37
57
60
61
63
63
. 79
. 85
. 92
. 92
. 92
. 92
. 99
viii
Liste des tableaux
2.1
Liste non-exhaustive des principaux rôles thématiques . . . . . 14
3.1
3.2
3.3
Synthèse pour le Lexique-Grammaire . . . . . . . . . . . . . .
Synthèse pour SynLex et LGLex . . . . . . . . . . . . . . . . .
Paradigmes valenciels utilisés dans DicoValence (source : manuel d’utilisation de DicoValence) . . . . . . . . . . . . . . . .
Cadres de valence pour le verbe accompagner . . . . . . . . . .
Synthèse pour DicoValence . . . . . . . . . . . . . . . . . . . .
Synthèse pour le Lefff . . . . . . . . . . . . . . . . . . . . . . .
Fonctions et catégories utilisées dans TreeLex . . . . . . . . . .
Synthèse pour TreeLex . . . . . . . . . . . . . . . . . . . . . . .
3.4
3.5
3.6
3.7
3.8
4.1
4.2
4.3
5.1
5.2
5.3
5.4
5.5
6.1
6.2
6.3
. 28
. 29
.
.
.
.
.
.
31
32
32
34
36
38
Liste des SSC reconnus par le système Lerner (cette liste est
issue de (Brent, 1993)) . . . . . . . . . . . . . . . . . . . . . . . . 47
Synthèse des méthodes d’acquisition automatique de SSC présentées (les « ? » correspondent à des données non disponibles ; pour Korhonen (2006), il s’agit des chiffres pour le
lexique 3) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Synthèse des méthodes d’acquisition automatique de SSC :
évaluation (les « ? » correspondent à des données non disponibles ; pour Korhonen (2006), il s’agit des chiffres pour le
lexique 3) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Exemple d’annotation par TreeTagger : la colonne de gauche
fournit l’étiquette morphosyntaxique tandis que la colonne de
droite est le lemme du mot (la liste des étiquettes utilisées par
TreeTagger pour le français est donnée en annexe A. . . . . .
Résultats du repérage des verbes incorrects dans le corpus des
10 ans du Monde (en nombre de lemmes) . . . . . . . . . . . .
Cas traités par ASSCi . . . . . . . . . . . . . . . . . . . . . . . .
Analyse de Syntex correspondant à la proposition « il les lui
reproche au nom du Sartre qu’il aime » . . . . . . . . . . . . . . .
Résultats obtenus pour quelques combinaisons de seuils lors
de l’étalonnage . . . . . . . . . . . . . . . . . . . . . . . . . . .
. 59
. 65
. 67
. 69
. 80
20 verbes et leurs fréquences dans le corpus LM10 (verbes
identifiés à l’aide de l’étiquette donnée par TreeTagger) . . . . 86
Nombre de verbes par nombre de SSC . . . . . . . . . . . . . . 87
Entrées de LexSchem pour les verbes travailler et débouler
(après filtrage) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
ix
6.4
6.5
6.6
6.7
6.8
F.1
F.2
F.3
Comparaison de LexSchem avec d’autres lexiques de souscatégorisation pour le français (les chiffres entre parenthèses
ne sont pas des chiffres communiqués par les auteurs : ils résultent de nos calculs ; DicoVal = DicoValence) . . . . . . .
Nombre d’entrées communes et nouvelles dans LexSchem
par rapport aux deux ressources de référence (pour les 1 583
verbes communs aux 3 ressources) . . . . . . . . . . . . . . . .
Données issues de l’analyse manuelle de 150 verbes de LexSchem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
SSC correspondants au verbe confondre dans LexSchem . . . .
Comparaison de LexSchem-EuroParl avec LexSchem-LM10
A Levin style gold standard for French . . . .
Results for all the features for French (SPEC
and English (SPEC) . . . . . . . . . . . . . . . .
The effect of verb frequency on performance .
x
. 89
. 96
. 99
. 101
. 104
. . . . . . . . . . 144
and K-means)
. . . . . . . . . . 150
. . . . . . . . . . 150
Liste des abréviations
ACL
Association for Computational Linguistics (conférence)
A-OBJ Objet indirect régi par à
ATTO Attribut de l’objet
ATTS Attribut du sujet
ANR
Agence Nationale de la Recherche
ASSCi Système d’Acquisition de Schémas de Sous-Catégorisation
informatisée
Auto
Automatique
BNC
British National Corpus
CoLing Computional Linguistics (conférence)
DE-OBJ Objet indirect régi par de
DGA
Direction Générale de l’Armement
EASy Évaluation des Analyseurs Syntaxiques
HPSG Head-driven Phrase Structure Grammar
LADL Laboratoire d’Automatique Documentaire et Linguistique de Paris 7
Lefff
Lexique des Formes Fléchies du Français
LFG
Lexical-Functional Grammars
LM10 Corpus des 10 ans du journal Le Monde
LREC Language, Resources and Evaluation Conference (conférence)
MNCut Multiway Normalized Cut
Nb
Nombre
OALD Oxford Advanced Learner’s Dictionary
OBJ
Objet direct
PCFG Probabilistic Context Free Grammar
PHP
PHP : Hypertext Preprocessor
P-OBJ Objet indirect régi par une autre préposition que à et de
PropSub Proposition subordonnée
RASP Robust Accurate Statistical Parsing
REF
Forme pronominale
refl
Pronom
SA
Syntagme adjectival
SINF
Syntagme infinitif
SN
Syntagme nominal
xi
SP
Syntagme prépositionnel
SSC
Schéma de sous-catégorisation
SUJ
Sujet
SQL
Structured Query Language
TAL
Traitement Automatique des Langues
TALC Projet Traitement Automatique des Langues et des Connaissances
(http://talc.loria.fr/)
TALN Traitement Automatique des Langues Naturelles (conférence)
TLFI
Trésor de la Langue Française Informatisé
WOLF Wordnet Libre du Français
XML
eXtensible Markup Language
xii
1
Introduction
1.1
Domaine et motivations
Les informations lexicales, c’est-à-dire les informations se rapportant aux
mots et à leurs propriétés ont pris une importance considérable pour le traitement des langues ces dernières années (Danlos, 1988; Laporte, 2000). Il est
en effet primordial pour la grammaire d’une langue de savoir comment se
combinent les mots, simples ou composés, sur le plan syntaxique comme
sur le plan sémantique. La finesse de l’analyse repose finalement moins sur
des principes syntaxiques généraux que sur les contraintes propres à chaque
élément lexical (Gross, 1975; 1988). Au sein des théories lexicalistes, comme
la grammaire lexicale-fonctionnelle (LFG) ou la grammaire syntagmatique
guidée par les têtes (HPSG) (Abeillé, 1993), de nombreuses recherches ont
été faites pour élaborer un modèle de lexique plus sophistiqué (Bresnan et
Zaenen, 1990; Copestake, 1992; Koenig et Davis, 2000). De nouvelles théories
visant le développement de lexiques structurés ont alors vu le jour (Levin,
1993; Pustejovsky, 1995).
Parallèlement, la disponibilité de corpus électroniques de grande taille
a permis de mener des études sur le comportement linguistique des éléments lexicaux et les propriétés sous-jacentes qui les influencent. En effet, le
comportement des mots en contexte est d’autant plus surprenant qu’il peut
varier au cours du temps, d’un locuteur à l’autre, voire en fonction de la
situation ou du corpus considéré. Pour prendre un exemple simple, le verbe
« essaimer » est réputé intransitif mais il est largement employé de manière
transitive dans le journal Le Monde (e.g. « Cuba a essaimé les effets de son syncrétisme culturel au gré des modes et des engouements », « Il n’en a pas moins
essaimé son séjour chinois de proclamations optimistes pour l’avenir [du] pays »).
Ce sont au premier chef ces types de comportements non standard (quand
on les compare à un lexique général) qui nous intéressent ici 1 .
Ce travail de thèse porte donc sur l’acquisition automatique d’informations lexicales à partir de corpus. On s’intéresse plus particulièrement à
l’analyse du verbe. Prenons pour exemple une construction typique du verbe
casser :
(Luc)arg1 a cassé (la vitre)arg2 (avec un ballon)arg3 .
1. Le Trésor de la langue française informatisé enregistre malgré tout quelques emplois
transitifs pour essaimer dans la langue littéraire. Leur proportion dans Le Monde n’en demeure
pas moins remarquable.
1
Chapitre 1. Introduction
De manière schématique, on peut distinguer les informations suivantes liées
au verbe :
1. Le nombre et la réalisation syntaxique des arguments. Par exemple,
« casser » peut ici être considéré comme un verbe à trois arguments, le
premier (dans la forme canonique du verbe) étant un groupe nominal
réalisé à la gauche du verbe (le sujet), le deuxième un groupe nominal
à la droite du verbe (l’objet) et le troisième un groupe prépositionnel
généralement introduit par avec.
2. La grille thématique, qui caractérise le rôle sémantique de chacun des
arguments, c’est-à-dire la relation qu’il entretient sur le plan sémantique avec le verbe. Ainsi, dans l’exemple supra, l’argument 1 (« Luc »)
joue le rôle d’agent, l’argument 2 (« la vitre ») est le thème et l’argument 3 (« avec un ballon ») est l’instrument.
Notons qu’il n’y a pas de consensus sur la nature et la granularité des
rôles thématiques, ni même sur ce qui constitue la grille thématique
(Cruse, 1986; Jackendoff, 1990). Ainsi, pour le verbe casser, le statut de
l’instrumental n’est pas fixé, on l’a considéré ici comme un argument,
mais on peut aussi en faire un modifieur suivant le cadre théorique
adopté.
Une alternance désigne la relation entre deux réalisations de surface d’un
même prédicat, comme Luc a cassé la vitre avec un ballon vs Le ballon a cassé
la vitre. Les alternances ne préservent pas toujours la grille thématique du
verbe (cf. charger le camion de foin vs charger le foin dans le camion, où camion
passe de thème a but 2 ). Les alternances ont été beaucoup étudiées au niveau
linguistique (Gross, 1975; Levin, 1993) mais elles restent très difficiles à analyser automatiquement (parmi les rares travaux s’attaquant directement à
l’analyse des alternances, voir (McCarthy, 2001)). Les techniques de désambiguïsation sémantique sont encore largement insuffisantes pour distinguer
finement les verbes polysémiques (comme commander, entre commander un
soda et commander à Luc de faire ceci) (Agirre et Edmonds, 2007).
L’analyse des constructions syntaxiques et l’étiquetage des rôles thématiques ont en revanche suscité de très nombreuses recherches, et nécesssitent
des techniques différentes. L’étiquetage des rôles thématiques repose généralement sur une phase d’apprentissage à partir d’un corpus annoté : l’analyseur est ensuite capable d’attribuer des rôles sémantiques en fonction de
configurations syntaxiques particulières (sur la question, voir les conférences
CoNLL 3 (Stevenson et Carreras, 2009) et (Moreau et al., 2009) pour une expérience sur le français).
L’acquisition de lexiques syntaxiques est un domaine de recherche plus
ancien qui s’est développé à partir du début des années 1990 (Brent, 1991;
Manning, 1993). Ce courant de recherche repose sur l’idée que les analyseurs syntaxiques non lexicalisés peuvent produire des données relativement
structurées de manière massive (en général, à partir de l’analyse de corpus de plusieurs millions de mots), de telle sorte qu’il est ensuite possible
de repérer des régularités de comportement et donc d’inférer des connaissances sur les constructions possibles du verbe (c’est-à-dire le nombre et la
2. Sur toutes ces questions, voir le
semantique-gdr.net/dico/.
3. Computational Natural Language Learning.
2
site
Sémanticlopédie
:
http://www.
1.1. Domaine et motivations
nature syntaxique des arguments, ce que l’on appelle ici schéma de souscatégorisation, abrégé en SSC). Ces constructions sont associées "en vrac"
aux lemmes verbaux : comme nous l’avons mentionné supra, l’état de l’art
est encore insuffisant (cf. chapitre 4) pour aller au-delà, faute notamment de
techniques de désambiguïsation sémantique suffisamment efficaces. L’information repérée est donc partielle et nécessite un travail manuel de tri et de
validation (cf. chapitre 6).
L’hypothèse d’une corrélation entre classes syntaxiques et classes sémantiques a été posée à plusieurs reprises, notamment dans les travaux du LADL
dès les années 1970 ((Borillo, 1971) pour les verbes symétriques, (Gross, 1975)
pour les verbes psychologiques ou (Boons et al., 1976) pour les verbes locatifs). Nous nous inspirons en outre ici de Beth Levin, qui a proposé de
représenter le sens des verbes par le recours à des composants sémantiques
(Levin, 1993; Levin et Rappaport Hovav, 2005). C’est en partant de cette notion que Levin arrive à fournir une description systématique des alternances.
Elle présume que chaque verbe peut être décrit grâce à un noyau sémantique
d’une part, et à un ensemble de composants sémantiques d’autre part. Tandis que le noyau est toujours spécifique à l’unité lexicale, les composants
sémantiques sont communs à tous les verbes d’un même groupe sémantique. Les alternances syntaxiques, à leur tour, sont liées à ces composants :
les verbes qui appartiennent à un même groupe sémantique (i.e. qui partagent les mêmes composants de sens) participent aux mêmes alternances
syntaxiques.
Il existe déjà de nombreux dictionnaires à large couverture pour le français (cf. chapitre 3) et il est évident que les méthodes automatiques n’auront
ni la richesse ni la précision du résultat d’un travail minutieux mené par une
équipe de linguistes 4 . En revanche, il est aisé de montrer que les mots, à
l’exemple du verbe « essaimer » dans le journal Le Monde, ont des comportements variables en fonction du contexte d’usage, et donc du corpus étudié.
Il paraît aujourd’hui quasiment inconcevable de repérer ces comportements
spécifiques par une analyse manuelle.
Partant de ce constat, les méthodes automatiques ont connu un certain
succès car les techniques mises au point permettent 1) de compléter des
lexiques existants en mettant le doigt sur des constructions nouvelles ou absentes des dictionnaires, 2) d’obtenir des informations sur la productivité
des différentes constructions et 3) d’inférer ensuite des classes de verbes
partageant les mêmes alternances, selon l’hypothèse de Levin (Levin, 1993;
Schulte im Walde, 2000). Les informations repérées doivent ensuite être validées manuellement puis associées à des entrées lexicales pour produire des
ressources vraiment utilisables. Malgré ces limites, la popularité de ce type
de méthodes depuis une dizaine d’années montre leur intérêt et leur potentiel pour la mise au point de ressources à large échelle (voir l’expérience
décrite dans (Kipper et al., 2008)).
4. L’existence de ressources de qualité (Trésor de la Langue Française, LexiqueGrammaire, etc.) à large couverture d’une part, et l’absence de corpus librement disponible
d’autre part, a sûrement limité en France l’intérêt pour les méthodes d’acquisition automatique par le passé. Nous pensons toutefois que l’état des techniques est aujourd’hui tel qu’il
est intéressant d’y revenir.
3
Chapitre 1. Introduction
1.2
Enjeux
Nous avons identifié trois enjeux importants concernant ce domaine :
1. S’il existe de nombreux travaux pour l’anglais, les techniques d’acquisition automatique de SSC à large couverture pour le français étaient peu
étudiées lorsque cette thèse a débuté (la seule étude publiée en 2006
était celle de Paula Chesley et Susanne Salmon-Alt qui ne concerne
qu’une centaine de verbes (Chesley et Salmon-Alt, 2006)). Le projet
ANR Passage 5 qui a notamment pour objectif l’acquisition de ce type
de ressources (Gardent et Lorenzo, 2010) et qui a débuté juste après ce
travail de doctorat démontre bien l’émergence et l’importance de cette
problématique pour la langue française.
2. Il existe peu d’études approfondies sur l’utilisabilité des systèmes d’acquisition automatique de SSC. L’un des moyens de tester leur utilisabilité est de valider les apports des ressources acquises par rapport aux
ressources existantes, en particulier celles qui sont construites par un
travail manuel. Il s’agit donc d’utiliser les méthodes d’acquisition tant
sur un corpus le plus « général » possible que sur des corpus plus spécialisés et de comparer les informations acquises aux ressources existantes. Les méthodes d’acquisition automatique sont intéressantes si
elles permettent d’obtenir des informations nouvelles qui représentent
bien des usages de la langue.
3. Il s’agit enfin de déterminer dans quelle mesure il est possible d’inférer des informations sémantiques à partir de données syntaxiques et
de vérifier l’hypothèse d’une interface entre syntaxe et sémantique évoquée plus haut. Les SSC acquis à partir de corpus peuvent constituer
une base pour l’acquisition de classes « sémantiques ».
Cette thèse va tenter de répondre à ces enjeux en développant l’un des
premiers systèmes d’acquisition automatique de SSC à large couverture
pour le français. L’acquisition d’un lexique de sous-catégorisation permettra
d’évaluer l’utilisabilité de ce système et de vérifier les rapports entre syntaxe
et sémantique.
1.3
Plan de la thèse
Dans le premier chapitre (Description du verbe pour l’élaboration de
lexiques), nous proposons une description du verbe pour l’élaboration de
lexiques. Après avoir présenté la notion d’entrée lexicale, nous nous penchons sur les notions de prédicat et de structure argumentale. Nous décrivons ensuite les différentes composantes des schémas prédicatifs : schéma
de sous-catégorisation, grille thématique et restrictions de sélection avant
de revenir sur la notion d’alternance. Enfin, nous voyons les difficultés qui
rendent les contours des schémas prédicatifs flous.
Le deuxième chapitre (Etat de l’art des ressources existantes pour le
français) fait un état de l’art des principaux dictionnaires électroniques existants pour décrire le verbe en français, qu’ils aient été construits manuellement, semi-automatiquement ou à partir de corpus arborés.
5. http://atoll.inria.fr/passage/
4
1.3. Plan de la thèse
Le chapitre 3 (Les méthodes d’acquisition automatique de schémas de
sous-catégorisation) présente les méthodes d’acquisition automatique de
schémas de sous-catégorisation à partir de corpus bruts. Nous décrivons tout
d’abord les méthodes d’évaluation de ces systèmes en distinguant l’évaluation intrinsèque de l’évaluation extrinsèque et en soulignant les problèmes
posés par les méthodes d’évaluation généralement utilisées. Nous présentons ensuite un schéma global que semblent partager ces méthodes. Le reste
du chapitre fait l’état de l’art des travaux existants : nous présentons d’abord
les principaux travaux réalisés depuis le début des années 90 puis les études
existantes sur la langue française.
Dans le chapitre 4 (Acquisition de schémas de sous-catégorisation pour
le français), nous décrivons le système d’acquisition automatique de schémas de sous-catégorisation de verbes à partir de corpus brut que nous avons
développé pour le français. Après une présentation des outils d’analyse morphosyntaxique et d’analyse syntaxique de surface utilisés par notre système,
nous nous intéressons aux différents modules qui composent ce système
d’acquisition.
Nous continuons dans le cinquième chapitre (Utilisation et évaluation
des méthodes d’acquisition automatique de SSC) par une étude de l’utilisation qui peut être faite des méthodes d’aquisition et des ressources qui en
résultent. Une première expérience permet d’acquérir un lexique de souscatégorisation à large couverture pour le français. L’évaluation de cette ressource montre les limites de l’approche mais aussi ses avantages par rapport
aux dictionnaires construits manuellement. Nous mettons en évidence l’intérêt de ces méthodes dans une deuxième expérience qui montre l’adaptabilité
des méthodes d’acquisition et par la présentation d’outils pour le paramétrage des ressources.
Le dernier chapitre (Production de classes de verbes sur la base de leur
comportement syntaxique) présente deux expériences de classification automatique de verbes réalisées à partir du lexique présenté dans le chapitre 5.
Ces expériences visent à montrer comment la syntaxe peut servir de marchepied à l’acquisition d’informations sémantiques.
5
Description du verbe pour
l’élaboration de lexiques
L
es informations lexicales, c’est-à-dire les informations se rapportant aux
mots et à leur propriétés, ont pris une importance considérable pour
le traitement automatique des langues ces dernières années. Il est en effet
primordial pour les systèmes d’extraction d’information (Surdeanu et al.,
2003) ou d’analyse syntaxique (Carroll et al., 1998) de connaître la façon
dont se combinent les mots, au niveau sémantique et au niveau syntaxique.
Dans le cadre de cette thèse, nous nous intéressons en particulier aux
prédicats et à la manière dont ils se combinent avec leurs arguments. Ces
informations sont décrites par des schémas prédicatifs.
Nous définissons la notion d’entrée lexicale avant d’introduire les notions de prédicat et de structure argumentale. Nous définissons ensuite
le concept de schéma prédicatif et ses différentes notions liées : schéma
de sous-catégorisation, grille thématique et restrictions de sélection. Nous
présentons ensuite les alternances avant de souligner le caractère flou des
contours des schémas prédicatifs.
7
2
Chapitre 2. Description du verbe pour l’élaboration de lexiques
2.1
La notion d’entrée lexicale
Avant de définir le prédicat et les différents types d’informations lexicales
susceptibles de caractériser ses arguments, il faut définir ce que nous entendons par lexique. Un lexique est un ensemble d’entrées lexicales auxquelles
on associe des propriétés. Nous définissons donc ici la notion d’entrée et
nous tentons d’en délimiter les contours.
Du point de vue de la lexicographie, une entrée lexicale (ou lexie) est un
ensemble syntaxico-sémantique distinct. C’est donc le sens qui permet de
distinguer les entrées lexicales et non leur forme (d’un point de vue morphologique).
Par exemple, les formes voulait et veux sont caractérisées par une même
entrée lexicale (celle qui correspond au verbe vouloir et à ses formes fléchies)
tandis que les deux formes volé dans (2a) et (2b) correspondent à deux entrées distinctes :
(1a) Il voulait te voir hier.
(1b) Je veux aller à l’école.
(2a) Elle a volé 5 euros à sa mère.
(2b) J’ai volé en deltaplane hier.
On trouve bien 2 entrées (dont l’une est transitive) pour le mot « voler » dans
le Trésor de la langue française informatisé (TLFI) 1 .
Néanmoins, la notion d’entrée lexicale est parfois floue : il est difficile de
déterminer à partir de quand une nuance de sens forme une entrée lexicale
distincte.
Voici quelques exemples ambigüs qui formeront ou non des entrées lexicales distinctes selon les lexiques :
(3a) Antoine est tombé de haut quand il a appris la nouvelle.
(3b) Jean est tombé de sa chaise.
(4a) Elle a cassé le vase de maman.
(4b) Il nous casse souvent les pieds.
(4c) Il a cassé sa pipe.
(5a) La balle roule.
(5b) Il roule sa bosse.
(5c) Mon frère a roulé pendant des heures pour arriver ici.
(5d) Les chanteurs d’autrefois roulaient les "r".
Les phrases (4c) et (5b) sont des expressions figées dont le sens est assez
éloigné du sens du verbe seul : par exemple, casser sa pipe signifie mourir
et constitue un sens bien différent de casser. D’autres phrases ((3a), (4b) et
(5c) par exemple), la nuance de sens est moins nette et il est difficile de
déterminer si tomber de haut, casser les pieds et rouler (en voiture) constituent
des entrées lexicales distinctes de tomber, casser et rouler.
La notion d’entrée lexicale est donc une notion riche sur laquelle nous
1. Le TLFI est un lexique en ligne des mots du français qui sera présenté plus en détail
dans le chapitre 3.
8
2.2. Prédicat et structure argumentale
reviendrons lorsque nous évoquerons le problème des contours des schémas
prédicatifs (section 2.5).
2.2
Prédicat et structure argumentale
Nos travaux concernent les informations lexicales relatives aux prédicats.
Le prédicat est l’élément qui met en relation un ou plusieurs autres éléments
d’une phrase (ou d’une proposition).
Les manières de représenter les prédicats sont multiples. Nous nous
contentons ici d’évoquer les travaux de Tesnière (Tesnière, 1959) où le prédicat est le noyau supérieur qui régit les autres éléments de la phrase. Chez
Tesnière, la hiérarchie des connexions entre les éléments de la phrase est
représentée sous forme d’un « stemma », c’est-à-dire d’un schéma liant le
prédicat à ses arguments sans préciser la relation syntaxique entre eux (voir
figure 2.1).
Figure 2.1 – Stemma pour la phrase « Google a acheté YouTube. »
Un prédicat peut être un verbe (exemple (6)), un nom (exemple (7)) ou un
adjectif (exemple (8)). Dans le cadre de cette thèse, nous nous sommes principalement intéressés aux prédicats verbaux. Néanmoins, pour l’essentiel, le
contenu de ce chapitre s’applique à tous les types de prédicats.
(6) (Julie) (a acheté)pred (un livre) (à Marc).
(7) L’ (acquisition)pred (de FlickR) (par Yahoo).
(8) (Je) suis (hésitant)pred (à lui demander de l’aide).
Les éléments de la phrase qui sont mis en relation par le prédicat forment
la structure argumentale de ce prédicat. Nous appellons ces éléments les
« compléments » du verbe 2 . Dans la phrase (6), la structure argumentale est
formée par les compléments Julie, un livre et à Marc.
Dans les manuels de grammaire (par exemple, dans le Bon Usage), le
sujet est la plupart du temps exclu de la structure argumentale. En effet,
le sujet et le groupe verbal (c’est-à-dire le prédicat verbal et ses arguments)
sont considérés comme étant les deux éléments constitutifs de la phrase.
Néanmoins, d’un point de vue sémantique, l’élément placé en position sujet
est le plus souvent partie prenante de l’action. Il n’y a donc pas lieu de
l’exclure de la structure argumentale dans le cadre de notre travail.
2. Nous utilisons dans cette thèse le terme de complément pour tous les éléments reliés
au verbe, indépendamment de la distinction argument/modifieur.
9
Chapitre 2. Description du verbe pour l’élaboration de lexiques
Parmi les compléments d’un verbe, on distingue les arguments des modifieurs (Lyons, 1968; Gross, 1975). Les arguments sont obligatoires dans la
structure argumentale (ils peuvent être omis en surface mais ils sont toujours présents dans la structure profonde) tandis que les modifieurs sont
en général optionnels et plus facilement déplaçables en surface. Nous nous
contenterons pour l’instant de cette présentation rapide et nous reviendrons
plus loin sur cette distinction entre arguments et modifieurs.
Nous appellons « schéma prédicatif » la description plus formelle qui
permet de décrire la structure argumentale d’un prédicat. Selon la théorie, la ressource étudiée (ou éventuellement l’application visée), ces schémas
peuvent contenir diverses informations sur le prédicat et ses arguments :
– l’arité du prédicat, c’est-à-dire son nombre d’arguments (par exemple,
3 pour le prédicat acheter dans (6)) ;
– le « type » (fonctions et/ou catégories syntaxiques) des arguments (par
exemple, sujet ou syntagme nominal pour Julie dans (6)) ;
– le rôle thématique des arguments (par exemple, agent pour Julie dans
(6)) ;
– des restrictions de sélection sur les arguments (par exemple, +humain
pour Julie dans (6)) ;
– les alternances qu’accepte le prédicat (par exemple, l’effacement de
l’argument à Marc dans (6)).
Ces différentes propriétés seront présentées plus en détail tout au long de ce
chapitre hormis l’arité qui ne nécessite pas d’explications supplémentaires.
Toutefois, la distinction argument/modifieur n’étant pas triviale, la notion
d’arité ne peut pas non plus être triviale.
Le schéma prédicatif est donc un objet à géométrie variable. L’examen
plus détaillé de chacune de ses composantes potentielles est un préalable
pour pouvoir déterminer ce dont nous avons besoin dans nos schémas et
ce qui est plus accessoire selon le contexte scientifique et/ou applicatif dans
lequel nous nous plaçons.
2.3
Les différentes composantes des schémas prédicatifs
Nous venons de le voir, la structure argumentale d’un prédicat peut être
décrite à différents niveaux. Après un bref exemple introductif et un préalable sur la distinction argument/modifieur, nous présentons les concepts
fréquemment utilisés pour caractériser la structure argumentale des prédicats : schémas de sous-catégorisation ; grilles thématiques et restrictions de
sélection.
2.3.1 Exemple introductif
Considérons les phrases suivantes :
(9a) Jean donne un livre à Marie.
(9b) Jean donne à Marie un livre qu’il a lu récemment.
(9c) Jean le lui a donné.
(9d) Un livre est donné à Marie par Jean.
10
2.3. Les différentes composantes des schémas prédicatifs
On remarque que l’ordre des éléments de la phrase (ou « réalisation de
surface ») est différent pour chacune des phrases bien que ces phrases expriment le même procès.
Par ailleurs, la relation syntaxique entre les arguments et le prédicat reste
inchangée hormis dans le cas (9d) (forme passive). Dans la phrase (9d), « un
livre » est le sujet du verbe alors qu’il est complément d’objet dans les
phrases (9a), (9b) et (9c).
Cependant, le rôle des éléments du point de vue du sens reste inchangé :
dans chacune des phrases, Jean donne le livre tandis que Marie le reçoit. Dans
chacun des cas, le livre est l’objet que Jean donne à Marie, même lorsqu’il se
trouve en position sujet (phrase (9d)).
Schématiquement, la grille thématique représente la part sémantique du
schéma prédicatif alors que son schéma de sous-catégorisation concerne plutôt sa syntaxe. Avant de présenter plus en détail ces notions ainsi que celle
de restriction de sélection, il est nécessaire de revenir sur la distinction argument/modifieur.
2.3.2 Distinction argument/modifieur
Classiquement, on différencie les arguments des modifieurs par le caractère obligatoire des arguments au niveau de la structure sémantique profonde (Lyons, 1968; Gross, 1975). Les modifieurs ne font pas partie de la
structure argumentale. Ils sont donc facultatifs, plus facilement déplacables,
etc.. De nombreux travaux ont essayé de dégager les critères linguistiques
permettant de distinguer les arguments des modifieurs (Somers, 1984; Pollard et Sag, 1987). (Miller, 1997) fait l’inventaire des principaux critères utilisés : obligatoire vs. facultatif ; degré de sélection par le verbe ; thématisation ;
etc..
Les exemples suivants montrent la pertinence des critères d’effacement
et de déplacement du complément pour différencier arguments (22) et modifieurs (21) :
(21a) L’abbé Pierre est mort en 2007.
(21b) L’abbé Pierre est mort.
(21c) En 2007, l’abbé Pierre est mort.
(22a) Il a envoyé une lettre à son cousin.
(22b) Il a envoyé une lettre.
(22c) ?À son cousin, il a envoyé une lettre.
(22d) ?Il a envoyé à son cousin une lettre.
Si on peut sans problème supprimer (21b) ou déplacer (21c) le complément en 2007 dans la phrase L’abbé Pierre est mort en 2007. sans bouleverser
la structure sémantique profonde de la phrase, il est plus difficile de déplacer à son cousin dans la phrase Il a envoyé une lettre à son cousin. ((22c) et
(22d)). Néanmoins, dans cet exemple, le critère d’effacement ne permet pas
de caractériser le complément à son cousin : la phrase (22b) est correcte.
Il faut toutefois souligner que les critères cités plus haut ne font pas l’objet d’un consensus fort. En outre, il n’existe pas de critère linguistique suffisamment discriminant pour différencier à coup sûr, quel que soit le contexte,
arguments et modifieurs.
11
Chapitre 2. Description du verbe pour l’élaboration de lexiques
Nous reviendrons sur ce problème dans la section 2.5.2.
2.3.3 Schéma de sous-catégorisation
La « sous-catégorisation » est le phénomène syntaxique qui dénote la
tendance des prédicats à imposer à leur entourage des configurations syntaxiques particulières. Ces configurations sont représentées par des schémas (ou cadres) de sous-catégorisation. Dans cette thèse, nous préférerons le
terme de sous-catégorisation à celui de valence, parfois utilisé pour décrire
le nombre d’arguments d’un prédicat. De plus, nous utilisons le concept
de sous-catégorisation uniquement pour caractériser des phénomènes syntaxiques. Or, dans certains travaux, cette notion est utilisée pour décrire aussi
bien des phénomènes syntaxiques que sémantiques (par exemple dans (Korhonen, 2002)).
Les schémas de sous-catégorisation (SSC) d’un prédicat décrivent la
structure argumentale de ce prédicat en termes syntaxiques. Un SSC est donc
composé d’un prédicat et d’une combinaison possible d’arguments pour ce
prédicat. Ainsi, l’ensemble des SSC d’un prédicat représente les différents
usages syntaxiques possibles de ce prédicat.
Il existe trois représentations syntaxiques possibles des arguments :
– La fonction décrit la relation syntaxique entre le verbe et l’argument :
sujet, objet direct, objet indirect, attribut du sujet, etc.
– La catégorie syntaxique du syntagme constituant l’argument exprime
sa nature : syntagme nominal, syntagme prépositionnel, syntagme verbal, etc.
– La représentation mixte mêle les deux représentations précédentes
en associant à la fonction de l’argument sa catégorie syntaxique :
sujet+syntagme nominal, objet direct+syntagme verbal, etc.
L’exemple suivant illustre ces trois représentations (le SSC sous forme
réduite est donné entre crochets 3 ) :
–
Fonctions : (Julie)Suj a donné (un livre)Obj (à Marc)P-Obj .
[SUJ, OBJ, P-OBJ]
– Catégories : (Julie)SN a donné (un livre)SN (à Marc)SP(à) .
[SN, SN, SP]
– Mixte : (Julie)Suj / SN a donné (un livre)Obj / SN (à Marc)P-Obj / SP(à) .
[SUJ:SN, OBJ:SN, P-OBJ:SP]
Dans la phrase « Julie a donné un livre à Marc. », Julie et un livre sont des syntagmes nominaux mais le premier a la fonction sujet tandis que le deuxième
est un objet. à Marc est un objet prépositionnel de catégorie syntagme prépositionnel.
Cet exemple assez trivial masque le problème de la distinction argument/modifieur dont nous avons parlé plus haut (section 2.3.2) et qui constitue la principale difficulté lorsqu’on travaille sur la sous-catégorisation ver3. La signification des abréviations utilisées dans les SSC est donnée dans le tableau 5.3
(chapitre 5).
12
2.3. Les différentes composantes des schémas prédicatifs
bale. En effet, certains compléments, présents « en surface » sont des modifieurs et ils ne devraient pas figurer dans le SSC :
(10) (Barack Obama)Suj / SN est devenu (Président des États-Unis)Obj / SN
(le 4 novembre 2008)modifieur .
[SUJ:SN, OBJ:SN]
(11) (Le pape)Suj / SN rencontrera (les victimes)Obj / SN (à Malte)modifieur .
[SUJ:SN, OBJ:SN]
Dans ces 2 phrases, le 4 novembre 2008 et à Malte sont des modifieurs et ils
sont par conséquent exclus des SSC.
Néanmoins, il arrive qu’il ne soit pas si simple de déterminer si un complément est un argument ou un modifieur :
(12a) (Pierre)Suj / SN s’est rendu (à Lille)P-Obj / SP(à) (par l’autoroute
A1) ? .
[SUJ:SN, P-OBJ:SP(à), P-OBJ:SP(par)] ou [SUJ:SN, P-OBJ:SP(à)] ?
(13a) (Les actions)Suj / SN ont baissé (de 10%) ? (la semaine
dernière)modifieur .
[SUJ:SN, P-OBJ:SP(de)] ou [SUJ:SN] ?
Il n’existe pas de théorie qui permette de déterminer à coup sûr si par l’autoroute A1 et de 10% sont des arguments ou des modifieurs, certains des
critères classiques de distinction se contredisent :
(12b) Pierre s’est rendu à Lille.
(12c) ?Pierre s’est rendu par l’autoroute A1 à Lille.
(13b) Les actions ont baissé la semaine dernière.
(13c) *De 10%, les actions ont baissé la semaine dernière.
par l’autoroute A1 et de 10% sont « effaçables » ((12a) et (13a)) mais leur
« déplacement » pose problème ((12b) et (13b)).
Les schémas de sous-catégorisation concernent donc les propriétés syntaxiques des arguments d’un prédicat. Les deux autres composantes des
schémas prédicatifs (la grille thématique et les restrictions de sélection) caractérisent leurs propriétés sémantiques.
2.3.4 Grille thématique
On appelle grille thématique le schéma constitué par les rôles thématiques des arguments d’un prédicat.
Le rôle thématique d’un argument est une étiquette qui désigne la relation sémantique entre un prédicat et son complément dans un schéma donné
(Gruber, 1965; Fillmore, 1968; Jackendoff, 1972; Wilkins, 1988). Il caractérise
de façon très générale le rôle de l’argument dans la structure prédicative à
un niveau sémantique.Par exemple, dans la phrase Mon frère a mangé tout le
chocolat., l’argument mon frère est l’agent du verbe manger.
Cette notion est sujette à discussions : les frontières délimitant les différents rôles sont floues et il n’y a pas de consensus sur le nombre ou la nature
13
Chapitre 2. Description du verbe pour l’élaboration de lexiques
Rôle
agent
patient
thème
expérienceur
but
source
destination
lieu
instrument
moyen
Exemple
(Sacha) lance la balle.
Marie attrape (la gomme).
J’achète (un disque) à Marie.
(Léon) admire Paul.
Je vous appelle (à propos de l’annonce).
Ce vacarme vient (de l’appartement du dessus).
Il va (à Paris) ce week end.
Le chat est assis (sur le livre).
Le cuisinier fait sauter ses légumes (avec un wok).
Nicolas a fait rire Marie (en lui racontant une blague).
Table 2.1 – Liste non-exhaustive des principaux rôles thématiques
des rôles thématiques (Cruse, 1986; Jackendoff, 1990; Baker, 1997). On peut
néanmoins présenter une liste non exhaustive des rôles thématiques les plus
fréquemment retenus (voir tableau 2.1).
Une grille thématique est simplement une liste de rôles thématiques pour
un prédicat donné. Voici quelques exemples de grilles :
Lancer
Donner
Acheter
[agent, patient]
[agent, thème, but]
[agent, thème, source]
Aimer
[expérienceur, patient]
(Zoé)agent a lancé (la balle)patient
(Jean)agent donne (le crayon)thème (à Luc)but
(Le Brésil)agent a acheté (des Rafales)thème
(à la France)source
(Il)expérienceur aime (sa femme)patient
Lancer prend donc deux arguments dont l’un est agent (le « lanceur ») et
l’autre patient (le « lancé »). Pour le verbe acheter, les trois arguments sont
agent, thème et source.
Les rôles thématiques sont souvent considérés être à l’interface de la syntaxe et de la sémantique (un agent est de préférence réalisé comme un sujet
tandis qu’un patient est plutôt réalisé comme un objet direct). Les exemples
précédents montrent bien que s’il existe un lien entre fonction syntaxique
et grille thématique, ce lien n’est ni systématique ni évident : remarquons
notamment que dans les trois premiers exemples, le sujet du verbe est également agent mais dans le cas du verbe aimer, il est expérienceur.
Enfin, rappelons que la notion de grille thématique n’est pas fixée et les
propriétés utilisées pour caractériser les arguments des prédicats dépendent
de la théorie ou de la ressource considérée.
VerbNet (Kipper-Schuler, 2005) et FrameNet (Baker et al., 1998) sont des
ressources qui répertorient des informations syntaxiques et sémantiques sur
les verbes en anglais : schémas de sous-catégorisation, restrictions de sélection sur les arguments et rôles thématiques. VerbNet permet d’annoter les
relations entre le prédicat et ses arguments à l’aide de 23 rôles thématiques
tandis que la catégorisation sémantique des arguments dans FrameNet est
plus spécialisée : la ressource fait appel à des « rôles sémantiques » qui
sont beaucoup plus précis que les rôles thématiques (par exemple, pour le
verbe acheter, les arguments seront acheteur et vendeur (et non agent et
source).
14
2.3. Les différentes composantes des schémas prédicatifs
David Dowty propose quant à lui de n’utiliser que deux grands types
de rôles qu’il appelle proto-agent et proto-patient (Dowty, 1991) et donne
une liste des propriétés qui caractérisent ces deux types. Par exemple, le
proto-agent provoque un événement ou le changement d’état d’un autre
participant tandis que le proto-patient subit un changement d’état et/ou
est affecté par un autre participant.
(14a) Jean ouvre la porte.
(14b) La clef ouvre la porte.
(14c) Le vent ouvre la porte.
Pour les classifications en rôles thématiques « classiques », Jean est agent
dans (14a) et La clef est instrument dans (14b). Or, les trois éléments en
position sujet jouent le même rôle sémantique par rapport au verbe. Pour
Dowty, Jean, La clef et Le vent sont tous proto-agent tandis que la vitre est
proto-patient.
Les rôles thématiques décrivent les relations sémantiques entre le prédicat et ses arguments ou entre les arguments eux-mêmes mais pas des propriétés intrinsèques des arguments.
2.3.5 Restrictions de sélection sur les arguments
En plus d’informations syntaxiques (sous-catégorisation) et des rôles thématiques, il est possible de décrire des restrictions de sélection sur les arguments d’un prédicat. Les restrictions de sélection sont des propriétés qui
permettent de restreindre au niveau sémantique le type de nom accepté par
un argument. Par exemple, le premier argument du verbe acheter peut être
un humain mais pas un animal (sauf dans certains contextes particuliers) ou
un objet inanimé, comme en témoignent les exemples (15a), (15b) et (15c).
(15a) (Jean) achète un livre à la librairie.
(15b) ? (Le lapin) a acheté une carotte.
(15c) * (La table) a acheté une chaise.
La phrase (15b) n’est correcte que dans un contexte où le lapin a une apparence ou un comportement humain. Remarquons également que la métonymie permet à une organisation (comme par exemple une entreprise) de
« prendre » le trait humain :
(15d) (Google) a acheté YouTube pour 1,65 milliards de dollars.
Le plus souvent, on représente les restrictions de sélection en utilisant
un trait (par exemple, humain ou hum) qui symbolise une caractéristique
sémantique de l’argument. On fait précéder ce trait d’un plus ou d’un moins
pour signaler si l’argument est caractérisé par ce trait ou son opposé. Par
exemple, +hum signifie que l’argument est humain et -hum qu’il est nonhumain.
Il est nécessaire de distinguer les restrictions de sélection des préférences
lexicales. Les préférences lexicales sont l’ensemble des têtes lexicales apparaissant dans une position donnée (par exemple en position sujet ou objet).
15
Chapitre 2. Description du verbe pour l’élaboration de lexiques
En traitement automatique, le terme de restriction de sélection est parfois
utilisé pour parler de généralisations sur les têtes lexicales des arguments.
Les restrictions de sélection sont alors des classes, c’est-à-dire des groupes
de mots partageant des propriétés sémantiques, auxquelles les arguments
du prédicat doivent appartenir. Par exemple, le sujet du verbe acheter doit
appartenir à la classe des humains ou à celle des organisations.
Pour définir des restrictions de sélection pour un schéma prédicatif
donné, on s’appuie sur un inventaire de catégories sémantiques du type
animé vs. inanimé. Le choix de ces catégories et leur niveau de granularité
dépendent du cadre théorique et/ou de l’application visée. Il est également
possible de déterminer ces catégories en s’appuyant sur une ressource existante comme par exemple WordNet (Miller, 1995; Fellbaum, 1998). WordNet est une base de données lexicale hiérarchisée organisé en « jeux de
synonymes » appelés synsets. Ainsi, il est possible d’inférer des restrictions
de sélection en s’appuyant sur la hiérarchie de la ressource. Par exemple,
dans WordNet, les noms coffee (café) et beer (bière) ont pour hyperonyme
drinkable (buvable). Or, le verbe boire est le plus souvent rencontré avec des
mots de la catégorie buvable comme patient. On peut donc déduire de la ressource une restriction de sélection (trait +buvable) sur le patient du verbe
boire.
2.4
Alternances
Une alternance désigne la relation entre deux réalisations de surface d’un
même prédicat. Elles mettent en évidence des nuances de comportement tant
syntaxiques que sémantiques de verbes et permettent une classification plus
fine des prédicats.
Les phrases de l’exemple (9) (voir section 2.3) expriment le même procès
mais ont des réalisations de surface différentes :
(9a) (forme canonique) Jean donne un livre à Marie.
(9b) (inversion) Jean donne à Marie un livre qu’il a lu récemment.
(9c) (pronominalisation) Jean le lui a donné.
(9d) (forme passive) Un livre est donné à Marie par Jean.
Les alternances décrivent des changements dans la réalisation de la
structure argumentale d’un verbe à partir d’une forme canonique (9a). Ces
changements peuvent être de différentes natures : déplacement d’argument
(comme dans la phrase (9b)), effacement d’argument, transformation de syntagmes prépositionnels en syntagmes nominaux, pronominalisation (comme
dans la phrase (9c)), etc.
Les alternances ont été beaucoup étudiées au niveau linguistique (Gross,
1975; Levin, 1993). Dans son ouvrage, Beth Levin définit 79 alternances
pour l’anglais (Levin, 1993). Le plus souvent, il s’agit de transformations
à partir d’une structure argumentale considérée comme étant la forme canonique (dans notre exemple, la phrase (9a)). Certaines alternances sont très
fréquentes tandis que d’autres ne concernent qu’un nombre très limité de
verbes.
16
2.4. Alternances
Par exemple, dans l’alternance causative/inchoative 4 , le sujet
« s’efface » pour laisser sa place à l’objet, comme dans l’exemple suivant :
(16a) Émilie a cassé la fenêtre.
(16b) La fenêtre a cassé.
Si les alternances impliquent des modifications évidentes dans la syntaxe
de la phrase, elles provoquent également des changements sémantiques.
On perçoit cette nuance de sens dans les phrases (16a) et (16b) (dans
(16b), on a l’impression que la fenêtre s’est cassée d’elle même) mais l’alternance locative met en évidence ce phénomène comme en témoignent les
phrases suivantes :
(17a) Arnaud a chargé le camion d’oranges.
(17b) Arnaud a chargé les oranges dans le camion.
Ici, l’alternance locative n’a pas préservé la grille thématique du verbe
(dans (17b), camion passe de thème à but ). De plus, la phrase (17a) implique
que le camion soit rempli d’oranges alors que ce n’est pas le cas pour la
phrase (17b) : les alternances ne sont donc pas uniquement un phénomène
syntaxique.
Les verbes partageant les mêmes alternances semblent partager une certaine proximité sémantique. Levin montre que les alternances, qui décrivent
des comportements majoritairement syntaxiques, permettent d’aboutir à une
classification « sémantique » des verbes. Ces classes verbales sont variées :
verbes de « jet », verbes de contact avec impact, verbes d’interaction sociale,
verbes de perception, verbes de désir, verbes de communication, etc.
Pour montrer l’importance des alternances dans la classification des
verbes, remarquons tout d’abord que deux verbes partageant les mêmes
schémas prédicatifs peuvent ne pas accepter les mêmes alternances. Par
exemple, l’alternance causative/inchoative est applicable à casser mais
ne l’est pas à frôler :
(18a) Le ballon casse la vitre.
(18b) La vitre casse.
(19a) Le ballon frôle la vitre.
(19b) * La vitre frôle.
Aucune information de surface n’est ici disponible pour distinguer le cas
(18) du cas (19). C’est donc bien la différence sémantique entre casser et frôler
(en particulier le changement d’état produit par « casser » sur la vitre) qui
rend possible l’alternance causative/inchoative. L’alternance permet
de différencier les verbes casser et frôler et de les classifier plus finement.
Cependant, les alternances restent très difficiles à analyser automatiquement (parmi les rares travaux s’attaquant directement à l’analyse des alternances, voir McCarthy (2001)). Les techniques de désambiguisation sémantiques sont encore largement insuffisantes pour distinguer finement les
verbes polysémiques (comme commander, entre commander un soda et commander à Luc de faire ceci) (Agirre et Edmonds, 2007).
4. Nous reprenons ici l’appellation de Beth Levin.
17
Chapitre 2. Description du verbe pour l’élaboration de lexiques
2.5
Les contours flous des schémas prédicatifs
Nous avons donné un panorama des représentations possibles de la
structure argumentale des prédicats. Il s’agit désormais de mettre l’accent
sur le fait que les contours de ces schémas sont difficiles à définir et sujets à
débats. Ces frontières floues posent des problèmes considérables lorsqu’on
cherche à faire l’inventaire des schémas prédicatifs pour constituer une ressource lexicale. Nous tentons ici de donner un aperçu de la complexité du
concept de schéma prédicatif et de ses écueils.
2.5.1 Polysémie et entrées lexicales
Revenons tout d’abord sur la difficulté à constituer des entrées lexicales
à partir d’une forme polysémique. En théorie, chaque lexie devrait avoir ses
propres schémas prédicatifs. Par exemple, les phrases L’avion vole depuis deux
heures. et Il m’a volé ma montre. correspondent à deux emplois différents de la
forme voler et correspondent donc chacune à un schéma d’un verbe distinct
(et non à deux schémas distincts d’un même verbe).
Par exemple, les phrases suivantes représentent des constructions différentes du verbe compter :
(20a) Luc compte jusqu’à 10.
(20b) Pierre compte venir à ton anniversaire.
(20c) Julien compte sur toi.
(20d) Hélène compte sur ses doigts.
Les phrases (20a) et (20d) correspondent au sens « concret » du verbe
compter. Les phrases (20b) et (20c) correspondent à d’autres sens du verbe
compter : dans (20b), compter peut être remplacé par avoir l’intention de alors
que dans (20c), il fait plutôt référence à la confiance accordée à quelqu’un.
Cependant, nous disposons de peu d’informations en surface pour déterminer le sens du verbe compter selon le contexte : par exemple, pour (20c)
comme pour (20d), compter est suivi d’un complément prépositionnel dont
la préposition est sur. Ce sont des informations sémantiques plus profondes
qui permettent de différencier (20c) de (20d).
Ce problème est encore plus fréquent avec la préposition à qui est fréquemment utilisée, tant pour des compléments de lieu (modifieur) que
pour des objets prépositionnels, ce qui nous amène à la distinction argument/modifieur.
2.5.2 Retour sur la distinction argument/modifieur
Nous avons présenté les critères classiques de distinction des arguments
et des modifieurs dans la section 2.3.2 : effacement ou déplacement du complément, thématisation, etc. Toutefois, ces critères ne font pas l’objet d’un
consensus fort. Il n’existe pas de critère linguistique suffisamment discriminant pour déterminer de manière certaine, indépendamment du contexte, si
un complément est un argument ou modifieur. Certains cas sont difficiles et
sujets à débat comme l’exemple (13) rencontré plus haut :
(13a) Les actions ont baissé de 10% la semaine dernière.
18
2.5. Les contours flous des schémas prédicatifs
(13b) Les actions ont baissé la semaine dernière.
(13c) *De 10%, les actions ont baissé la semaine dernière.
Il est difficile de dire si le complément de 10% est un argument ou un modifieur. Les critères de déplacement et d’effacement sont contradictoires et le
complément a un statut un peu particulier.
Christopher Manning synthétise de façon assez éclairante cette question
(Manning, 2003) :
Il y a des arguments très évidents (sujets et objets) et des modifieurs très évidents (de temps ou de lieu) mais aussi beaucoup
de choses entre ces deux pôles. Ces choses sont classées tantôt
comme arguments, tantôt comme modifieurs selon les besoins
théoriques ou les visées de l’auteur. 5
Il existerait donc un continuum entre arguments et modifieurs, ce qui
permet de mieux représenter le caractère plus ou moins obligatoire des « arguments » des verbes. Il faut désormais trouver un moyen de représenter
ce continuum en termes de SSC. La réponse apportée par Manning est de
représenter la sous-catégorisation comme une distribution de probabilité sur
les arguments des schémas :
Plutôt que de maintenir une distinction catégorique entre arguments et modifieurs et d’avoir à prendre des décisions binaires
à propos de tels cas, nous devrions plutôt essayer de représenter
l’information de sous-catégorisation comme une distribution de
probabilité sur les arguments, où chaque complément est censé
apparaître avec un verbe donné avec une certaine probabilité. 6
L’information contenue dans ces probabilités est évidemment plus riche
que la distinction binaire argument/modifieur. Cette approche probabiliste
pose cependant un problème pour l’évaluation de la ressource. En effet,
comme nous le verrons au chapitre 6, il devient alors difficile de comparer la ressource avec des ressources où la distinction argument/modifieur
est généralement « forte ».
2.5.3 Formes pronominales
L’utilisation des formes pronominales est un phénomène massif en français (qui concerne de nombreux verbes) et qui est souvent mal traité par
les lexiques. Il est donc important de s’interroger sur la façon de traiter les
formes pronominales dans un lexique de schémas prédicatifs. En effet, la
même forme de surface se + verbe peut rendre compte de comportements
très variés.
Voici les différents cas possibles d’utilisation de la forme pronominale :
5. There are some very clear arguments (normally, subjects and objects), and some very
clear adjuncts (of time and ’outer’ location), but also a lot of stuff in the middle. Things in
this middle ground are often classified back and forth as arguments or adjuncts depending
on the theoretical needs and convenience of the author.
6. Rather than maintaining a categorical argument / adjunct distinction and having to
make in/out decisions about such cases, we might instead try to represent subcategorization information as a probability distribution over argument frames, with different verbal
dependents expected to occur with a verb with a certain probability.
19
Chapitre 2. Description du verbe pour l’élaboration de lexiques
– Construction pronominale réfléchie, lorsque le sujet exerce une action
sur lui même : Marie se lève.
– Construction pronominale réciproque, lorsque les sujets exercent une
action chacun sur chacun des autres : Ses enfants se sont présenté leurs
excuses.
– Construction pronominale subjective, lorsque le pronom est incorporé
au verbe : Un détenu s’est évadé de la prison de Reims.
– Construction pronominale passive, lorsque le sujet subit l’action mais
que l’agent n’est, en général, pas indiqué : « Les feuilles mortes se ramassent à la pelle. »
Il existe des verbes qui admettent plusieurs constructions pronominales.
Par exemple, (s’)apercevoir :
(23a) Jean s’aperçoit dans le miroir. (construction pronominale réfléchie)
(23b) Ils s’aperçoivent sur la place. (construction pronominale réciproque)
(23c) On s’est aperçu que le virus gagnait du terrain. (construction pronominale subjective)
(23c) La montagne s’aperçoit de loin. (construction pronominale passive)
Les ambiguïtés sont alors difficiles à lever automatiquement. En effet,
il semble impossible de différencier tous ces cas en se basant uniquement
sur des indices de surface. Seules des connaissances sémantiques nous permettent de faire la différence entre les différentes formes de constructions
pronominales.
Cette multiplicité de cas pour les formes pronominales pose la question
de leur place dans un lexique : est-ce que ces formes doivent constituer
des entrées lexicales distinctes ou est-ce que la forme pronominale constitue
simplement un schéma prédicatif distinct ? La réponse à cette question n’est
pas triviale :
– les constructions subjectives devraient constituer une entrée lexicale
étant donné qu’il s’agit de la seule forme possible pour ces verbes
(s’évanouir vs. *évanouir) ou d’une forme dont le sens est totalement
distinct de la forme non pronominale (s’agir vs agir) ;
– il est plus difficile de déterminer comment intégrer les constructions
réfléchies, réciproques ou passives dans les lexiques : elles sont employées de la même manière (sémantiquement) que l’emploi non pronominal dans certains cas (Pierre lance la balle à Marie. vs. Les enfants
se lancent la balle.) et d’une manière différente dans d’autres cas (j’ai
trouvé un stylo. vs. le stylo se trouve sur le bureau.).
Nous verrons au chapitre 3 que ce problème complexe est souvent mal
pris en compte dans les ressources actuellement disponibles, même dans les
lexiques constitués manuellement par des linguistes.
20
2.5. Les contours flous des schémas prédicatifs
2.5.4 Verbes supports et expressions figées ou semi-figées
La constitution de ressources lexicales se heurte également à la difficulté
à déterminer le statut des verbes supports et des expressions figées ou semifigées.
Les verbes supports ne remplissent pas la fonction de prédicat de la
phrase mais servent de « support » à un nom prédicatif ou à un adjectif
prédicatif qui remplit ce rôle (Gross, 1975; 1981; 1998; Mel´cuk, 2004) :
César conduit une attaque contre un fort.
Le verbe conduire n’est pas le prédicat de la phrase, une attaque remplit ce
rôle. Une solution possible est de coder l’« expression » conduire une attaque
directement dans le lexique.
Les expressions figées sont des suites de mots qui n’admettent que des
transformations mineures (articles, temps des verbes, insertions d’adjectifs)
(Gross, 1975; 1996) :
Il a pris le taureau par les cornes.
L’expression prendre le taureau par les cornes a un sens abstrait et l’insertion d’un nouveau syntagme dans l’expression fait perdre ce sens abstrait à
l’expression : Il a pris le taureau de son père par les cornes.
Les exemples suivants donnent un aperçu de la variété des cas existants
pour les verbes casser (expressions (semi-)figées) et faire (verbe support et
expressions figées)) :
Il a cassé sa pipe.
Ils ont cassé la baraque hier soir.
Il a cassé sa tirelire pour te faire ce cadeau !
Il me casse les pieds avec ses histoires.
Google a fait l’acquisition de YouTube. (verbe support)
Arena a fait l’annonce du licenciement de 93 personnes. (verbe support)
Le parquet a fait appel de la décision du tribunal. (expression figée)
Les prêtres font voeu de chasteté. (expression figée)
Les verbes supports et les expressions figées sont des cas difficiles à classer (Gross, 1988). En effet, il est possible de faire le choix de classer chacune
des phrases précédentes dans une entrée distincte : casser sa pipe, casser la
baraque, casser sa tirelire et casser les pieds peuvent former des entrées lexicales
distinctes et avoir chacune leurs schémas prédicatifs. Mais on peut également considérer que ces expressions relèvent de la forme transitive du verbe
casser et constituent simplement des cas particuliers de l’emploi transitif. Il
en est de même pour les 4 phrases qui concernent le verbe faire.
Ici encore, une analyse sémantique profonde est nécessaire pour distinguer les différents cas de figure et prendre les meilleures décisions. Cependant, les choix effectués lors de cette analyse varient selon l’observateur et
les besoins varient selon l’utilisation qui sera faite de la ressource : certaines
applications ont besoin d’un traitement fin des expressions figées et verbes
supports alors que dans d’autres cas, ce traitement n’est pas nécessaire.
21
Chapitre 2. Description du verbe pour l’élaboration de lexiques
2.6
Conclusion : vers l’acquisition automatique de schémas prédicatifs
Nous avons présenté différents types d’informations susceptibles de décrire la structure argumentale des verbes en français. Nous avons également
souligné les difficultés que l’on rencontre lorsqu’on tente de faire l’inventaire
des schémas prédicatifs d’une langue.
Ces difficultés se révèlent encore plus prégnantes dans une perspective
d’acquisition automatique de ces informations. C’est pourquoi il est nécessaire de faire des choix quant au type d’information dont nous souhaitons
disposer en priorité dans notre ressource lexicale. Nous nous concentrons
donc sur l’acquisition de schémas de sous-catégorisation qui semble être un
bon point de départ pour l’acquisition de schémas prédicatifs au sens plus
large (c’est-à-dire contenant des grilles thématiques et/ou des restrictions de
sélection).
Avant de déterminer les contours des schémas de sous-catégorisation
que nous souhaitons acquérir, il faut réaliser un état de l’art des ressources
existantes et des méthodes d’acquisition automatique de schémas de souscatégorisation.
22
Les ressources existantes pour
le français
N
ous avons présenté dans le premier chapitre la description lexicographique du verbe qui sert de base à la constitution de dictionnaires.
On distingue trois types de ressources lexicales : les dictionnaires « papier » (à destination des humains) ; les dictionnaires informatisés (version
informatisée des dictionnaires papier, à destination des humains mais qui
peuvent parfois être exploités par des machines) et les dictionnaires électroniques (à visée informatique). Dans ces derniers, la description doit être
explicite : toutes les informations contenues dans ces dictionnaires sont exploitables par des ordinateurs plutôt que par des humains.
Les lexiques de sous-catégorisation font l’inventaire des différentes
constructions possibles pour chaque entrée lexicale. Pour chacune de ces
entrées, son (ou ses) schéma(s) prédicatif(s) spécifiant le nombre et le type
de ses arguments, et les informations complémentaires qui s’y rapportent
(par exemple les lemmes têtes des arguments). De tels lexiques peuvent notamment améliorer les performances d’analyseurs syntaxiques (Carroll et al.,
1998) ou de systèmes d’extraction d’information (Surdeanu et al., 2003).
Il existe de nombreuses ressources décrivant les verbes en français et
nous nous limitons ici aux dictionnaires informatisés et aux lexiques électroniques qui contiennent des informations de sous-catégorisation. Les ressources acquises automatiquement seront présentées conjointement avec
leur méthode d’acquisition dans le chapitre 4. Elles sont donc exclues du
présent inventaire.
Nous présentons dans ce chapitre un état de l’art des ressources existantes pour le français. Nous faisons également l’état de l’art de l’acquisition
de lexiques à partir de corpus arborés dans ce chapitre, dans la mesure où
ces travaux requièrent un important travail manuel.
23
3
Chapitre 3. Les ressources existantes pour le français
3.1
Le Lexique-Grammaire
Le Lexique-Grammaire est la plus ancienne ressource électronique pour
le français qui regroupe des informations sur la syntaxe des verbes, noms et
adjectifs dans un format électronique avec description systématique (Gross,
1975; 1994; Leclère, 2005).
Le Lexique-Grammaire est une théorie et une pratique de la description exhaustive des langues, inspirée de la théorie transformationnelle et
distributionnelle de Zellig S. Harris (1976). La description du français a
d’abord été menée au Laboratoire d’Automatique Documentaire et Linguistique (LADL) par une équipe de linguistes et d’informaticiens dirigée par
Maurice Gross depuis la fin des années 1960, et continue d’être maintenue et
enrichie par l’équipe informatique-linguistique de l’Institut Gaspard-Monge
de l’Université Paris-Est Marne-la-Vallée.
Le Lexique-Grammaire est un dictionnaire syntaxique constitué d’un ensemble de matrices binaires appelées tables. Chaque table regroupe les éléments prédicatifs (verbes, adjectifs, noms) qui partagent la même construction type. Cette construction est une structure de phrase simple, c’est-à-dire
« canonique » (sans transformation), qui définit la table. Une phrase simple
est définie par le nombre et la nature morpho-syntaxique et sémantique
des arguments. Chaque table comprend également un ensemble de propriétés distributionnelles, transformationnelles et sémantiques, que vérifient, ou
non, les éléments prédicatifs qui figurent en en-têtes des lignes. Les signes +
et - marquent le fait qu’une propriété est vérifiée ou non par un prédicat.
La figure 3.1 est un extrait de la table 32H du Lexique-Grammaire 1 .
Chaque colonne de la table représente des propriétés que peuvent prendre
les verbes relevant de cette table (notamment les constructions syntaxiques
possibles). Chaque ligne correspond à un verbe. Les plus et les moins dans
les cases permettent de savoir si tel verbe accepte telle propriété 2 .
Le Lexique-Grammaire est généralement présenté comme un lexique
syntaxique. Toutefois, lorsqu’on observe les tables, on remarque que certains arguments sont décrits par des traits plus « sémantiques » (par exemple
Nhum signifie que l’argument est généralement un humain 3 ). Les informations codées dans les tables du Lexique-Grammaire ne se limitent donc pas
à la syntaxe et concernent également des propriétés proches des restrictions
de sélection. Les colonnes qui concernent ces propriétés ont un format du
type N0 =: Nhum.
Par exemple, les phrases suivantes permettent d’illustrer une partie des
informations codées dans la table 32H pour le verbe accompagner :
(1a) * Le poireau accompagne Luc.
(1b) Léa est accompagnée par Max.
1. La table 32H contient le verbe accompagner que nous utiliserons pour illustrer les dictionnaires tout au long de ce chapitre.
2. Certaines colonnes sont placées à gauche de l’entrée. Elles contiennent des informations
concernant les éléments habituellement situés à gauche du verbe (restrictions de sélection sur
le sujet, se figé, négation, etc.).
3. Nous avons vu dans le premier chapitre que certains éléments non humains (comme
par exemple les organisations) pouvaient parfois prendre le trait humain du fait de la métonymie.
24
3.1. Le Lexique-Grammaire
Figure 3.1 – Extrait de la table 32H du Lexique-Grammaire.
25
Chapitre 3. Les ressources existantes pour le français
(1c) * Max accompagne Léa sur ce point
Le + à l’intersection des colonnes grisées N1 est Vpp W indique que le
verbe accompagner accepte la forme passive (phrase 1b). De plus, le + dans
la première colonne de la table signifie que ce verbe n’accepte qu’un N0
(sujet de la phrase simple) humain (1a) tandis que le - dans la colonne N0 V
Nhum sur ce point indique qu’il n’accepte pas cette forme (exemple 1c).
À peu près 5 000 verbes simples graphiquement différents ont été examinés pour le français et donnent lieu à environ 15 000 entrées (an sens
lexicographique) réparties dans 60 tables (Leclère, 2005). Chaque entrée est
définie par l’ensemble des propriétés syntaxiques vérifiées dans une table
particulière. Une entrée correspond donc à une ligne dans une des tables, ce
qui signifie qu’une même entrée peut donner lieu à plusieurs constructions 4
(la forme canonique et ses transformations).
Un verbe (au niveau morphologique) a autant d’entrées qu’il a d’usages
qui ont été considérés comme distincts. Ces entrées peuvent apparaître dans
des tables distinctes ou dans la même table Leclère (2005).
Par exemple, il y a des entrées pour réaliser dans les tables 6 et 32A :
(2a) Luc a réalisé qu’il avait oublié le pain. (table 6)
(2b) Georges Stein a réalisé un tableau intitulé « Paris - Le Pont du Carrousel » 5 . (table 32A)
Dans d’autres cas, les deux usages ont la même forme canonique et font
donc partie de la même table (2 lignes distinctes pour le même verbe) :
(3a) Le bureau communique avec le salon. (table 35S)
(3b) Jacques communique avec Léa.. (table 35S)
Les unités polylexicales qui fonctionnent comme des prédicats dans une
phrase simple sont aussi décrites et sont appelées expressions figées.
Les développeurs du Lexique-Grammaire ont fait le choix de coder de
manière assez fine certaines constructions. Par exemple, la table 32R3 regroupe les constructions transitives résiduelles et révèle parfois une classification surprenante qui peut se révéler mal adaptée à un usage automatique
(Messiant et al., 2009). Ainsi, pour un verbe très courant comme travailler,
le Lexique-Grammaire dispose de 15 emplois différents dont quatre appartiennent à la table 32R3. Les quatre emplois du verbe travailler classés dans
32R3 sont distingués par leurs objets directs lexicaux :
(4a) Max travaille la balle.
(4b) Max travaille son texte.
(4c) Max travaille cette discipline.
(4d) Max travaille l’opinion publique.
4. La notion d’entrée dans le Lexique-Grammaire est donc différente de celle utilisée pour
la plupart des autres lexiques électroniques.
5. Exemple tiré de Wikipédia : http://fr.wikipedia.org/wiki/Pont_du_
Carrousel
26
3.1. Le Lexique-Grammaire
Le sens du verbe travailler est différent dans chacun de ces cas : on ne
peut pas substituer le même ensemble de synonymes au verbe travailler et
la traduction du verbe vers une langue cible dépend souvent de la sémantique du complément. Cependant, les critères syntaxiques qui différencient
ces quatre cas sont minces (il s’agit dans les quatre cas d’une construction
transitive simple). Ces exemples sont à la frontière des expressions libresexpressions figées et la nécessité d’une telle « finesse » de distinction en
plusieurs emplois d’une construction transitive dépend de l’utilisation qui
sera faite du lexique. L’utilisation de classes sémantiques de noms sur les
arguments ou de restrictions de sélection plus fines permettrait des généralisations plus proches de l’usage et des nuances de sens observées.
Avec l’augmentation de la taille du lexique, il est relativement difficile
de maintenir la cohérence de classification par tables (Messiant et al., 2009).
Ainsi, un même emploi risque de se retrouver dans deux classes différentes.
Par exemple, la sélection d’une complétive directe par le verbe savoir correspond à deux entrées : la construction N0hum V Que P = : Luc sait que Léa
est à Paris, et la construction N0hum V par N2hum Que P = : Luc a su par
Max que Léa est à Paris ( classée dans la table 10). Il nous semble qu’il n’y a
ici pas lieu de distinguer deux sens du verbe savoir et de classer ces deux
usages du verbe dans des tables différentes.
Par ailleurs, les classes dites « résiduelles », marquées par R comme 32R3,
ont tendance à regrouper tous les exemples qui n’obéissent pas strictement
à des critères de classification. Généralement les exemples accumulés dans
cette classe attendent d’être reclassés dans d’autres classes. Seule l’amélioration continue du Lexique-Grammaire allégera ce problème.
Enfin, le classement binaire du Lexique-Grammaire (une construction
est dans le lexique ou en est absente) ne permet pas de rendre compte de
constructions « limites » en français : une construction légèrement douteuse,
vieillie ou à l’inverse pas encore stabilisée sera soit exclue totalement du
dictionnaire soit mise au même plan que les constructions les plus courantes.
C’est notamment le cas d’anglicismes ou d’américanismes comme (se) baser
sur ou de solécismes comme pallier à un problème.
À l’inverse, certains verbes très rares sont présents dans le LexiqueGrammaire mais absents de toutes les autres ressources. Par exemple, on
trouve dans le Lexique-Grammaire le verbe torchecuter qui donne trois résultats (tous liés au Lexique-Grammaire) lors d’une requête sur Google.
Le Lexique-Grammaire n’est pas limité à la description des verbes
simples : les adjectifs et les substantifs prédicatifs sont également classés
selon les mêmes principes dans différentes tables.
Une selection des tables du Lexique-Grammaire du français (60%) est
mise à disposition 6 sous la licence LGPL-LR. Les tables du LexiqueGrammaire ayant été créées à l’époque où l’utilisation d’un tel type de
ressources de manière automatique n’était pas facilement réalisable, bien
des informations sont restées implicites, laissant le soin de décodage aux
utilisateurs humains. Le format utilisé est par ailleurs difficilement exploitable directement et nécessite un transcodage. Des travaux récents ont
tenté de rendre les informations disponibles dans les tables du Lexique6. http://infolingu.univ-mlv.fr
27
Chapitre 3. Les ressources existantes pour le français
Ressource
Méthode de développement
Nombre de verbes
Utilisabilité en TAL
Divers
Lexique-Grammaire
manuelle
15 000 (5 000 graphiquement différents)
Difficilement exploitable
(format peu adapté)
Répartition des verbes dans des tables
qui regroupent les verbes à
comportement syntaxique proche
Table 3.1 – Synthèse pour le Lexique-Grammaire
Grammaire plus exploitables par des applications de traitement automatique
des langues (la section 3.2 présente ces travaux).
Le tableau 3.1 fait la synthèse des informations disponibles pour le
Lexique-Grammaire.
Le Lexique-Grammaire est l’une des ressources les plus complètes pour
la description syntaxique du français. La caractérisation des verbes et de
leurs arguments est fine et la construction manuelle des tables garantit une
certaine qualité. Néanmoins, l’exploitation des tables par des applications de
TAL n’est pas directement possible (même si nous verrons que des travaux
sont en cours pour favoriser l’exploitation des informations contenues dans
les tables par des systèmes automatiques).
3.2
Les ressources dérivées du Lexique-Grammaire : SynLex et LGLex
Le Lexique-Grammaire est l’une des ressources les plus importantes existantes pour le français. Son principal défaut est que ce dictionnaire n’a pas
été conçu pour être utilisé par des applications de TAL. Des études récentes
ont tenté de pallier ce problème en proposant des méthodes de transformation du format du Lexique-Grammaire.
3.2.1 Synlex
SynLex (Gardent et al., 2006) est un lexique de sous-catégorisation verbale du français, créé à partir des tables du Lexique-Grammaire, et complété manuellement. Le lexique contient 5 244 lemmes verbaux et 538
schémas de sous-catégorisation qui donnent lieu à 19 127 entrées (paires
verbe-schéma 7 ). L’objectif est de rendre les informations contenues dans le
Lexique-Grammaire plus utilisables pour les applications de traitement automatique des langues.
Néanmoins, SynLex contient uniquement les informations contenues
dans les tables du Lexique-Grammaire qui étaient disponibles en 2006 (Synlex n’exploite que la partie des tables disponibles sous licence LGPL-LR).
7. Il ne faut donc pas confondre ces entrées avec les « entrées » du Lexique-Grammaire.
28
3.2. Les ressources dérivées du Lexique-Grammaire : SynLex et LGLex
ID=V_32H_8
lexical-info=[locs=(),cat="verb",verb=[lemma="accompagner"],
aux-list=(),prepositions=()]
args=(const=[pos="0",dist=(comp=[cat="NP",hum="true",
introd-prep=(),origin=(orig="N0 =: Nhum"),introd-loc=()])],
const=[dist=(comp=[cat="NP",hum="true",introd-prep=(),
origin=(orig="N1 =: Nhum"),introd-loc=()]),pos="1"])
all-constructions=[absolute=(construction="true::N0 V N1"),
relative=(construction="N1 est Vpp W",construction="[passif
par]")]
example=[example="Max accompagne Léa"]
Figure 3.2 – Entrée de LGLex pour le verbe accompagner
3.2.2 LGLex
LGLex est un lexique qui a été acquis à l’aide de LGExtract (Constant
et Tolone, 2010). LGExtract est un outil qui génère un lexique à partir des tables du Lexique-Grammaire, en les élaguant de propriétés qui sont difficilement utilisables à l’état actuel de l’analyse syntaxique automatique. Le résultat est disponible sous la licence LGPLLR : http://infolingu.univ-mlv.fr/DonneesLinguistiques/
Lexiques-Grammaires/Visualisation.html.
La figure 3.2 représente l’entrée de LGLex correspondant au verbe accompagner. La première ligne de l’entrée (ID=V_32H_8) donne l’identifiant de la
table dont est tirée l’entrée (cette entrée reprend les informations contenues
dans la ligne 8 de la table 32H du Lexique-Grammaire, c’est-à-dire l’entrée
du Lexique-Grammaire correspondant à accompagner dans la table 32H (voir
section 3.1)). La deuxième ligne présente des informations lexicales sur le
verbe alors que la troisième ligne donne les informations détaillées sur les
arguments. Les constructions possibles du verbe sont données par la ligne
all-constructions. Ici, le verbe accompagner peut prendre les constructions N0 V N1 (forme canonique : Max accompagne Léa.) et N1 est Vpp W
(construction passive introduite par la préposition par : Léa est accompagnée
par Max.). Le dernier champ de l’entrée est un exemple qui illustre l’entrée
(ici Max accompagne Léa.).
LGLex est également disponible au format Lefff : LGLex-Lefff 8 9 (Sagot
et Tolone, 2009).
SynLex et LGLex ont rendu les informations disponibles dans le LexiqueGrammaire plus aisément exploitables par les applications de traitement automatique des langues. Toutefois, ces deux ressources n’ont pas encore atteint la couverture du Lexique-Grammaire et une certaine perte d’informations a été concédée lors de leur acquisition. Le tableau 3.2 fait la synthèse
de ces deux ressources lexicales.
8. http://infolingu.univ-mlv.fr/DonneesLinguistiques/
Lexiques-Grammaires/Visualisation.html
9. le Lefff est présenté à la section 3.4
29
Chapitre 3. Les ressources existantes pour le français
Ressource
Méthode de développement
Nombre de verbes
Utilisabilité en TAL
SynLex
à partir du LG
5 244
Exploitable
LGLex
à partir du LG
5694
Exploitable
Table 3.2 – Synthèse pour SynLex et LGLex
3.3
DicoValence
DicoValence (van den Eynde et Mertens, 2006) est un dictionnaire syntaxique construit manuellement dans le cadre méthodologique de l’Approche Pronominale (van den Eynde et Blanche-Benveniste, 1978). Il s’agit
du successeur du lexique PROTON, dictionnaire de valence des verbes français (comprenant 8 600 entrées pour 3 700 infinitifs) réalisé pendant la période 1986-1992 (van den Eynde et Mertens, 2003). Le lexique et un manuel
détaillé sont disponibles en ligne 10 .
DicoValence répertorie les schémas de sous-catégorisation (appelés
cadres valenciels dans DicoValence) de 3 738 verbes simples du français,
répartis en 8 313 entrées (c’est-à-dire couples verbe-schéma).
Les schémas comprennent le nombre et la nature des compléments valenciels du verbe avec leur fonction syntaxique. De plus, le dictionnaire fournit
certaines restrictions sélectionnelles, certaines formes de réalisation (pronominales, phrastiques) des termes, la possibilité d’employer le SSC à la forme
passive, et éventuellement des liens avec d’autres cadres du verbe.
Contrairement aux lexiques qui se veulent indépendants des théories
linguistiques, DicoValence s’appuie sur l’Approche Pronominale (van den
Eynde et Blanche-Benveniste, 1978). Cette approche repose sur l’hypothèse
que les pronoms révèlent des différences au sein de constructions de surface
en apparence comparables. Ainsi, je donne un livre à Jean se pronominalise
en je lui donne un livre (et non en *je donne un livre à lui) tandis que je pense à
Marie se pronominalise en je pense à elle (et non en *je lui pense), d’où la différence de statut entre les compléments en « à » révélée par leurs propriétés
de pronominalisation. De plus, les pronoms constituent des « éléments de
référence minimale » : ils forment un ensemble fermé, ce qui permet de limiter le nombre de combinaisons possibles sur lesquelles porter un jugement
pour établir la valence d’un prédicat.
Ainsi, la représentation des informations de sous-catégorisation dans DicoValence a les propriétés suivantes :
– Pour chaque place de valence (ou « paradigme »), le dictionnaire précise le paradigme de pronoms qui y est associé (c’est-à-dire l’ensemble
des pronoms possibles dans une position argumentale donnée) et qui
couvre leurs lexicalisations possibles « en intension » (c’est-à-dire les
formes non pronominales possibles pour cet argument) ;
– la délimitation d’un cadre de valence (appelée « formulation ») repose
sur la configuration des paradigmes pronominaux, mais également sur
les autres propriétés de construction associées à cette configuration
(forme passive, etc.).
10. http ://bach.arts.kuleuven.be/dicovalence/
30
3.3. DicoValence
P0
P1
P2
P3
PL
PL_PR
PPL_DEV
PDL
PDL_PR
PM
PM_PR
PMi
PT
PT_PR
PQ
PQ_PR
PP
PP_PR
AE
PX
correspond grosso modo au sujet de la grammaire scolaire
correspond grosso modo à l’objet direct de la grammaire scolaire
correspond grosso modo à l’objet indirect de la grammaire
scolaire ;
les formes non clitiques présentent la préposition à
correspond grosso modo à l’objet indirect de la grammaire
scolaire ;
les formes non clitiques présentent la préposition de ou à
paradigme locatif
préposition(s) fixe(s) ou prototypiques du paradigme PL
réalisation du locatif : paradigme de pronoms pour une
préposition donnée
paradigme délocatif
préposition(s) fixe(s) du paradigme PDL (de, à partir de, depuis)
paradigme de manière
préposition(s) fixe(s) du paradigme PM
paradigme de manière « interne » (mes efforts se sont avérés
inutiles)
paradigme de temps
préposition(s) fixe(s) du paradigme PT
paradigme de quantité
préposition(s) fixe(s) du paradigme PQ
paradigme prépositionnel
préposition(s) fixe(s) du paradigme PP)
adjoint évaluatif (un vêtement qui tombe bien)
paradigme sans proportionalité (on l’a élu président)
Table 3.3 – Paradigmes valenciels utilisés dans DicoValence (source : manuel d’utilisation
de DicoValence)
Le tableau 3.3 présente la liste des différents paradigmes valenciels utilisés dans DicoValence 11 .
Un exemple d’entrée de DicoValence pour le verbe accompagner est donné
dans la figure 3.3. Cette entrée (l’entrée 990 de DicoValence) correspond au
cadre P0 P1 (PL) pour le verbe accompagner (dans le sens de to accompany).
Ce SSC correspond à un emploi transitif éventuellement complété d’un complément de lieu (PL), comme par exemple dans Luc a accompagné Léa à Lyon.
Les champs P0, P1 et PL donnent les différentes pronominalisations possibles de chacun des arguments.
Les cadres de valence attribués au verbe accompagner sont donnés dans
le tableau 3.4.
Des traductions en anglais et néerlandais (champs TR_EN et TR_DU) permettent de distinguer des traductions différentes d’un même lemme verbal,
donc des sens différents : la traduction permet de repérer des entrées diffé11. Pour des informations sur les notions syntaxiques manipulées, nous renvoyons à l’ouvrage de référence « Pronom et syntaxe » (Blanche-Benveniste et al., 1984) ou à la synthèse
dans (van den Eynde et Mertens, 2003), et aux études citées dans ces publications.
31
Chapitre 3. Les ressources existantes pour le français
VAL$ accompagner: P0 P1 (PL)
VTYPE$ predicator simple
VERB$ ACCOMPAGNER/accompagner
NUM$ 990
EG$ ils l’ont accompagné à sa maison
TR_DU$ begeleiden, vergezellen, meegaan (met),
(weg)brengen
TR_EN$ accompany (to)
P0$ qui, je, nous, elle, il, ils, on, celui-ci,
ceux-ci
P1$ qui, te, vous, la, le, les, se réc., en Q,
celui-ci, ceux-ci, l’un l’autre
PL$ 0, où, y, là, ici, là-bas
RP$ passif être, se faire passif
Figure 3.3 – Entrée 990 de DicoValence
Id.
990
1000
Verbe
accompagner
accompagner
Cadre
P0 P1 (PL)
P0 P1 P3
1010
accompagner
P0 P1
1020
accompagner
P0 P1 P2
1030
accompagner
P0 P1
1040
s’accompagner
P0 P3
Exemple
ils l’ont accompagné à sa maison
elle m’a demandé d’accompagner le
plat de beaucoup de légumes
une sauce piquante accompagne tous
les plats
un petit orchestre accompagnait le
chanteur
les événements forts de la jeunesse
vous accompagnent jusqu’à la mort
une
éruption
volcanique
s’accompagne-t-elle d’un tremblement de terre ?
Table 3.4 – Cadres de valence pour le verbe accompagner
32
3.4. Le Lefff
Ressource
Méthode de développement
Nombre de verbes
Utilisabilité en TAL
Divers
DicoValence
Manuelle
3 738
Nécessite une transformation de format
Basé sur l’Approche Pronominale
Table 3.5 – Synthèse pour DicoValence
rentes, dans la mesure où la notion d’entrée est aussi fondée sur la sémantique du verbe.
Par exemple, les entrées 1010 et 1030 semblent correspondre au même
cadre mais concernent des sens différents du verbe accompagner. L’argument
P1 se pronominalise en vous pour l’entrée 1030 (5a) mais pas pour l’entrée
1010 (5b) et il se pronominalise en ceci pour l’entrée 1010 (6a) mais pas pour
l’entrée 1030 (6b) :
(5a) les événements forts de la jeunesse vous accompagnent jusqu’à la mort
(5b) * une sauce piquante vous accompagne
(6a) une sauce piquante accompagne ceci
(6b) * les événements forts de la jeunesse accompagnent ceci jusqu’à la
mort
Ces différences de pronominalisation permettent de distinguer ces deux
cas, ce qui souligne l’intérêt de l’approche pronominale.
Le tableau 3.5 résume les informations concernant DicoValence. DicoValence est l’une des ressources syntaxiques les plus complètes et précises
concernant les verbes les plus courants du français. Si le socle théorique que
constitue l’Approche Pronominale permet au dictionnaire d’être cohérent
et robuste, le format particulier de la ressource qui résulte de cette théorie
rend son utilisation difficile. En effet, certains éléments cruciaux ne sont pas
formalisés explicitement ou pas systématiquement (de nombreuses infinitives introduites par à ou de sont justes mentionnées en tant que paradigme
P2 ou P3 (complément introduit par à ou de) et il faut lire la ligne P2 ou
P3 de l’entrée pour savoir que le complément peut être une infinitive), et
des transformations de format délicates sont nécessaires. Toutefois, de telles
transformations peuvent faire baisser la précision de la ressource et induire
des pertes d’informations. De plus, DicoValence ne contient qu’un nombre
très limité d’informations sémantiques sur le verbe et ses arguments.
3.4
Le Lefff
Le Lefff (Lexique des Formes Fléchies du Français) est un lexique morphologique et syntaxique à large couverture, disponible sous licence libre
LGPL-LR 12 (Sagot et al., 2006; Sagot, 2010).
Les informations morphologiques et syntaxiques contenues dans le Lefff
résultent de divers travaux :
12. http://alpage.inria.fr/~sagot/lefff.html
33
Chapitre 3. Les ressources existantes pour le français
Ressource
Méthode de développement
Nombre de verbes
Utilisabilité en TAL
Divers
Lefff
Mixte
6 825
Exploitable
Fusion de ressources
(Lexique-Grammaire, DicoValence, ...)
Table 3.6 – Synthèse pour le Lefff
– acquisition automatique (avec validation manuelle) à l’aide de techniques statistiques appliquées sur des corpus bruts (Clément et al.,
2004) ;
– acquisition automatique (avec validation manuelle) d’informations
syntaxiques (Sagot, 2006) ;
– correction et ajout manuel ou guidé par des techniques automatiques
(Sagot et de La Clergerie, 2006) ;
– ajout d’informations contenues dans d’autres ressources, notamment
le Lexique-Grammaire et DicoValence (Sagot et Danlos, 2006; Danlos
et Sagot, 2008; Sagot et Tolone, 2009).
Des classes de verbes partageant les mêmes schémas ont été construites
semi-automatiquement et ont été validées manuellement. Les schémas ont
ensuite été projetés sur l’ensemble des verbes partageant la même classe. Le
lexique comprend dans sa version actuelle 6 825 lemmes verbaux.
La figure 3.4 est un extrait du Lefff relatif aux informations de souscatégorisation pour le verbe accompagner. Le SSC de la troisième entrée présentée ci-dessus est : <Suj:cln|sn, Obj:(cla|seréc|sn),
Loc:(y|loc-sn)>. Il s’agit d’un schéma à trois compléments dont le premier est le sujet (qui peut être clitique nominal ou syntagme nominal), le
deuxième est l’objet (qui peut être un clitique accusatif, un se récursif ou
un syntagme nominal) et un complément locatif (le pronom y ou syntagme
nominal locatif). Cette entrée correspond à l’entrée 990 de DicoValence dont
l’exemple est ils l’ont accompagné à sa maison.
Le tableau 3.6 synthétise les informations disponibles à propos du Lefff.
Le Lefff est de plus en plus un lexique constitué par la fusion de dictionnaires existants. Le format du lexique le rend exploitable par des applications de TAL (une étude a montré qu’il pouvait être utilisé par un analyseur
syntaxique (Sagot et Tolone, 2009)).
3.5
D’autres dictionnaires électroniques pour le français
Nous présentons désormais plus succintement des dictionnaires syntaxiques qui ne sont pas disponibles ou qui sont plus difficilement utilisables
que les lexiques présentés jusqu’ici.
3.5.1 Le dictionnaire syntaxique des Verbes Français
Le dictionnaire syntaxique des Verbes Français créé par Dubois et
Dubois-Charlier (1997) est une classification sémantico-syntaxique des
34
3.5. D’autres dictionnaires électroniques pour le français
accompagner
v-er:std
100;Lemma;v;<Suj:cln|sinf|sn,Obj:(cla|sn)>;cat=v;
%actif,%passif,%ppp_employé_comme_adj
# D__1030 L__1 M__1 --- DVex:
les événements forts de la jeunesse vous accompagnent jusqu’à
la mort
accompagner
v-er:std
100;Lemma;v;<Suj:cln|sn,Obj:(cla|sn)>;cat=v;
%actif,%passif,%ppp_employé_comme_adj,%se_moyen
# D__1010 L__1 M__1 --- DVex:
une sauce piquante accompagne tous les plats
accompagner
v-er:std
100;Lemma;v;<Suj:cln|sn,Obj:(cla|seréc|sn),Loc:(y|loc-sn)>;cat=v;
%actif,%passif,%ppp_employé_comme_adj
# D__990 L__1 M__1 --- DVex:
ils l’ont accompagné à sa maison
accompagner
v-er:std
100;Lemma;v;<Suj:cln|sn,Obj:cla|sn,Objde:en|de-sn>;cat=v;
%actif,%passif,%ppp_employé_comme_adj,%se_moyen
# D__1000 M__1 --- DVex:
elle m’a demandé d’accompagner le plat de beaucoup de légumes
accompagner
v-er:std
100;s’Lemma;v;<Suj:cln|sn,Objde:en|de-sn>;@pron,cat=v;
%actif
# D__1040 --- DVex:
une éruption volcanique s’accompagne-t-elle d’un tremblement
de terre?
accompagner
v-er:std
100;Lemma;v;<Suj:cln|sn,Obj:cla|seréc|sn|seréfl,Objà:y|à-sn>;cat=v;
%actif,%passif,%ppp_employé_comme_adj
# D__1020 M__1 --- DVex:
un petit orchestre accompagnait le chanteur
Figure 3.4 – Entrées du Lefff correspondant au verbe accompagner
35
Chapitre 3. Les ressources existantes pour le français
verbes manuellement construite par ces deux linguistes, dont les principes
sont proches de ceux du Lexique-Grammaire. On compte dans ce dictionnaire 12 130 verbes et 25 610 entrées (chaque entrée correspond à un couple
verbe - schéma de sous-catégorisation). La ressource est disponible sur le
site internet du laboratoire MoDyCo 13 .
Toutefois, le dictionnaire est difficilement exploitable en l’état par des
applications de TAL, notamment en raison de son format.
3.5.2 LexValf
Le projet LexValf, développé à l’Université de Provence, a comme objectif la construction d’un dictionnaire de valence verbale pour le français 14
(Gala et Valli, 2005; Salkoff et Valli, 2005). À chaque entrée sont associés un
ensemble de restrictions lexicales et grammaticales et des indices sur la fréquence d’usage tirée d’informations issues du Web. Les principes de base
sont ceux de grammaire en chaîne (Salkoff, 1979). Un accent important est
mis sur la formalisation des données (le lexique ayant vocation à être utilisé
par des applications de TAL). Le dictionnaire comprend les entrées de 975
verbes parmi les plus fréquemment utilisés du français. L’objectif du projet à
terme est de réunir les entrées de plus de 6 000 verbes. Étant donné l’ampleur
de la tâche, les constructions à verbe support, les constructions verbales figées et les collocations sont exclues du lexique. Diverses ressources sont
utilisées pour constituer LexValf : le Lexique-Grammaire (Gross, 1975), des
dictionnaires usuels (Grand Robert, Petit Robert ou le Trésor de la Langue
Française) ou encore Les Verbes Français (Dubois et Dubois-Charlier, 1997).
Ce lexique n’est pas disponible pour l’instant 15 .
3.5.3 Trésor de la Langue Française informatisé
Le Trésor de la Langue Française informatisé (TLFI) est la version informatisée du Trésor de la Langue Française (Dendien et Pierrel, 2003). Il
s’agit du plus grand dictionnaire de langue française en 16 volumes réalisé
par l’Institut National de la Langue Française (INaLF) entre le début des
années 1960 et le milieu des années 1990. Initialement conçu pour être édité
uniquement sous forme papier, ce dictionnaire est désormais diffusé sur Internet. Même si cette ressource est parfois employée comme un dictionnaire
électronique, il s’agit en fait de la version informatisée d’un dictionnaire
papier. En conséquence, la description linguistique n’est ni complètement
systématique, ni complètement formalisée. En outre, le TLFI comporte des
informations syntaxiques limitées qui sont difficilement exploitables dans
leur structuration actuelle.
13. http://www.modyco.fr/index.php?option=com_content&view=
article&id=1756&Itemid=19
14. http://www.lif.univ-mrs.fr/IMG/html/LEXVALF.html
15. Une interface de consultation du lexique en ligne est protégée par mot de passe.
36
3.6. TreeLex, un lexique de sous-catégorisation acquis à partir d’un corpus arboré
Fonction
SUJ
OBJ
DE-OBJ
A-OBJ
P-OBJ
ATO
ATS
Catégories
NP, VPinf, Ssub, VN
NP, AP, VPinf, VN, Sint, Ssub
VPinf, PP, Ssub, VN
VPinf, PP, VN
PP, AdP, VN, NP
Srel, PP, AP, NP, VPpart, VPinf, Ssub
NP, PP, AP, AdP, VPinf, Ssub, VPpart, Sint, VN
Table 3.7 – Fonctions et catégories utilisées dans TreeLex
3.6
TreeLex, un lexique de sous-catégorisation acquis à
partir d’un corpus arboré
Depuis le début des années 2000, une autre approche de constitution de
ressources lexicales a été explorée. Des travaux d’acquisition automatique à
partir de corpus arborés ont été réalisés pour diverses langues (Sarkar et Zeman, 2000; Marinov, 2004; O’Donovan et al., 2005). Ceux-ci reposent sur des
corpus arborés, c’est-à-dire des corpus annotés syntaxiquement à la main ou
dont l’analyse a été validée par des linguistes. Le système parcourt les arbres
syntaxiques et extrait les arguments des verbes pour associer ces constructions à des SSC. Étant donné l’importance du travail manuel requis dans ce
type de travaux, nous préférons présenter ces travaux dans ce chapitre plutôt
que dans le chapitre suivant, consacré aux techniques d’acquisition à partir
de corpus bruts.
Une étude de ce type a été réalisée récemment sur le français par Anna
Kupść (Kupść et Abeillé, 2008b). TreeLex (Kupść, 2007; Kupść et Abeillé,
2008a) est un lexique de sous-catégorisation verbale pour le français contemporain extrait automatiquement du corpus arboré de Paris 7 (Abeillé et al.,
2003). Le corpus arboré du français est composé d’extraits d’articles du journal Le Monde et contient un million de mots. Il a été annoté par 14 catégories
lexicales et 12 types de syntagmes. Le système d’acquisition n’exploite que la
partie du corpus qui contient les informations fonctionnelles (15000 phrases,
soit environ 300 000 mots). La première étape de l’acquisition consiste à parcourir les arbres et à en extraire les schémas. Les formes actives et passives
sont normalisées (les formes passives sont passées à la forme active) et les
éléments des schémas sont ordonnés.
Cette méthode a permis d’extraire TreeLex, un lexique de souscatégorisation pour environ 2 000 lemmes verbaux et 180 SSC (moyenne
de 2,09 schémas par lemme).
Les étiquettes utilisées pour les éléments des SSC sont approximativement les mêmes que celles du corpus arboré de Paris 7. Le tableau 3.7 fait
l’inventaire des différentes fonctions et catégories reconnues dans TreeLex.
La figure 3.5 regroupe les informations contenues dans TreeLex pour le
verbe accompagner. On retrouve les principales constructions du verbe accompagner illustrées par les phrases suivantes :
(7a) SUJ:NP, OBJ:NP : Léa accompagne Luc.
37
Chapitre 3. Les ressources existantes pour le français
===accompagner (frames: 4; all verbs: 28)
SUJ:NP, OBJ:NP (13)
SUJ:NP, OBJ:NP, DE-OBJ:PP (7)
SUJ:NP, DE-OBJ:PP, refl:CL (7)
SUJ:NP, P-OBJ:PP, refl:CL (1)
Figure 3.5 – Entrées de TreeLex pour le verbe accompagner
(7b) SUJ:NP, OBJ:NP, DE-OBJ:PP : Pierre accompagne son fromage
de vin.
(7c) SUJ:NP, DE-OBJ:PP, refl:CL : La hausse de l’activité s’accompagne d’une hausse des valeurs.
(7d) SUJ:NP, P-OBJ:PP, refl:CL : Une fois cuit le pinon est servi
chaud et s’accompagne avec le reste de la sauce tomate.
Récemment, les schémas de sous-catégorisation des adjectifs prédicatifs
ont été ajoutés à TreeLex (27 schémas différents pour 271 adjectifs) (Kupść,
2008).
TreeLex est une ressource disponible pour le français 16 qui a l’avantage
d’avoir un format assez standard. Néanmoins, la ressource souffre de la taille
du corpus d’acquisition ce qui a pour conséquence la non exhaustivité du
lexique. De plus, l’expérience est assez peu reproductible pour des langues
de spécialité étant donné les contraintes liées à l’établissement de corpus
arborés de taille suffisante pour divers domaines.
Le principal avantage des méthodes d’acquisition à partir de corpus arborés est qu’elles s’appuient sur des données peu bruitées, ce qui permet
d’obtenir des résultats plutôt satisfaisants en termes de précision. En outre,
la distinction argument/modifieur est spécifiée dans les annotations du corpus (par exemple, dans TreeLex, il existe une fonction MOD pour les modifieurs). Le problème de la distinction argument/modifieur n’a donc pas la
même ampleur pour les systèmes d’acquisition à partir de corpus arboré que
pour les systèmes d’acquisition automatique à partir de corpus brut.
Ce travail préalable garantit donc la qualité des annotations contenues
dans le lexique et donc des informations acquises à partir de ces annotations. Cependant, même si l’on peut aussi parler d’acquisition dans ce cas,
il s’agit en fait d’une approche très différente des expériences d’acquisition
automatique à partir de corpus brut. Les corpus arborés sont excessivement
rares : la méthode est donc peu portable et ne permet pas de traiter du corpus « tout venant ». En effet, les corpus arborés sont des corpus annotés à
la main ou au moins dont l’analyse syntaxique a été validée manuellement.
Toute nouvelle étude demande d’annoter un nouveau corpus à la main, ce
qui est long et coûteux. Ces méthodes se distinguent donc des travaux d’acquisition automatique à partir de corpus brut parce qu’elles requièrent un
important travail manuel pour constituer le corpus, ce qui les rend peu reproductibles. De plus, le format du corpus arboré est rigide et dépend le
plus souvent de la théorie qui sous-tend son annotation. Enfin, la taille limitée des corpus arborés peut poser des problèmes quant à la qualité du
16. Les différentes version de TreeLex sont disponibles sur le web : http://erssab.
u-bordeaux3.fr/spip.php?article150.
38
3.7. Conclusion
Ressource
Méthode de développement
Nombre de verbes
Utilisabilité en TAL
Divers
TreeLex
Acquis à partir d’un corpus arboré
2 000
Exploitable
Corpus arboré de Paris 7
Table 3.8 – Synthèse pour TreeLex
rappel obtenue par les méthodes décrites ci-dessus : il y a naturellement une
plus grande probabilité qu’une construction soit manquante dans un corpus
d’un million de mots que dans un corpus de 200 millions de mots). La comparaison de notre approche avec TreeLex dans le chapitre 6.2 vérifiera cette
intuition.
Il convient donc de distinguer l’acquisition à partir de corpus arboré de
l’acquisition à partir de corpus brut : l’acquisition à partir de corpus arborés
permet d’obtenir des ressources d’une certaine précision le plus souvent
au détriment du rappel. Le principal avantage des systèmes d’acquisition à
partir de corpus brut sur ces méthodes est qu’ils permettent de faire émerger
de nouveaux comportements de la langue, en fonction du type de corpus ou
du domaine étudié (voir section ??).
Le tableau 3.8 résume les informations disponibles à propos de TreeLex.
3.7
Conclusion
Nous avons vu qu’il existe aujourd’hui de nombreux lexiques contenant
des informations de sous-catégorisation pour le français. Ces ressources sont
très hétérogènes, tant au niveau de leur format que de leur couverture ou
des informations qu’elles contiennent (nombre de verbes et de schémas, caractéristiques des schémas, etc.).
Ces lexiques ont été construits manuellement ou semi-automatiquement.
Depuis les années 90, d’autres ressources ont été acquises par des méthodes
d’acquisition automatique. Le chapitre suivant présente les méthodes d’acquisition automatique de ressources de sous-catégorisation à partir de corpus.
39
Les méthodes d’acquisition
automatique de schémas de
sous-catégorisation
L
a construction de dictionnaires de sous-catégorisation de verbes a été
l’objet de nombreux travaux. Ce phénomène est particulièrement vrai
pour le français, comme en témoigne la variété des lexiques présentés dans
le chapitre précédent. Certains de ces lexiques ont été créés avant l’essor
de l’informatique et leur format n’est pas adapté aux applications de TAL.
Or, le développement du domaine du traitement automatique des langues a
rendu de plus en plus nécessaire la disponibilité de lexiques utilisables par
les machines.
Les travaux en TAL concernent souvent des sous-domaines ou des corpus de spécialité. Ils nécessitent donc des ressources adaptées à ces domaines. L’adaptation « à la main» des ressources existantes à un domaine
particulier requiert un travail long et fastidieux alors qu’un système d’acquisition automatique à partir de corpus brut pourra facilement s’adapter
(moyennant la disponibilité d’un corpus pour le domaine et des modifications mineures du système, voir la section ?? pour plus de détails sur ce sujet). De plus, les applications de traitement automatique des langues peuvent
tirer profit d’informations souvent absentes des dictionnaires construits à la
main mais qui peuvent être extraites à partir de corpus (par exemple, la fréquence des entrées ou les têtes lexicales des arguments). Enfin, les moyens
techniques (performances des ordinateurs, disponibilité des corpus, outils
de traitement automatique de la langue, etc.) ont permis d’envisager l’acquisition automatique de lexiques à partir de textes.
Pour toutes ces raisons, les chercheurs en TAL ont tenté d’acquérir automatiquement des informations lexicales à partir de corpus bruts depuis
le début des années 1990. Depuis, de nombreuses expériences d’acquisition
automatique à partir de corpus brut ont été réalisées sur de nombreuses
langues (anglais, allemand, tchèque, grec, italien, français, etc.). Ce chapitre
présente les principales expériences réalisées. Pour chacun de ces travaux,
nous donnons, lorsque cela est possible, un tableau récapitulatif des résultats obtenus. Toutefois, ces résultats sont à considérer avec prudence : ils
peuvent varier considérablement selon la granularité des informations obtenues ou la langue observée.
Après avoir donné un aperçu des mesures existantes de la performance
de ces systèmes, nous présentons un schéma global commun à la plupart des
41
4
Chapitre 4. Les méthodes d’acquisition automatique de schémas de sous-catégorisation
méthodes d’acquisition automatique de SSC à partir de corpus. Nous faisons
ensuite un état de l’art des premiers travaux réalisés dans le domaine au
début des années 90, des travaux réalisés ensuite sur une plus large échelle
et des travaux d’acquisition pour le français. Le chapitre se conclut par une
synthèse des travaux présentés.
42
4.1. Méthodes d’évaluation de ressources lexicales
4.1
Méthodes d’évaluation de ressources lexicales
L’acquisition de ressource à partir de corpus est évidemment indissociable des mesures de performance, dans la mesure où les méthodes utilisées n’acquièrent pas des ressources parfaites. L’évaluation doit permettre
de valider la qualité intrinsèque des systèmes et leur utilité pour une tâche
donnée. Dans la plupart des cas, on évalue les méthodes d’acquisition en
mesurant la qualité des informations qu’elles acquièrent (c’est-à-dire des ressources obtenues par l’utilisation de ces techniques). Les ressources lexicales
peuvent être évaluées de plusieurs manières. Nous distinguons tout d’abord
l’évaluation intrinsèque de l’évaluation extrinsèque puis l’évaluation quantitative de l’évaluation qualitative. La section se termine par une discussion
sur les limites des différentes méthodes décrites.
4.1.1 Évaluation intrinsèque et évaluation extrinsèque
En ce qui concerne l’évaluation de ressources, Karen Sparck-Jones et Julia
R. Gallier distinguent l’évaluation intrinsèque de l’évaluation extrinsèque
(Sparck-Jones et Galliers, 1996). La première consiste à évaluer la ressource
en elle même tandis que la deuxième consiste à intégrer cette ressource dans
une application pratique et à mesurer son apport à cette tâche.
Évaluation intrinsèque
L’évaluation intrinsèque d’une ressource cherche à montrer si une ressource est correcte « en elle-même ». Pour ce faire, elle examine les informations contenues dans la ressource et évalue leur qualité, soit en les comparant
aux informations contenues dans d’autres ressources, soit par introspection.
On peut distinguer deux types d’évaluation intrinsèque : l’évaluation
quantitative, qui mesure la qualité de la ressource à l’aide d’outils mathématiques, et l’évaluation qualitative, qui se consacre à une évaluation plus fine
des résultats obtenus. Ces deux types d’évaluation sont détaillées plus loin
(sections 4.1.2 et 4.1.3).
Évaluation extrinsèque
L’évaluation extrinsèque d’une ressource consiste à montrer qu’une ressource améliore les performances des applications qui en feront usage.
Pour ce faire, on compare les résultats obtenus pour une tâche donnée
avec et sans l’exploitation de la ressource. Par exemple, pour ce qui concerne
un lexique de sous-catégorisation, on peut considérer une tâche d’analyse
syntaxique et comparer les performances obtenues pour un même système
dans le cas où il n’utilise pas de ressource et dans le cas où il utilise le lexique
que nous cherchons à évaluer (on peut aussi comparer les performances
lorsque le système utilise une autre ressource).
Ce type d’évaluation n’est pas facile à mettre en oeuvre. Il suppose en effet de disposer d’un système susceptible d’exploiter les informations disponibles dans la ressource évaluée. En outre, il suppose que l’on ait un moyen
fiable d’évaluer les performances de ce système (ce qui peut reposer la question du gold standard (cf section 4.1.2)).
43
Chapitre 4. Les méthodes d’acquisition automatique de schémas de sous-catégorisation
Il est parfois plus important de mesurer l’apport d’une ressource par rapport à une tâche donnée, en particulier lorsque cette ressource est destinée à
n’être utilisée que pour une tâche précise.
4.1.2 Évaluation intrinsèque : évaluation quantitative
Pour l’évaluation quantitative des ressources, on utilise un gold standard,
c’est-à-dire une ressource de référence. Cette référence peut être une ressource existante (pour que cette ressource puisse être considérée comme une
référence, il faut que sa qualité soit assurée par un certain travail « manuel » :
constitution de la ressource ou a minima, sa validation), la fusion de plusieurs
ressources ou encore elle peut être obtenue à partir de l’annotation manuelle
d’un corpus (ce qui permet, en utilisant un extrait du corpus d’acquisition,
d’évaluer les performances du système par rapport aux informations contenues dans le corpus).
Les principales mesures d’évaluation utilisées sont la précision, le rappel
et la F-mesure.
La précision mesure la proportion d’entrées (c’est-à-dire, pour notre
tâche, de couples verbe-SSC) correctes acquises par le système. Elle est mesurée en faisant le rapport entre le nombre de vrais positifs (c’est-à-dire
d’entrées présentes à la fois dans la ressource évaluée et dans la référence)
et la somme entre le nombre de vrais positifs et le nombre de faux positifs
(c’est-à-dire d’entrées présentes dans la ressource évaluée mais pas dans la
référence) :
Precision =
VP
VP+ FP
Le rappel mesure la proportion d’entrées retrouvées par le système. Il est
mesuré en faisant le rapport entre le nombre de vrais positifs et la somme
entre le nombre de vrais positifs et le nombre de vrais négatifs (c’est-à-dire
d’entrées présentes dans la référence mais pas dans la ressource évaluée) :
Rappel =
VP
VP+V N
La F-mesure est une mesure de la qualité globale du système, c’est-à-dire
de l’équilibre entre la précision et le rappel. Elle est mesurée par la formule
suivante :
F=
2∗ Precision∗ Rappel
Precision+ Rappel
Dans certains travaux, une autre mesure de rappel est calculée. Le token
recall est la proportion de vrais positifs parmi tous les exemples d’un corpus
annoté à la main. Cette mesure permet d’évaluer la méthode pour elle-même
et non la ressource acquise par son utilisation sur un corpus particulier. En
effet, lorsque l’on compare une ressource acquise automatiquement à une
référence, des entrées peuvent être absentes de la ressource acquise car elles
sont absentes (ou peu présentes) dans le corpus d’acquisition. Dans ce cas,
ce n’est pas la méthode d’acquisition qui produit des « erreurs ». Le score
de rappel est diminué par de tels cas alors que le token recall permet d’éviter
ce biais.
44
4.1. Méthodes d’évaluation de ressources lexicales
Ces quatre mesures sont utilisées pour mesurer les performances de tous
les travaux d’acquisition automatique de ressources lexicales. Pourtant, elles
ne sont pas toujours pertinentes pour évaluer des systèmes d’acquisition qui
n’ont pas l’ambition de concurrencer les dictionnaires acquis manuellement.
En outre, nous devons nous interroger sur le statut du gold standard avant
d’aller plus loin. En effet, il est difficile d’obtenir une ressource référence qui
soit parfaitement adaptée à l’évaluation.
Premièrement, les ressources construites manuellement ne sont pas toujours adaptées à un traitement automatisé (par exemple, même le LexiqueGrammaire, destiné à être utilisé de manière automatique, fait l’objet de
tentatives de normalisation pour le rendre plus utilisable par les systèmes
de traitement automatique (Gardent et al., 2006; Constant et Tolone, 2010)).
Deuxièmement, ces ressources requièrent parfois des transformations de formats coûteuses et/ou susceptibles d’induire des erreurs (c’est notamment le
cas de DicoValence). Troisièmement, certaines ressources ne sont pas totalement disponibles. Enfin, les informations disponibles dans ces ressources
ne sont pas toujours celles que l’on souhaite évaluer dans les ressources
acquises automatiquement (par exemple, les dictionnaires électroniques disposent très rarement d’informations sur la fréquence des entrées).
Le meilleur moyen de constituer une ressource référence est alors de
fusionner différents lexiques. Néanmoins, l’hétérogénéité des théories et des
formats qui sous-tendent les lexiques construits manuellement rend cette
tâche de normalisation ardue et coûteuse.
Il faut donc considérer avec prudence l’évaluation quantitative des ressources par le calcul de la précision, du rappel et de la F-mesure et s’intéresser également à une évaluation plus « qualitative » des lexiques.
4.1.3 Évaluation intrinsèque : évaluation qualitative
Pour évaluer la qualité d’une ressource, on peut également demander à
des évaluateurs humains d’examiner ses entrées et de vérifier qu’elles correspondent bien à des schémas de sous-catégorisation corrects. Pour faciliter
la tâche des évaluateurs, il est possible d’utiliser des lexiques existants ou
d’observer les usages en corpus afin de vérifier s’ils correspondent bien à
l’entrée concernée.
L’évaluation qualitative permet d’avoir une vision plus précise des erreurs contenues dans la ressource et de leur origine (par exemple, dans le
cas de l’acquisition automatique de schémas de sous-catégorisation : analyse syntaxique erronée, présence de modifieurs, erreur lors de l’acquisition,
etc.).
Le principal inconvénient de ce type d’évaluation est son coût, ce qui a
pour conséquence la grande difficulté à traiter « en largeur » les entrées du
lexique par cette approche.
4.1.4 Discussion
Nous venons de voir les principales techniques d’évaluation des systèmes d’acquisition automatique de ressources lexicales. Nous avons montré
plus en détail les avantages et les lacunes de ces méthodes d’évaluation dans
45
Chapitre 4. Les méthodes d’acquisition automatique de schémas de sous-catégorisation
Corpus
Identification des verbes en corpus brut
Identification des compléments des
verbes (constructions locales)
Association entre les constructions
locales et des SSC
Correction d'erreurs (filtrage, ...)
Lexique de sous-catégorisation
Figure 4.1 – Schéma global des méthodes d’acquisition automatique de schémas de souscatégorisation
notre article présenté à la conférence LREC en 2008 (Poibeau et Messiant,
2008).
Étant donné les problèmes liés aux différents types d’évaluation, il
nous semble important de mixer plusieurs types d’évaluation. On peut par
exemple combiner une évaluation quantitative « en largeur » (à condition de
disposer d’un gold standard d’une certaine qualité) et une évaluation qualitative, qui permet de juger plus « en profondeur » la qualité de la ressource.
4.2
Schéma global pour l’acquisition automatique de
schémas de sous-catégorisation
La plupart des travaux d’acquisition automatique de schémas de souscatégorisation suivent une même approche. En effet, ce processus d’acquisition nécessite des opérations identifiées et les différentes méthodes se distinguent selon l’importance donnée à telle ou telle étape ou selon la façon
dont ces opérations sont effectuées. La présentation de ce schéma global
permettra de nous concentrer sur les différences entre les travaux présentés
ensuite. Le schéma 4.1 donne un aperçu du modèle global décrit dans cette
section.
4.2.1 Étape 1 : identification des verbes en corpus
L’acquisition de SSC verbaux nécessite tout d’abord d’identifier les
verbes du corpus (avant le développement de lemmatiseurs efficaces, cette
46
4.2. Schéma global pour l’acquisition automatique de schémas de sous-catégorisation
étape n’était pas triviale et les stratégies de repérage utilisées pouvaient varier).
Par exemple, dans la phrase suivante, le système d’acquisition doit repérer les verbes affirmer et acheter :
Tout d’abord, j’affirme que la De Beers n’a jamais acheté de diamants à
l’Unita.
Deux verbes ont été repérés dans cette phrase : affirmer et acheter. On remarque déjà une première difficulté pour un système automatique : repérer
le verbe acheter alors que le verbe est conjugué au passé composé et qu’une
forme négative provoque l’insertion du mot jamais entre les deux composantes de la forme verbale a acheté.
Une fois les verbes identifiés, le système peut passer à la deuxième étape.
4.2.2 Étape 2 : identification des compléments
Il faut ensuite identifier localement les compléments du verbe, c’està-dire réaliser une analyse syntaxique de surface au moins partielle. La
méthode et les informations retenues (fonctions syntaxiques, catégories
morpho-syntaxiques, etc.) dépendent de l’approche et/ou de l’analyseur.
Annotons désormais les compléments d’affirmer entre crochets et ceux
d’acheter entre parenthèses dans l’exemple précédent :
Tout d’abord, [j]’affirme [que (la De Beers) n’a jamais acheté (de diamants) (à l’Unita)].
Le verbe affirmer a donc deux compléments : le pronom personnel je
(élidé en j’) et que la De Beers n’a jamais acheté de diamants à l’Unita tandis
que acheter prend trois compléments : la De Beers, de diamants et à l’Unita.
L’imbrication des éléments rend difficile l’analyse.
Maintenant que les verbes et leurs compléments sont identifiés, il faut
associer cette configuration locale à un SSC.
4.2.3 Étape 3 : association entre ces constructions locales et des schémas
de sous-catégorisation
Le verbe et ses compléments forment une structure argumentale qu’il
faut associer à un SSC.
Deux méthodes sont alors possibles :
– Faire correspondre la configuration locale à un SSC dans une liste de
schémas existants fournie au système ;
– Inférer un SSC à partir de la configuration locale.
La première méthode permet de se limiter à une liste de schémas en se
fondant sur les lexiques existants ou des théories syntaxiques. Elle a l’avantage de mieux traiter les ambiguïtés ou les exceptions pour réduire le nombre
de schémas erronés acquis par le système.
La deuxième méthode a l’avantage d’utiliser uniquement les informations disponibles dans le corpus et peut faire émerger des schémas nouveaux par rapport aux lexiques existants qui peuvent être incomplets. Elle
47
Chapitre 4. Les méthodes d’acquisition automatique de schémas de sous-catégorisation
n’introduit pas de biais lié à des choix effectués par les linguistes qui auraient constitué les lexiques dont serait issue la liste de SSC : les schémas qui
apparaissent dans la ressource sont les schémas présents dans le corpus.
À l’issue de cette étape, le système a associé des SSC aux configurations
identifiées plus haut pour notre exemple :
(1) Tout d’abord, [j]’affirme [que ...]. => [SUJ:SN, OBJ:COMPL]
(2) (la De Beers) n’a jamais acheté (de diamants) (à l’Unita). =>
[SUJ:SN, OBJ:SN, OBJ:SP(à)]
Le système associe donc une construction complétive [SUJ:SN,
OBJ:COMPL] à affirmer et une construction ditransitive [SUJ:SN,
OBJ:SN, OBJ:SP(à)] à acheter (soit en utilisant une liste de schémas
prédéfinie soit en inférant ces schémas à partir du corpus).
4.2.4 Étape 4 : correction d’erreurs
Certains des schémas acquis lors de l’étape précédente sont incorrects et
une correction des erreurs est nécessaire pour obtenir la meilleure ressource
possible. Il s’agit le plus souvent d’un filtrage des entrées incorrectes (c’està-dire d’une sélection parmi les hypothèses produites par l’étape 3) par des
méthodes statistiques mais d’autres solutions sont envisageables.
Nous avons présenté un modèle pour l’acquisition automatique de SSC à
partir de corpus. Il s’agit d’un schéma global qui permet d’identifier les
étapes nécessaires du processus d’acquisition mais les systèmes existants ne
suivent pas tous ce modèle « à la lettre » (par exemple, certaines étapes
sont parfois omises). Nous allons désormais développer un peu plus les
méthodes utilisées pour chacune des étapes nécessaires en parcourant chronologiquement le champ de l’acquisition automatique de SSC à partir de
corpus.
4.3
Les premiers travaux d’acquisition automatique de
SSC
Les analyseurs syntaxiques statistiques étaient initialement (au début des
années 1990) non lexicalisés, ce qui nuisait à leurs performances. Les concepteurs d’analyseurs ont alors remarqué que le repérage de régularités au niveau des corpus permettait d’acquérir automatiquement des informations
de type lexical à moindre coût, ce qui équivaut à un apprentissage endogène.
Depuis, avec l’amélioration des techniques statistiques et la plus grande
disponibilité de ressources lexicales, ceci est devenu moins nécessaire mais
la recherche a continué dans ce domaine afin de permettre l’acquisition de
SSC rares ou spécifiques à un domaine. C’est dans cette perspective que nous
nous situons.
Si les premiers travaux portaient sur un nombre réduit de verbes et de
schémas, la disponibilité d’outils et/ou de corpus a permis d’augmenter la
couverture de ces systèmes progressivement pour tendre vers l’exhaustivité.
48
4.3. Les premiers travaux d’acquisition automatique de SSC
NP only / SN seul
tensed clause / PropSub
infinitive
NP & clause / SN et PropSub
NP & infinitive / SN et SINF
NP & NP / SN et SN
greet (them).
hope (he’ll attend).
hope (to attend).
tell (him) (he’s a fool).
want (him) (to attend).
tell (him) (the story).
Table 4.1 – Liste des SSC reconnus par le système Lerner (cette liste est issue de (Brent,
1993))
4.3.1 Jeter les bases de l’acquisition automatique de SSC à partir de corpus
La première étude d’acquisition automatique de SSC à partir de corpus
dont il est fait état dans la littérature est celle de Michael R. Brent (Brent,
1991; 1993). Le but de cette étude est d’explorer l’acquisition d’informations
lexicales sur la syntaxe des verbes à partir d’un corpus brut et d’une analyse
de surface très partielle.
Le système développé par Brent (appellé Lerner) détecte six SSC simples
à partir d’un corpus de 2,6 millions de mots (voir tableau 4.1).
Pour reconnaître ces différents schémas dans le corpus, Lerner repose
sur des indices morpho-syntaxiques locaux plutôt que sur une analyse syntaxique complète. En effet, les applications d’analyse syntaxique étaient à
l’époque peu efficaces et coûteuses en ressources. Le système de Brent repose sur l’hypothèse qu’une analyse complète n’est pas nécessaire pour reconnaître les configurations qui correspondent à des SSC.
Cette première étude esquisse déjà les étapes que nous avons mises en
évidence dans la section précédente :
– Dans un premier temps, les mots susceptibles d’être des verbes sont
repérés dans le corpus (principalement en se basant sur le fait que le
mot apparaît avec et sans le suffixe -ing).
– La détection des SSC utilise une petite grammaire à états finis qui
se concentre sur un fragment de la langue anglaise. Cette grammaire
distingue trois types de compléments : les objets directs, les infinitifs
et les propositions subordonnées en se basant essentiellement sur des
informations de surface du type : « une séquence qui débute par that
the indique le début d’une proposition subordonnée » ou « si le mot
qui suit un verbe est un nom et qu’il n’est pas sujet d’un autre verbe,
il a de fortes chances d’être l’objet du verbe ». Dans la phrase I want to
tell him that the idea won’t fly., Lerner utilise le fait que le pronom him
ne prend presque jamais de proposition relative pour déterminer que
that the est probablement complément du verbe. De plus, une règle
permet au système de reconnaître ce complément comme étant une
proposition subordonnée (car il commence par that the). C’est donc le
schéma NP & clause / SN et proposition subordonnée qui
est attribué à la phrase.
– La méthode de sélection d’hypothèses utilisée est un filtrage basé sur
le test binomial (Kalbfleisch, 1985). Ce test permet de déterminer si
un verbe apparaît suffisamment fréquemment avec un SSC pour qu’on
associe ce SSC à ce verbe.
49
Chapitre 4. Les méthodes d’acquisition automatique de schémas de sous-catégorisation
En comparant les SSC acquis par leur système avec des schémas associés
manuellement à 33 verbes choisis au hasard parmi les 300 verbes les plus
courants du corpus, les auteurs obtiennent une précision globale de 86%
(83% si on exclut les schémas REST (qui correspondent à toutes les constructions qui ne font pas partie des 6 schémas reconnus par le système)).
Cette première étude a permis de poser des bases pour l’acquisition automatique de SSC. Elle a aussi mis en exergue les difficultés inhérentes à
la tâche comme la difficulté à traiter des erreurs et à trouver un équilibre
entre la précision et le rappel. Dès les débuts de l’acquisition automatique
de SSC, on remarque que les modèles statistiques utilisés ne suffisent pas à
traiter des erreurs dont la typologie est très variée. Ces difficultés conduisent
à faire des choix sur les informations que le système cherche à détecter et à
ignorer certains phénomènes de la langue pour obtenir une précision et un
temps de calcul satisfaisants plutôt que d’augmenter la couverture en faisant
chuter la précision. Par exemple, Brent fait le choix de privilégier la précision à la couverture et son système reconnaît seulement six SSC, ignorant les
compléments prépositionnels dont l’ambiguïté pose de nombreux problèmes
(tant du point de vue de la distinction argument/modifieur que du point de
vue de leur rattachement au bon élément dans la phrase). L’approche de
Brent qui repose sur des régularités grammaticales simples n’exploite pas
une grande quantité d’informations contenues dans le corpus.
Toutefois, ces limites s’expliquent par la nature exploratoire de cette
étude. Ce travail pionnier constitue le socle sur lequel vont se baser la plupart des travaux d’acquisition automatique de SSC à partir de corpus brut.
4.3.2 Mieux exploiter les corpus en les étiquetant a priori
Suite aux travaux de Brent, d’autres chercheurs (Ushioda et al., 1993;
Manning, 1993) ont tenté d’acquérir des SSC à partir de corpus. Dans ces
travaux, les données d’entrée sont découpées en syntagmes par un analyseur
partiel à états finis en amont de l’acquisition à proprement parler. Ce type
d’analyse facilite le repérage du verbe et de ses compléments.
Notons que l’analyseur syntaxique utilisé pour ce type de travaux doit
être non lexicalisé ou qu’il ne doit en tous cas pas disposer d’informations
de type « SSC ». En effet, l’acquisition de SSC sur les sorties d’un analyseur
lexicalisé ne consisterait qu’à acquérir des informations en grande partie déjà
disponibles dans l’analyseur.
Akira Ushioda et al. (1993) utilisent un corpus journalistique (composé
d’articles du Wall Street Journal) lexicalement étiqueté et un analyseur de
syntagmes nominaux à états finis pour reconnaître les six SSC reconnus par
Brent (voir tableau 4.1). Des régles d’extraction basées sur des expressions
régulières sont ensuite utilisées pour générer des hypothèses. Un jeu de patrons d’erreurs extrait d’un corpus d’entrainement par apprentissage permet
de reconnaître les erreurs types pour filtrer ces hypothèses. L’apport principal de cette étude est l’acquisition des fréquences relatives des SSC pour
un verbe donné en corpus, qui sont obtenues en faisant le rapport entre
le nombre d’occurrences de la combinaison SSC-verbe et le nombre d’occurrences du verbe. Ceci est utile car une telle information est exploitée par
50
4.4. Acquisition de SSC à large échelle
certaines applications de TAL (par exemple, des analyseurs syntaxiques probabilistes).
L’algorithme d’acquisition de (Manning, 1993) prend en entrée un corpus
de 4 millions de mots traité par un étiqueteur de parties du discours. Dans
un premier temps, un analyseur syntaxique à états finis basé sur l’ordre des
mots en anglais parcourt ce corpus. Il détecte les compléments des verbes
ainsi que des statistiques sur l’apparition des verbes dans divers contextes.
Ces statistiques permettent ensuite de filtrer les sorties de l’analyseur par un
test binomial et d’associer les verbes à des SSC (parmi une liste prédéfinie
de 19 schémas). Cette méthode a permis d’acquérir un dictionnaire de près
de 5000 entrées pour plus de 3000 verbes mais qui ne comprend pas d’informations sur la fréquence des arguments dans le corpus. Contrairement aux
travaux présentés précédemment, cette méthode cherche à acquérir des SSC
contenant des compléments prépositionnels. Manning est donc confronté au
problème de la distinction argument/modifieur. Son analyseur de surface
ne faisant pas de distinction entre arguments et modifieurs, la solution
choisie est de chercher à éliminer les schémas lors de l’étape de filtrage. Il
est en effet difficile d’intégrer les critères définis par les linguistes au sein
de systèmes de traitement automatique et on peut faire l’hypothèse que les
schémas contenant des modifieurs seront moins fréquents en corpus que
ceux qui n’en contiennent pas (en raison du caractère optionnel des modifieurs, voir section 2.3.2). Depuis plus de quinze ans, la solution choisie par
Manning reste la principale réponse apportée au problème de la distinction
argument/modifieur dans les systèmes d’acquisition automatique.
Pour évaluer ce système, Manning a sélectionné au hasard 40 verbes
parmi 2 000 verbes courants. La comparaison des SSC acquis avec les schémas présents dans le dictionnaire OALD donne un taux de précision de 90%
et un rappel de 43%.
Les apports des approches présentées ci-dessus sont considérables par
rapport à la méthode de Brent. L’utilisation d’une étape de segmentation en
syntagmes (chunking) permet de mieux exploiter les informations contenues
dans le corpus en produisant un plus grand nombre d’hypothèses en amont
de l’étape de filtrage. De plus, ces techniques ont permis de s’attaquer à
des problèmes importants en acquisition automatique, comme la distinction
argument/modifieur et l’extraction d’informations de fréquence des SSC.
Néanmoins, ces méthodes ne permettent pas encore d’acquérir des SSC à
une large échelle et se limitent au mieux à quelques dizaines de schémas.
4.4
Acquisition de SSC à large échelle
Le développement d’outils de TAL comme les étiqueteurs morphosyntaxiques ou les analyseurs syntaxiques plus complets et la disponibilité
de corpus de taille plus conséquente ont permis d’envisager l’acquisition de
SSC à une plus large échelle. C’est notamment le cas des travaux menés à
Cambridge depuis le milieu des années 90 (Briscoe et Carroll, 1997; Korhonen et al., 2000; Korhonen, 2000; 2002; Korhonen et al., 2006; Preiss et al.,
2007).
51
Chapitre 4. Les méthodes d’acquisition automatique de schémas de sous-catégorisation
Le système d’acquisition de (Briscoe et Carroll, 1997) réalise les traitements correspondant aux quatre étapes de l’acquisition sur les phrases du
corpus d’entrée 1 :
1. Identification des verbes en corpus : Un étiqueteur étiquette la phrase en
parties du discours et un lemmatiseur remplace les paires mot-étiquette
par des paires lemme-étiquette en fonction des parties du discours associées aux éléments par l’étiqueteur ;
2. Identification des compléments et des constructions locales : un analyseur syntaxique probabiliste non lexicalisé (RASP (Robust Accurate Statistical Parsing)), entrainé sur un corpus arboré, produit des analyses
syntaxiques (hierarchisées) en constituants pour chaque phrase (Carroll et Briscoe, 1996). Ensuite, un extracteur de patrons extrait des patrons
de sous-catégorisation (c’est-à-dire des constructions locales), incluant
les catégories syntaxiques et les lemmes des têtes des constituants, à
partir des analyses syntaxiques de chaque phrase ;
3. Association entre ces patrons de sous-catégorisation locaux et des SSC :
un classifieur de patrons assigne des SSC aux patrons extraits ou les déclare inclassifiables en se basant sur les caractéristiques des catégories
syntaxiques et des lemmes des têtes des constituants. Le système utilise une liste de schémas constituée en combinant des dictionnaires de
sous-catégorisation existants pour l’anglais (ANLT et COMLEX). Nous
avons déjà évoqué le fait qu’une telle liste peut augmenter la précision
du système mais qu’elle risque de réduire son rappel en ne lui permettant pas d’acquérir des informations présentes dans le corpus mais
absentes des dictionnaires utilisés pour constituer la liste ;
4. Filtrage des erreurs : un évaluateur de patrons filtre les SSC candidats issus du classifieur à l’aide d’un test binomial. Ce filtre permet d’exclure
des SSC incorrects (par exemple présentant des modifieurs).
Ce système permet d’associer aux verbes repérés en corpus 160 SSC différents. Le système extrait également la fréquence relative des entrées. Une
première expérience a permis d’évaluer le système sur une liste de 14 verbes
en comparant le lexique obtenu avec les SSC issus de dictionnaires existants
(Briscoe et Carroll, 1997). Les résulats de cette évaluation font état d’un taux
de précision de 65,7% et un taux de rappel de 35,5%. L’évaluation des résultats par rapport à une analyse manuelle du corpus donne des résultats
sensiblement meilleurs : 76,6% en précision et 43,4% en rappel. Le token recall
pour ces sept verbes est de 80,9%. Ces résultats montrent que l’évaluation
des SSC acquis par rapport à un dictionnaire peut biaiser les résultats. En
effet, la présence dans le corpus de constructions non répertoriées dans le
dictionnaire ou l’absence de schémas rares ou anciens dans le corpus ne
permet pas de juger de la performance du système « en lui-même ». Nous
reviendrons sur ce problème dans le chapitre 6.
Les auteurs ont également montré que les SSC extraits par leur système
améliorent sensiblement les performances d’un analyseur syntaxique malgré
1. L’article présente six composants qui sont chargés d’effectuer en série les traitements
nécessaires qui correspondent grosso modo aux étapes décrites au début de ce chapitre.
52
4.4. Acquisition de SSC à large échelle
les taux d’erreurs cités ci-dessus (Briscoe et Carroll, 1997; Carroll et al., 1998).
Depuis ce premier article, la méthode a fait l’objet de nombreuses améliorations jusqu’à très récemment.
Anna Korhonen et al. (2000) compare trois méthodes de filtrage différentes pour ce système d’acquisition : la loi binomiale, souvent utilisée (binomial hypothesis testing) (Brent, 1993; Manning, 1993), la log-vraisemblance
(binomial log-likelihood ratio (Gorrell, 1999)) et le maximum de vraisemblance
(maximum likelihood estimates). La technique consiste à appliquer un seuil sur
les fréquences relatives des SSC déterminé empiriquement à l’aide d’un jeu
de test. La méthode peut être améliorée en utilisant des seuils différenciés en
fonction des schémas évalués (par exemple, en réduisant le seuil pour des
constructions relativement rares en corpus mais « sûres » ou en l’augmentant pour des constructions fréquentes mais rarement correctes comme celles
contenant certains modifieurs). C’est la méthode de maximum de vraisemblance qui donne de meilleurs résultats sur 14 verbes et qui a été retenue
par Korhonen. Selon l’auteur, celà s’explique par la distribution zipfienne
des SSC et la faible corrélation entre les distributions conditionnelles et inconditionnelles. Néanmoins, le filtrage par un seuil rejette tous les SSC peu
fréquents dans le corpus alors que dans certains cas, des schémas rares sont
tout à fait pertinents.
Pour remédier au problème du filtrage des SSC rares, Anna Korhonen
propose de compenser des informations absentes ou trop peu présentes du
corpus à l’aide de classes de verbes (back-off estimates) (Korhonen, 2000). En
effet, il y a une corrélation entre la présence d’un verbe dans une classe (syntaxique ou sémantique) et ses constructions syntaxiques. Autrement dit, les
verbes d’une même classe ont des chances de partager les mêmes SSC. En
utilisant les classes de Levin (Levin, 1993) et la classification syntaxique du
dictionnaire ANLT, les auteurs proposent de « lisser » les distributions de
probabilités des SSC avant l’étape de filtrage. Trois méthodes de « lissage »
sont utilisées : add-one smoothing, Katz backing-off et l’interpolation linéaire.
Elles permettent toutes les trois d’augmenter la précision et le rappel des
SSC obtenus, l’interpolation linéaire étant la méthode la plus efficace. Le
« lissage » des probabilités de distribution est donc efficace pour répondre
au problème du manque de données pour certains verbes ou schémas. Notons néanmoins qu’un certain effort manuel est nécessaire pour utiliser cette
méthode à large échelle.
En 2006, des techniques pour améliorer les résultats du système ont été
proposés (Korhonen et al., 2006). Les auteurs ont dérivé quatre lexiques à
partir du lexique non filtré :
1. un lexique filtré par un seuil sur les fréquences relatives des entrées ;
2. un lexique créé en « lissant » les distributions de schéma par interpolation linéaire puis en filtrant le résultat à l’aide d’un seuil ;
3. un lexique créé en sélectionnant les SSC présents à la fois dans le
lexique non filtré et dans les dictionnaires ANLT et/ou COMLEX puis
en ajoutant au résultat les SSC dont la fréquence relative dépasse un
seuil spécifique pour chaque schéma ;
4. un lexique créé en utilisant la méthode précédente (3) mais les SSC
53
Chapitre 4. Les méthodes d’acquisition automatique de schémas de sous-catégorisation
ajoutés sont d’abord « lissés » par interpolation linéaire avant d’être
filtrés puis ajoutés au lexique.
Les résultats obtenus via la dernière méthode sont très bons (93% de précision et 82% de rappel) mais nécessitent des dictionnaires construits manuellement (cette approche n’est donc pas totalement automatique, ce qui la
rend difficilement reproductible (par exemple, sur une langue de spécialité)).
Par ailleurs, nous souhaitons quant à nous éviter d’utiliser des ressources
existantes, dans la mesure où nous nous plaçons justement dans un contexte
d’acquisition.
Enfin, Judita Preiss & al. montrent que ce système d’acquisition peut
également être adapté pour l’acquisition de SSC d’adjectifs et de noms. La
méthode permet alors de distinguer 168 schémas verbaux, 37 schémas adverbiaux et 31 schémas nominaux (Preiss et al., 2007).
Les travaux présentés jusqu’ici concernent l’anglais mais l’acquisition automatique de SSC a fait l’objet d’études sur d’autres langues. Le schéma global présenté au début de ce chapitre n’est pas lié à une langue particulière
et la plupart des travaux présentés ici s’en inspirent largement. D’autres travaux s’inspirent en grande partie du schéma global et des travaux menés
à Cambridge et ont adapté ce schéma pour de nombreuses langues : l’allemand (Schulte im Walde, 2002; Schulte im Walde, 2009), l’italien (Lenci et al.,
2008), le hongrois (Serény et al., 2008), le grec (Maragoudakis et al., 2001), le
turc (caslan et al., 2007), le chinois (Han et al., 2004) ou le bengali (Banerjee
et al., 2009) par exemple. Toutefois, les spécificités des langues imposent le
développement de nouveaux systèmes (contrairement, par exemple, à certains outils d’apprentissage automatique qui peuvent être utilisés sur différentes langues moyennant quelques légers réglages). Par exemple, un système consacré à l’acquisition en français ne saurait ignorer le problème des
constructions pronominales.
4.5
Travaux d’acquisition pour le français
Nous présentons ici deux études concernant l’acquisition automatique de
SSC pour le français. À notre connaissance, il n’existe pas d’autres travaux
de ce type pour la langue française.
Paula Chesley et Susanne Salmon-Alt présentent une première étude
exploratoire d’extraction automatique de SSC pour le français (Chesley et
Salmon-Alt, 2006). La méthode d’acquisition employée repose sur le schéma
global défini au début de ce chapitre. Le système prend en entrée les sorties d’un analyseur syntaxique chargé de réaliser le repérage des verbes et
des compléments. L’acquisition de SSC en elle-même nécessite deux étapes :
pré-filtrage et filtrage.
L’étape de pré-filtrage prend en entrée le corpus analysé par l’analyseur syntaxique VISL et extrait les SSC pour la liste des verbes dont on
souhaite acquérir les SSC. Le système n’inclut pas de liste de SSC a priori,
les schémas sont déterminés au cours du processus en fonction de l’analyse syntaxique. Les éléments constituants des SSC sont les objets directs, les
syntagmes prépositionnels (les prépositions sont spécifiées), les propositions
54
4.6. Conclusion
subordonnées, les verbes à l’infinitif, les syntagmes adjectivaux et les clitiques réflexifs. Les sujets n’apparaissent pas dans les schémas car les verbes
prennent obligatoirement un sujet en français. L’analyseur syntaxique utilisé
ne fait pas de distinction entre arguments et modifieurs. Les schémas extraits à la première étape incluent donc arguments et modifieurs. À l’image
de (Manning, 1993), les auteurs font l’hypothèse que le filtrage éliminera les
SSC incorrects (comprenant des modifieurs). Les sorties de cette première
étape sont bruitées et une étape de filtrage est nécessaire. La méthode de
filtrage utilisée à la deuxième étape est la distribution binomiale des schémas. Une évaluation sur 104 verbes par deux évaluateurs a donné un score
de précision entre 86,8% et 96,4% 2 3 . Le token-recall (mesuré en examinant
quatre phrases extraites aléatoirement d’un corpus journalistique pour chacun des verbes) est de 54,3%. Si cette première étude a permis de montrer
que l’acquisition automatique de SSC à partir de corpus brut est possible
pour le français, elle n’a été testée qu’à une échelle limitée (104 verbes, 27
SSC uniques et 176 combinaisons verbe/schéma).
Une autre étude d’acquisition automatique de SSC à partir de corpus a
été menée dans le cadre du projet TALC (Traitement automatique des langues et
des connaissances) 4 (Gardent, 2009; Gardent et Lorenzo, 2010). Claire Gardent
a mené une expérience portant sur un nombre beaucoup plus important de
verbes en partant d’un corpus de 170 millions de mots 5 . Ce corpus est ensuite analysé au moyen de l’analyseur syntaxique TagParser mis au point
par Gil Francopoulo (Francopoulo, 2005). Le repérage de régularités au niveau des compléments du verbe permet d’inférer des SSC pour chaque
verbe, suivant une stratégie proche de celle de l’équipe de Cambridge.
Le lexique résultant, EasyLex, est disponible sur le portail TALC (http:
//talc.loria.fr/Easylex.html). Il concerne plus de 4 800 verbes et
fournit une moyenne de 6 schémas par verbe. Le lexique n’est pas téléchargeable librement mais une interface de démonstration lui est consacrée sur
le portail du projet TALC : http://talc.loria.fr/Easylex.html. EasyLex est au format EASy, ce qui facilite son utilisation dans des applications
de traitement automatique des langues.
4.6
Conclusion
Le tableau 4.2 présente une synthèse des travaux d’acquisition automatique de SSC à partir de corpus présentés jusqu’ici (corpus utilisé, nombre
de verbes traités et nombre de SSC différents obtenus) tandis que le tableau
4.3 présente les résultats obtenus par ces différents systèmes d’acquisition
(nombre de verbes évalués, précision, rappel et F-mesure).
Après avoir fait l’état de l’art des méthodes d’évaluation de ressources
lexicales, nous avons présenté dans ce chapitre un schéma global pour l’ac2. La borne inférieure correspond aux entrées jugées correctes par les deux évaluateurs et
la borne supérieure à celles jugées correctes par au moins l’un des deux évaluateurs.
3. L’écart entre ces deux bornes démontre la difficulté à évaluer ce type d’informations
lexicales.
4. http://talc.loria.fr/
5. Il s’agit du Corpus Passage Court — CPC http://atoll.inria.fr/passage/
ressources.en.html.
55
Chapitre 4. Les méthodes d’acquisition automatique de schémas de sous-catégorisation
Système
Brent (1991, 1993)
Ushioda & al (1993)
Manning (1993)
Briscoe & Carroll (1997)
Korhonen (2000)
Korhonen (2006)
Chesley & Salmon-Alt (2006)
Gardent (2009)
Corpus
Brown corpus
Wall Street Journal
New York Times
Susanne, SEC et LOB
BNC
6 ressources
Frantext (littéraire)
Corpus Passage Court
Nb verbes
?
?
3 104
?
?
6 397
104
4 800
Nb SSC
6
6
19
160
163
163
27
?
Table 4.2 – Synthèse des méthodes d’acquisition automatique de SSC présentées (les « ? »
correspondent à des données non disponibles ; pour Korhonen (2006), il s’agit des chiffres
pour le lexique 3)
Système
Brent (1993)
Ushioda & al (1993)
Manning (1993)
Briscoe & Carroll (1997)
Korhonen (2000)
Korhonen (2006)
Chesley &
Salmon-Alt (2006)
Nb verbes
évalués
?
33
40
14
14
183
24
Précision
0.96
0.86
0.90
0.66
0.75
0.76
0.87
Rappel
(type recall)
0.60
?
0.43
0.35
0.58
0.63
0.54
(token recall)
F-Mesure
?
?
?
?
0.65
0.69
?
Table 4.3 – Synthèse des méthodes d’acquisition automatique de SSC : évaluation (les « ? »
correspondent à des données non disponibles ; pour Korhonen (2006), il s’agit des chiffres
pour le lexique 3)
quisition automatique de SSC à partir de corpus et les principales expériences réalisées pour l’anglais. Nous avons enfin décrit les principaux travaux d’acquisition existants pour le français.
Si les méthodes utilisées pour les premières tentatives d’acquisition à
partir de corpus brut étaient très variées, de nombreuses études récentes utilisent le même modèle. En effet, la disponibilité et la qualité des étiqueteurs
morpho-syntaxiques et des analyseurs syntaxiques simplifient les premières
étapes (identification des verbes, extraction des arguments, etc.). Ainsi, les
travaux récents se concentrent plutôt sur l’acquisition des schémas à proprement parler et le filtrage des entrées non pertinentes, notamment en raison
de la distinction argument/modifieur. Le système d’acquistion automatique
de SSC pour les verbes français présenté au chapitre suivant s’inscrit dans la
lignée de ces travaux.
56
Description du système
d’acquisition de schémas de
sous-catégorisation pour le
français
N
ous l’avons vu dans le chapitre précédent, il existe peu de travaux
concernant l’acquisition automatique de SSCs pour le français à partir de corpus. Pourtant, les outils de TAL comme les analyseurs syntaxiques
ont de plus en plus besoin de ce type de ressources. En outre, l’étude des SSC
obtenus par de telles méthodes et leur comparaison avec les lexiques existants peut être très intéressante mais a été relativement peu abordée dans la
littérature.
Nous présentons dans ce chapitre notre système d’acquisition de
schémas de sous-catégorisation ASSCi (Acquisition de schémas de souscatégorisation informatisée). Après une présentation de l’architecture globale d’ASSCi, nous présentons les deux outils utilisés pour effectuer les prétraitements puis les trois modules qui composent notre système. Le chapitre
se termine par une discussion sur le système ASSCi.
57
5
Chapitre 5. Description du système d’acquisition de SSC pour le français
5.1
Architecture générale d’ASSCi
La plupart des systèmes d’acquisition automatique partagent le même
modèle général (voir section 4.2). En effet, quels que soient les choix effectués
par les concepteurs, ces systèmes ont tous la même visée et il est possible
d’identifier les principales tâches qu’ils doivent effectuer.
L’architecture d’ASSCi repose sur ce modèle global. Nous rappelons cidessous les quatre étapes principales de ce modèle :
1. l’identification des verbes en corpus ;
2. l’identification des compléments de ces verbes, c’est-à-dire des configurations syntaxiques locales (ou constructions locales) ;
3. l’association entre ces constructions locales et des schémas de souscatégorisation ;
4. la correction d’erreurs via un filtrage qui permet de distinguer les SSC
erronés des SSC corrects pour chaque verbe.
Nous avons montré dans le chapitre 4 qu’il existe des variations quant à
la façon dont ces tâches sont réalisées. Pour ce qui concerne ASSCi, l’utilisation d’outils pour le pré-traitement des données permet de faciliter les deux
premières tâches. De plus l’étape 3 du schéma global est effectuée sans l’aide
d’une liste préétablie de SSC, ce qui permet de ne pas se limiter aux seuls
SSC connus et donc d’acquérir les informations contenues dans le corpus
sans a priori. Nous soulignerons ces spécificités tout au long de la description du système.
La figure 5.1 montre la chaîne de traitement de notre système d’acquisition et ses différents modules. ASSCi est constitué de quatre modules qui
permettent d’exécuter en série les tâches décrites ci-dessus :
1. pré-traitements : le corpus brut est lemmatisé et annoté par TreeTagger puis analysé par Syntex ;
2. extracteur de pré-schémas de sous-catégorisation : pour chaque
phrase, on identifie les compléments du/des verbe(s) et on extrait les
informations utiles pour constituer les SSC candidats (constructions
locales) ;
3. constructeur de schémas candidats : on constitue un lexique de
« base » en inférant des SSC à partir des pré-schémas observés en
corpus pour chaque verbe ;
4. filtre des SSC non pertinents : on élimine les schémas incorrects par
des méthodes statistiques.
À l’issue du processus d’acquisition, le système produit un lexique composé de couples lemme verbal - SSC ainsi que d’informations statistiques
et lexicales associées à ces couples (la composition détaillée des entrées du
lexique sera présentée dans la section 6.1). Les spécificités de chacun des modules d’ASSCi sont présentées à la section 5.4. Nous présentons tout d’abord
les outils utilisés pour effectuer les pré-traitements nécessaires à l’acquisition.
58
5.2. Pré-traitements
Corpus
Repérage des
mots mal
annotés
« verbes »
dans le corpus
Liste de
verbes
TreeTagger
ASSCi
Lemmatiseur
et étiqueteur
morphosyntaxique
Syntex
Extracteur
de
pré-SSC
Constructeur
de SSC
candidats
Filtre des
SSC non
pertinents
Analyseur
syntaxique
Lexique
Figure 5.1 – Architecture générale d’ASSCi
5.2
Pré-traitements
Les deux premières étapes de la tâche d’acquisition consistent à identifier les verbes et leurs compléments dans le corpus. Ces tâches peuvent être
grandement facilitées par la lemmatisation, l’analyse morpho-syntaxique et
l’analyse syntaxique de surface du corpus. Au regard des outils disponibles
pour le français et des performances de ceux-ci, nous avons retenu l’analyseur syntaxique Syntex. Cet analyseur repose sur les annotations de l’analyseur morpho-syntaxique TreeTagger. Cette section présente ces deux outils.
5.2.1 Lemmatisation et étiquetage morpho-syntaxique : TreeTagger
La lemmatisation et l’étiquetage morpho-syntaxique sont préalablement
réalisés par TreeTagger (Schmid, 1994) 1 .
Description
TreeTagger est un outil de lemmatisation et d’annotation en parties du
discours. Il a été utilisé pour étiqueter des textes en allemand, anglais, français, italien, néerlandais, espagnol, bulgare, russe, grec, portugais et chinois.
De plus, il est adaptable à d’autres langues moyennant la disponibilité d’un
lexique et d’un corpus annoté.
Dans un premier temps, TreeTagger segmente le texte en phrases et les
phrases en mots 2 . Ensuite, l’étiquetage morpho-syntaxique permet d’associer une étiquette morpho-syntaxique à chaque mot : TreeTagger estime
1. http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/
Les fichiers de configuration de TreeTagger pour le français ont été développés par Achim
Stein et Michel Généreux.
2. Le fichier de paramètrage du segmenteur pour le français a été fourni
59
Chapitre 5. Description du système d’acquisition de SSC pour le français
la probabilité pour chaque mot de porter différentes étiquettes possibles en
utilisant des lexiques et le contexte du mot, c’est-à-dire les mots proches
de lui dans le corpus 3 . Enfin, un lemme est associé à chaque mot du texte
(lemmatisation).
Exemple
Tout au long de ce chapitre, nous allons suivre le processus d’acquisition
à l’aide d’un exemple.
Considérons la phrase :
Les fameuses « erreurs » de Sartre, il les lui reproche autant que ses
adversaires, mais il les lui reproche au nom du Sartre qu’il aime, et qui
lui ressemble, l’ homme seul, le Roquentin.
Pour cette phrase, TreeTagger produit l’annotation représentée dans le
tableau 5.1. La liste complète des étiquettes utilisées par TreeTagger pour
l’annotation du français est disponible sur le site de l’étiqueteur 4 .
Chaque ligne représente l’étiquetage correspondant à un mot de la
phrase. La colonne de gauche fournit les étiquettes morpho-syntaxiques
produites par TreeTagger tandis que la colonne de droite fournit les
lemmes correspondant aux éléments. Par exemple, aime est annoté
VER:pres
aimer : il s’agit d’un verbe (VER) au présent (pres) dont
le lemme est aimer et il est un pronom personnel dont le lemme est il
(PRO:PER
il).
Discussion
L’un des avantages de TreeTagger, outre sa robustesse et son efficacité,
est son ouverture : il est possible d’ajouter des traitements en amont (par
exemple, faire à sa place le découpage en unités de traitement (tokenisation)). Ainsi, des règles et des lexiques de reconnaissance des unités syntaxiques complexes (e.g. locutions prépositionnelles) ont été ajoutés pour
Syntex (Bourigault et al., 2005). Il est également possible d’intégrer dans la
chaîne de traitement des règles de tokenisation et de pré-étiquetage spécifiques au corpus à analyser, ce qui est fondamental lorsque l’étiqueteur doit
traiter des données non standard (codes de produits, nomenclature d’éléments chimiques, etc.). L’analyseur syntaxique a enfin la possibilité de faire
des retours en arrière sur l’étiquetage et de modifier les étiquettes attribuées
par TreeTagger.
Pour toutes ces raisons, TreeTagger est un outil pertinent pour l’étiquetage morphosyntaxique du français dans le cadre de notre travail.
par
Michel
Généreux
:
ftp://ftp.ims.uni-stuttgart.de/pub/corpora/
french-chunker-par-linux-3.1.bin.gz.
3. Les fichiers de paramètrage de TreeTagger en français sont fournis par Achim Stein :
http://www.uni-stuttgart.de/lingrom/stein/forschung/resource.html.
4. http://www.ims.uni-stuttgart.de/~schmid/french-tagset.html
60
5.2. Pré-traitements
DET :
ADJ
NOM
NOM
VER :
PRP
NOM
PUN
PRO :
PRO :
PRO :
VER :
ADV
KON
DET :
NOM
PUN
KON
PRO :
PRO :
PRO :
VER :
PRP :
NOM
PRP :
NOM
PRO :
PRO :
VER :
PUN
KON
PRO :
PRO :
VER :
PUN
DET :
NOM
ADJ
PUN
DET :
NOM
SENT
ART
pper
PER
PER
PER
subp
POS
PER
PER
PER
subp
det
det
REL
PER
pres
REL
PER
pres
ART
ART
le
fameux
«
erreur
»
de
Sartre
,
il
la|le
lui
reprocher
autant
que
son
adversaire
,
mais
il
la|le
lui
reprocher
au
nom
du
Sartre
que
il
aimer
,
et
qui
lui
ressembler
,
le
homme
seul
,
le
roquentin
.
Table 5.1 – Exemple d’annotation par TreeTagger : la colonne de gauche fournit l’étiquette morphosyntaxique tandis que la colonne de droite est le lemme du mot (la liste des
étiquettes utilisées par TreeTagger pour le français est donnée en annexe A.
61
Chapitre 5. Description du système d’acquisition de SSC pour le français
P
SV
SN
SN
V
SN
Det
Il
lui
reproche ses
SN
erreurs
Figure 5.2 – Analyse syntaxique en constituants
5.2.2 Analyse syntaxique de surface : Syntex
Le corpus d’acquisition est ensuite analysé par Syntex, analyseur syntaxique en dépendances développé par Didier Bourigault 5 (Bourigault et al.,
2005; Bourigault, 2007).
Description
Syntex est un analyseur syntaxique en dépendances dont l’objectif est
de traiter des corpus de grande taille composés de phrases du français courant. L’analyse en dépendances s’oppose à l’analyse en constituants : un
analyseur en constituants constitue des groupes correspondant à des unités
syntaxiques (groupe verbal, etc.) tandis qu’un analyseur en dépendances relie les différents mots de la phrase entre eux à partir d’un élément racine
(en général, le verbe). Les schémas 5.2 et 5.3 représentent respectivement les
analyses en constituants et en dépendances de la phrase Il lui reproche ses
erreurs.. Les stemmas de Tesnière (Tesnière, 1959) sont une représentation
possible de l’analyse en dépendances (voir la figure 2.1 dans la section 2.2
pour un exemple de stemma). L’analyse en dépendances a l’avantage d’être
plus indépendante des théories linguistiques que l’analyse en constituants.
Pour décrire les relations entre les mots dans une analyse en dépendances,
on utilise les concepts de recteur (ou gouverneur) et de régi (ou de dépendant). Par exemple, dans l’arbre 5.3, reproche est le recteur de il, lui et erreurs
et ses est régi par erreurs.
Il y a une équivalence « faible » entre ces deux types d’analyse. On peut
en général passer de l’analyse en dépendances à l’analyse en constituants
(on peut retrouver les groupes en suivant les relations recteurs / régis) alors
que la réciproque est moins évidente (on peut difficilement retrouver les
relations recteurs / régis en ne disposant que des constituants).
Les principales relations syntaxiques reconnues par Syntex sont les suivantes : sujet, complément d’objet direct, complément prépositionnel (de
5. Le développement de Syntex fait suite à celui de Lexter, analyseur dédié au repérage
des syntagmes nominaux dans les corpus spécialisés.
62
5.2. Pré-traitements
reproche
Il
erreurs
lui
ses
Figure 5.3 – Analyse syntaxique en dépendances
nom, de verbe et d’adjectif), antécédence relative (i.e. antécédent des pronoms relatifs), modification adjectivale (épithète, attribut) et subordination.
Chaque élément de la phrase est annoté par ses relations de recteur ou de
régi avec les autres éléments.
Pour annoter les éléments de la phrase, Syntex applique différents modules de reconnaissance de relations syntaxiques en série : chaque module
prend en charge une relation syntaxique particulière et l’entrée de chaque
module est la sortie du module qui le précède. Cependant, des retours en
arrière sont possibles dans la chaîne de traitement et un module peut remplacer l’étiquette apposée par un module qui l’a précédé, si nécessaire. Ce
fonctionnement rend malgré tout essentiel le choix de l’ordre d’exécution
des modules.
Syntex repose fondamentalement sur des règles et des procédures d’apprentissage endogène, même si des informations lexicales ponctuelles sont
utilisées en fonction des besoins.
En effet, Syntex n’utilise pas de lexique de sous-catégorisation : il dispose simplement de quelques listes, par exemple des listes de couples verbe
/ préposition (auxquels sont associés des probabilités acquises à partir d’un
grand corpus) pour faciliter le traitement des locutions prépositionnelles. Les
interconnexions qui peuvent exister entre divers arguments de la structure
argumentale (par exemple, le fait que le verbe n’accepte pas telle préposition
en l’absence d’un complément d’objet nominal) ne sont donc pas prises en
compte par Syntex, ce qui justifie l’utilisation de cet analyseur pour l’acquisition de SSC 6 .
Arguments et modifieurs sont rattachés au verbe sans qu’il soit fait
de distinction entre eux. Une meilleure prise en compte de la souscatégorisation par Syntex permettrait d’améliorer les performances de l’analyseur en considérant l’intégralité de la structure argumentale et plus seulement des relations locales.
Exemple
Par exemple, pour la séquence « Les fameuses « erreurs » de Sartre, il les
lui reproche autant que ses adversaires, mais il les lui reproche au nom du Sartre
6. Nous l’avons évoqué au chapitre précédent, l’acquisition de SSC à partir d’un analyseur
« très » lexicalisé pose la question de la différenciation entre ce qui est acquis par le système
et les lexiques dont dispose l’analyseur syntaxique.
63
Chapitre 5. Description du système d’acquisition de SSC pour le français
qu’il aime, et qui lui ressemble, l’ homme seul, le Roquentin. », Syntex produit
l’analyse fournie dans la figure 5.4 7 . La figure 5.5 donne une représentation
de l’annotation de la séquence « il les lui reproche au nom du Sartre qu’il aime,
et qui lui ressemble, l’ homme seul, le Roquentin. » par Syntex.
Chaque ligne contient les informations relatives à un élément de la
phrase. La première colonne représente le rang (identifiant) de l’élément.
La deuxième colonne est le lemme tandis que la troisième colonne contient
la catégorie morpho-syntaxique issue de l’annotation par TreeTagger. Les
deux dernières colonnes sont le(s) recteur(s) 8 et le(s) régi(s) de l’élément 9
(pour chaque recteur et régi, Syntex fournit sa relation à l’élément et son
rang).
Par exemple, l’analyse produite pour la deuxième occurrence du verbe
reprocher :
21 | reprocher | VCONJS | | SUJ;18, OBJ;19, PREP;20, PREP;22.
L’élément de rang 21 de la phrase est le verbe (catégorie VCONJS, verbe
conjugué singulier) reproche dont le lemme est reprocher. Cet élément n’a pas
de recteur. Les régis de reprocher sont l’élément de rang 18 (sujet il), l’objet
de rang 19 (le) et les éléments 20 (complément prépositionnel lui) et 22
(complément prépositionnel au nom de).
Discussion
Le choix de Syntex comme analyseur syntaxique pour notre système
d’acquisition automatique de SSC s’explique à la fois par ses propriétés, ses
performances sur les corpus écrits et par sa disponibilité. Les résultats de
Syntex lors de la campagne d’évaluation EASy (Evaluation des Analyseurs
SYntaxiques) en 2007 10 montrent que l’analyseur obtint alors les meilleurs
résultats en précision et en F-mesure sur les corpus écrits 11 . De plus, la robustesse de Syntex garantit son adaptabilité, du moins sur les textes qui respectent les normes syntaxiques de l’écrit standard. La réutilisation de notre
système d’acquisition sur des corpus de domaines particuliers (médecine,
droit, etc.) ne devrait donc pas poser de problème.
Néanmoins, il existe encore une part non négligeable d’erreurs dues à
des faiblesses de l’étiquetage morpho-syntaxique ou de l’annotation des relations, ce qui est inévitable étant donné l’état de l’art. La plupart de ces
erreurs se répercuteront dans le processus d’acquisition des SSC et devront
être traitées ou filtrées au cours du processus. Toutefois, les erreurs de TreeTagger qui concernent le repérage des verbes doivent être traitées a priori.
Le script présenté à la section suivante a pour objectif de répondre à ce problème.
7. Il s’agit d’une représentation de l’analyse syntaxique. Pour un aperçu du format de
Syntex, voir l’annexe B.
8. En général, les éléments n’ont qu’un seul recteur.
9. Syntex fournit également la forme fléchie de l’élément.
10. http://www.limsi.fr/Recherche/CORVAL/easy/
11. L’ensemble des résultats de Syntex à la campagne EASY sont disponibles sur la
page consacrée au logiciel : http://w3.erss.univ-tlse2.fr/membres/bourigault/
syntex.html. On remarquera le différentiel de performance important entre Syntex et ses
poursuivants en terme de précision sur les corpus écrits lors de cette campagne d’évaluation.
64
5.2. Pré-traitements
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
le
fameux
«
erreur
»
de
Sartre
,
il
le
lui
reprocher
autant que
son
adversaire
,
mais
il
le
lui
reprocher
Det ? ?
AdjFP
Typo
Nom ?P
Typo
Prep
NomPrXXInc
Typo
Pro
Pro
Pro
VCONJS
CSub
DetMP
Nom ?P
Typo
CCoord
Pro
Pro
Pro
VCONJS
DET ;4
ADJ ;4
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
au nom de
Sartre
que
il
aimer
,
et
qui
lui
ressembler
,
le
homme
seul
,
le
roquentin
.
Prep
NomPrXXInc
CSub
Pro
VCONJS
Typo
CCoord
ProRel
Pro
VCONJS
Typo
Det ? ?
Nom ?S
Adj ? ?
Typo
Det ? ?
NomMS
Typo
PREP ;21
NOMPREP ;22
DET ;1, ADJ ;2, PREP ;6
PREP ;4
NOMPREP ;6
NOMPREP ;7
SUJ ;12
OBJ ;12
PREP ;12
SUJ ;9, OBJ ;10, PREP ;11
DET ;15
DET ;14
SUJ ;21
OBJ ;21
PREP ;21
SUJ ;18, OBJ ;19, PREP ;20,
PREP ;22
NOMPREP ;23
COMP ;26
SUJ ;26
COMP ;24
SUJ ;25, OBJ ;34
SUJ ;31
PREP ;31
SUJ ;29, PREP ;30
DET ;34
OBJ ;26
ADJ ;34
DET ;33, ADJ ;35
DET ;38
DET ;37
Figure 5.4 – Exemple d’annotation par Syntex
il les lui reproche au nom du Sartre qu' il aime, et qui lui ressemble, l' homme seul, le Roquentin .
Figure 5.5 – Représentation de l’annotation par Syntex
65
Chapitre 5. Description du système d’acquisition de SSC pour le français
5.3
Validation des verbes
Nos premières expériences ont révélé un nombre important d’erreurs
produites par une annotation incorrecte de certains verbes par TreeTagger.
Ces erreurs sont loin d’être anecdotiques car elles peuvent conduire à des
« verbes » dont l’ensemble des SSC sont incorrects. Par exemple, le nom
propre Luis est très fréquemment annoté verbe et lemmatisé en luire par
TreeTagger. Mais ces erreurs ne se limitent pas aux noms propres et aux
sigles. Certains mots communs posent problème : par exemple, le mot actions est souvent annoté verbe (acter). L’analyse syntaxique qui résulte de
ces annotations est alors incorrecte. Les entrées associées à ces faux verbes
peuvent être totalement fausses.
Étant donné la fréquence des erreurs observées et leur incidence sur le
lexique final, il nous a semblé nécessaire de leur réserver un traitement particulier. Le repérage de ces erreurs en surface, dynamiquement lors de l’acquisition automatique a été envisagé mais il est complexe à mettre en oeuvre
étant donné la variabilité des contextes provoquant ces erreurs. La solution
retenue est une analyse a priori des verbes : nous avons cherché à répérer
les mots étiquetés « verbe » alors que la majorité de leurs occurrences ne
correspondent pas à un verbe avant le traitement par ASSCi.
Notre méthode consiste à calculer le nombre d’occurrences et la fréquence relative de chaque forme (après normalisation en minuscules) de
chaque verbe dans le corpus : plus une ou deux formes prédominent pour
un même mot, moins ce mot a de chances d’être un verbe.
Par exemple, toutes les occurrences du verbe suturer dans le corpus des
10 ans du journal Le Monde (voir section 6.1.1) sont issues de la forme fléchie
suture :
suturer suture (1.00),
Dans la majorité des cas, la forme fléchie suture correspond au nom suture
et a été mal analysée par TreeTagger. Par contre, pour le verbe marcher nous
obtenons :
marcher marche (0.32), marchais (0.25), marchent (0.19),
marchait (0.10), marchaient (0.03), marchera (0.03),
marchons (0.02), marcherait (0.01), marchez (0.01),
marcha (0.01), marcheront (0.01), marches (0.00),
marchèrent (0.00), marchions (0.00), marcheraient (0.00),
marcherons (0.00), marcherai (0.00), marchiez (0.00),
marcherais (0.00), marchât (0.00), marcherez (0.00),
marcheras (0.00), marchai (0.00),
La variété des formes rencontrées confirme le statut de verbe de marcher.
Le programme trie ensuite les verbes dans 3 catégories, selon la fréquence
relative de leur forme la plus fréquente :
– les verbes dont la fréquence de la forme la plus fréquente est supérieure à 0,99 sont exclus du processus d’acquisition ;
– les verbes dont la fréquence de la forme la plus fréquente est comprise
entre 0,7 et 0,99 sont jugés par un observateur humain ;
66
5.3. Validation des verbes
Verbes rejetés
Verbes soumis
à un jugement manuel
Verbes gardés
Total
Verbes rejetés
Verbes jugés incorrects
par l’observateur
Total rejetés
Verbes jugés corrects
par l’observateur
Verbes gardés
Total gardés
5049
981
5369
11399
5049
525
5574
456
5369
5825
Table 5.2 – Résultats du repérage des verbes incorrects dans le corpus des 10 ans du Monde
(en nombre de lemmes)
– les verbes dont la fréquence de la forme la plus fréquente est inférieure
à 0,7 sont gardés.
Ces « seuils » ont été choisis de façon empirique, suite à l’observation
des verbes et de leurs formes. L’objectif est de pouvoir choisir rapidement et
facilement les verbes qui seront retenus pour l’acquisition.
Dans notre exemple, la forme la plus fréquente de marcher est marche et
sa fréquence relative est 0,32, il est donc classé dans la 3ème catégorie de
verbes et donc gardé pour le processus d’acquisition.
Le tableau 5.2 présente le nombre de verbes classés dans chacune des
catégories par le programme et les résultats du traitement après le jugement
des verbes par l’annotateur humain.
Parmi les 981 verbes soumis à un jugement, 456 verbes sont jugés « corrects » par l’observateur. Ils s’ajoutent donc aux 5369 verbes gardés par le
programme en premier lieu. L’acquisition se fera donc sur 5825 verbes. Au
final, près de la moitié des mots annotés verbes dans le corpus sont rejetés
par ce traitement. Voici quelques exemples de ces mots mal annotés (rejetés
par l’algorithme ou suite à un jugement humain) :
senner senna (1.00),
somnambuler somnambule (1.00),
alper alpes (0.75), alpa (0.25),
caserner caserne (0.78), casernaient (0.11), casernes
(0.11),
Suite à ce processus, on obtient une liste des verbes sur lesquels ASSCi
peut être utilisé.
Si cette approche permet d’éviter l’acquisition de SSC pour des mots qui
ne sont pas des verbes, elle ne permet pas de traiter finement l’ensemble des
cas d’erreurs de ce type. Il existe notamment un certain nombre de lemmes
verbaux courants dont une seule forme pose problème. Par exemple, un certain nombre des occurrences du verbe marcher sont issues du mot Marchais
67
Chapitre 5. Description du système d’acquisition de SSC pour le français
(Georges Marchais). L’acquisition de SSC pour le verbe marcher est donc
en partie issue de contextes erronnés. Néanmoins, le nombre total d’occurrences de ce verbe dans le corpus (plus de 4000) permet de s’assurer que
ces contextes n’auront pas une influence trop importante sur les entrées de
marcher dans les SSC acquis.
5.4
Description des modules d’ASSCi
ASSCi est un système d’acquisition automatique de schémas de souscatégorisation pour l’acquisition de SSC pour les verbes français. Cette
section présente les trois modules qui le composent : l’extracteur de préschémas de sous-catégorisation, le constructeur de schémas candidats et le
filtre de schémas non pertinents. Pour chacun de ces modules, nous décrivons son rôle dans le processus d’acquisition, nous donnons un aperçu
du processus d’acquisition pour l’exemple utilisé aux sections 5.2.1 et 5.2.2,
nous détaillons l’implémentation de ce module 12 et nous discutons brièvement son fonctionnement.
5.4.1 Extracteur de pré-schémas de sous-catégorisation
Le premier module extrait des « pré-schémas de sous-catégorisation »
(pré-SSC) associés chacun à une occurrence d’un verbe dans le corpus à partir des sorties de l’analyseur syntaxique. Les pré-schémas comprennent les
informations concernant le verbe et ses compléments (relations et étiquettes)
dont le deuxième module a besoin pour former les SSC.
Par exemple, pour la phrase « Les fameuses « erreurs » de Sartre, il les lui
reproche autant que ses adversaires, mais il les lui reproche au nom du Sartre
qu’il aime, et qui lui ressemble, l’ homme seul, le Roquentin. », l’extracteur
produit le pré-SSC suivant :
0100.anasynt!d686339p6_2!21
REPROCHER+reprocher
P-OBJ:SP<au nom de+SN>:Sartre | SUJ:SN:il
| OBJ:SN:le | A-OBJ:SP<à+SN>:lui
Le pré-schéma est composé de 3 éléments :
– 0100.anasynt!d686339p6_2!21 est l’identifiant du pré-schéma.
Il est constitué du nom du fichier dont est issu le pré-SSC
(0100.anasynt) ; de l’identifiant de la phrase dans le fichier
(d686339p6_2) et de l’identifiant du verbe concerné dans la phrase
(21). La disponibilité de cette information tout au long du processus
d’acquisition permettra un retour aux données et donc une meilleure
traçabilité des erreurs dans le lexique final.
– REPROCHER+reprocher est le verbe concerné par le pré-schéma 13 .
– La suite du pré-schéma correspond aux compléments du verbe
dans la phrase. Ici, reprocher a quatre compléments : il, les, lui
12. Les modules d’ASSCi sont implémentés en langage Perl.
13. Ce format facilite le classement alphabétique des verbes (en cas de caractères accentués).
68
5.4. Description des modules d’ASSCi
SUJ
Fonction
sujet
REF
OBJ
forme pronominale
objet
ATTS
attribut du sujet
ATTO
A-OBJ
attribut de l’objet
objet indirect régi par
à
objet indirect régi par
de
objet indirect régi par
la préposition prep
DE-OBJ
P-OBJ
Catégorie
SN
syntagme nominal
SINF
syntagme infinitif
refl
pronom
SN
syntagme nominal
SINF
syntagme infinitif
PropSub
proposition subordonnée
SA
syntagme adjectival
SN
syntagme nominal
SINF
syntagme infinitif
SA
syntagme adjectival
SP<à+SN>
syntagme prépositionnel
SP<à+SINF>
syntagme prépositionnel
SP<de+SN>
syntagme prépositionnel
SP<de+SINF>
syntagme prépositionnel
SP<prep+SN>
syntagme prépositionnel
SP<prep+SINF> syntagme prépositionnel
Table 5.3 – Cas traités par ASSCi
et au nom du Sartre qu’il aime (...). Par exemple, le module associe P-OBJ:SP<au nom de+SN>:Sartre au complément au nom du
Sartre qu’il aime (...). Il s’agit d’un complément prépositionnel régi par
au nom de suivi d’un syntagme nominal dont la tête nominale est Sartre.
Un pré-SSC est donc constitué du verbe à l’infinitif et de la liste de ses
compléments. À cette étape, l’ordre des compléments n’a pas d’importance.
Pour chaque complément, le module fournit le lemme de la tête, sa catégorie
morphosyntaxique et sa fonction syntaxique. L’extracteur associe l’un des
couples (fonction et catégorie) d’étiquettes présentés dans le tableau 5.3 à
chacun des compléments du verbe.
De plus, les phrases reconnues par Syntex comme étant à la forme passive sont marquées par l’ajout du code PASSIF à la liste des compléments
extraite.
Après la phase d’extraction, un pré-SSC est associé à chaque occurrence
de verbe conjugué de chaque phrase du corpus. Nous avons fait le choix de
ne pas acquérir de SSC à partir des verbes à l’infinitif. En effet, ces verbes
apparaissent le plus souvent dans des phrases plus complexes et l’analyse
effectuée par Syntex est alors plus incertaine. Ce choix ne pose pas de problème dans la mesure où on fournit au système une quantité de données
suffisante (voir section 6.1.1).
Implémentation
Pour chaque phrase du corpus analysé par Syntex, l’algorithme (voir algorithme 1) repère les verbes conjugués dont le nombre d’occurrences en
corpus est supérieur à un seuil fixé à 30 occurrences pour permettre les
calculs statistiques lors du filtrage 14 et qui n’ont pas été rejetés lors du pré14. L’utilisation d’un script a au préalable permis de répertorier tous les verbes présents
dans le corpus et leurs nombres d’occurrences.
69
Chapitre 5. Description du système d’acquisition de SSC pour le français
traitement (voir section 5.3). Il parcourt ensuite les dépendances syntaxiques
de chacun de ces verbes et cherche leur fonction syntaxique et leur catégorie. L’extracteur en déduit ensuite le pré-schéma de sous-catégorisation
correspondant.
Algorithme 1: Extracteur de pré-schémas de sous-catégorisation
Entrées : Corpus analysé par Syntex
Sorties : Liste des patrons de sous-catégorisation
pour Chaque phrase faire
pour Chaque verbe conjugué faire
pour Chaque dépendant du verbe faire
Cherche la fonction du complément (a) ;
Cherche la catégorie du complément (b);
Cherche la tête du complément (c);
fin
Constitue le pré-schéma de sous-catégorisation pour
l’occurrence du verbe (d);
fin
fin
Les quatre principales tâches de l’algorithme d’extraction de pré-schémas
sont donc de repérer dans l’analyse syntaxique (a) la fonction syntaxique de
chaque complément du verbe, (b) leur catégorie syntaxique, (c) leur lemme
tête et enfin (d) de constituer un pré-SSC en exploitant ces informations.
Deux procédures permettent d’inférer la fonction syntaxique et la catégorie syntaxique de chacun des arguments. Elles utilisent des règles de généralisation qui déterminent la catégorie et la fonction syntaxique de l’argument
en fonction des informations disponibles dans l’analyse de surface : relation
du verbe au complément, catégorie morphosyntaxique du complément ou
même les lemmes des mots qui constituent ce complément. Par exemple, si
l’élément régi par le verbe par la relation OBJ est un nom, la catégorie du
complément est SN et sa fonction est OBJ. Toutefois, dans bien des cas, l’association entre l’analyse de surface et les étiquettes de l’argument dans le
pré-SSC n’est pas aussi triviale. Nous détaillons à présent le fonctionnement
de ces traitements.
Une procédure est chargée de chercher les fonctions syntaxiques pour
chacun des dépendants du verbe (étape (a) de l’algorithme 1). Les fonctions
reconnues par l’extracteur sont données dans le tableau 5.3.
Considérons par exemple l’analyse de Syntex correspondant à la proposition il les lui reproche au nom du Sartre qu’il aime (tableau 5.4).
Le verbe reprocher a quatre régis :
– il (18) dont la relation au verbe est SUJ ;
– les (19) dont la relation au verbe est OBJ ;
– lui (20) dont la relation au verbe est PREP ;
– au nom du (22) dont la relation au verbe est PREP.
Dans la plupart des cas, la fonction recherchée par l’extracteur correspond à la relation de Syntex : dans notre exemple, il est sujet de reprocher et
les est son objet. Néanmoins, il existe trois exceptions notables :
70
5.4. Description des modules d’ASSCi
18
19
20
21
il
le
lui
reprocher
Pro
Pro
Pro
VCONJS
SUJ ;21
OBJ ;21
PREP ;21
22
23
24
25
26
au nom de
Sartre
que
il
aimer
Prep
NomPrXXInc
CSub
Pro
VCONJS
PREP ;21
NOMPREP ;22
SUJ ;18, OBJ ;19, PREP ;20,
PREP ;22
NOMPREP ;23
COMP ;26
SUJ ;26
COMP ;24
SUJ ;25, OBJ ;34
Table 5.4 – Analyse de Syntex correspondant à la proposition « il les lui reproche au nom
du Sartre qu’il aime »
– si le verbe est un auxiliaire, l’algorithme recommence le traitement sur
le verbe conjugué. Par exemple, dans la phrase Pierre est venu à Lille
hier., le verbe pour lequel on cherche à acquérir un pré-SSC est le verbe
venir (et non être).
– les adverbes sont exclus des pré-schémas car dans la plupart des cas,
ils ne sont pas sous-catégorisables (c’est-à-dire qu’il s’agit la plupart
du temps de modifieurs) et que le repérage automatique des adverbes
sous-catégorisés est un problème difficile.
– la relation PREP donne les fonctions A-OBJ, DE-OBJ ou P-OBJ en
fonction de la préposition tête du complément. La fonction P-OBJ
concerne tous les compléments prépositionnels régis par une autre
préposition que à ou de. Dans l’exemple utilisé dans ce chapitre, le
complément au nom du Sartre qu’il aime (...) a pour fonction P-OBJ (car
la relation de au nom du au verbe reprocher est PREP et la préposition
tête est au nom de) alors que lui a pour fonction A-OBJ (sa relation au
verbe est également PREP mais la préposition tête est à).
Une procédure est chargée de générer la catégorie syntaxique du complément ainsi que son lemme tête (étapes (b) et (c) de l’algorithme). Nous
nous concentrons dans un premier temps sur la catégorie syntaxique (b). Le
programme utilise essentiellement la catégorie morpho-syntaxique des mots
qui composent le complément (en particulier de sa tête). Si certains cas sont
simples, e.g. : si le complément est régi par un nom, il s’agit d’un syntagme nominal, d’autres posent des difficultés e.g. : si le gouvernant du complément est
une préposition, il faut chercher quelle est cette préposition puis identifier le type de
syntagme (nominal ou infinitif) qui suit cette préposition pour obtenir une catégorie
de la forme SP<à+SINF>. Dans l’exemple, le complément du verbe reprocher d’identifiant 22 (et dont la fonction est P-OBJ) correspond à l’élément
au nom de : 22 | au nom de | Prep | PREP;21 | NOMPREP;23. Cet
élément est une préposition qui régit l’élément 23 de l’analyse Syntex à travers la relation NOMPREP. Cet élément (Sartre) est un nom et la catégorie du
complément est donc SP<au nom de+SN>.
Le module reconnaît les catégories suivantes :
– Syntagmes nominaux : si la tête du complément est un nom, un substantif ou certains pronoms.
– Syntagmes infinitifs : si la tête du complément est un verbe à l’infinitif.
– Syntagmes prépositionnels : si la tête du complément est une préposition ou certains pronoms et pronoms relatifs. Dans ce cas, le module
71
Chapitre 5. Description du système d’acquisition de SSC pour le français
cherche quelle est cette préposition et quel syntagme suit cette préposition.
– Syntagmes adjectivaux : si la tête du complément est un adjectif ou
un participe passé ou présent adjectif verbal.
– Propositions subordonnées : si la tête du complément est une conjonction de subordination.
– Forme pronominale : si la tête du complément est un pronom réfléchi
ou réciproque.
Comme nous l’avons déjà vu, les compléments adverbiaux sont ignorés
par le système en raison de la faible fréquence des compléments adverbiaux
essentiels et de la difficulté à les repérer automatiquement à partir d’analyses
de surface.
Des programmes sont chargés de traiter les cas plus complexes comme
les conjonctions de coordination, les pronoms et les pronoms relatifs. Nous
prendrons ici l’exemple du traitement des conjonctions de coordination qui
nécessitent un traitement spécifique.
(Xa) Bernard Kouchner, qui dirige la mission de l’ONU au Kosovo, témoigne de « cette très grosse erreur ou de cette manipulation ».
Par exemple, dans la phrase (Xa), le verbe témoigner a pour complément
« de cette très grosse erreur ou de cette manipulation ». Les deux compléments
prépositionnels en de sont reliés par la conjonction de coordination ou qui
est régie par le verbe.
La recherche des compléments reliés par une conjonction de coordination
n’est pas triviale car l’annotation des cas de coordination par Syntex est plus
ou moins précise selon la complexité de la phrase. Si la tête du complément
dont on cherche à acquérir la fonction et la catégorie est une conjonction de
coordination, il faut donc différencier les cas suivants :
– La catégorie du complément est « codée » dans l’étiquette de
la conjonction de coordination au sein de l’analyse Syntex. Par
exemple, dans leur environnement économique et leur situation financière, la conjonction de coordination et dont l’analyse syntaxique est
52 | et | CCoordNom | OBJ;48 | CC;50, CC;54. La catégorie CCoordNom indique que et relie deux syntagmes nominaux. Les
relations des dépendants CC;50 et CC;54 permet d’en déduire ces
syntagmes leur environnement économique et leur situation financière.
La catégorie de ce complément est donc SN. Les têtes nominales
de ces syntagmes sont toutes les deux incluses dans le pré-SSC. La
partie du pré-schéma qui correspond à ce complément est donc :
OBJ:SN:environnement,situation.
– La catégorie de la conjonction de coordination est CCoord (l’analyse
Syntex ne précise pas la catégorie des éléments coordonnés). Il faut
alors extraire la catégorie et les têtes nominales des éléments coordonnés. Dans le cas où les éléments coordonnés sont de catégories différentes, il est impossible de choisir l’étiquette à associer à l’élément
avec les informations dont on dispose. Aucun pré-SSC n’est alors associé au verbe en cours de traitement pour cette séquence. Il en est de
même lorsque les éléments coordonnés sont régis par des prépositions
72
5.4. Description des modules d’ASSCi
différentes (comme par exemple dans la phrase : Mais elle diminue en
Bourgogne, en Champagne Ardenne, en Auvergne et dans le Limousin. 15 ).
La « tête » (nominale ou infinitive) du complément est conservée dans le
pré-schéma (c’est la procédure d’extraction de catégorie syntaxique qui est
chargée d’extraire le lemme tête du complément, étape (c) de l’algorithme).
Cette information n’est pas utilisée dans le processus d’acquisition (modules
constructeur et filtre). Cependant, il est intéressant d’avoir ce type de données dans le lexique pour donner la possibilité aux utilisateurs du lexique
d’exploiter ces informations ou pour enrichir le lexique avec des restrictions
de sélection par exemple.
Après que tous les compléments du verbe ont été traités, l’extracteur
constitue le pré-SSC en agglomérant ces compléments (voir algorithme 1). La
liste de compléments obtenus (c’est-à-dire le pré-schéma) est non ordonnée
à cette étape du processus d’acquisition.
Si la phrase est à la forme passive, cette information est incluse dans le
pré-schéma de sous-catégorisation par l’extracteur. Ainsi, il sera ensuite possible d’implémenter une procédure de "dépassivation" pour traiter la phrase
ou de marquer le verbe comme « passivable » dans le lexique.
Discussion
Nous venons de le montrer, les relations et catégories morphosyntaxiques font l’objet de traitements par ce premier module. Dans une
première implémentation d’ASSCi , ce traitement était effectué par le
constructeur et l’extracteur récupérait les informations issues de l’analyse
Syntex des compléments en effectuant peu de « parcours » dans l’analyse.
La deuxième implémentation des modules, qui mettait en place notamment un traitement plus élaboré des conjonctions de coordination ou des
syntagmes prépositionnels, a causé la « migration » de ces traitements vers
l’extracteur. L’objectif visé était d’éviter de devoir accéder à l’analyse Syntex
après la phase d’extraction. En effet, des accès à l’analyse de l’ensemble de la
phrase sont nécessaires pour traiter certaines constructions : conjonctions de
coordination, syntagmes prépositionnels, etc (voir infra). Ce choix s’est avéré
problématique car il implique un retour au début de la chaîne de traitements
lorsqu’un changement doit intervenir dans l’algorithme (en raison de la détection d’un bug ou de l’ajout d’une nouvelle fonctionnalité par exemple).
Il faut alors extraire de nouveau les pré-schémas pour l’ensemble du corpus. Or, les temps de calcul de l’extracteur sont longs car c’est le corpus
tout entier qui est traité à cette étape. De plus, l’augmentation du nombre
de verbes traités (par exemple en abaissant le seuil d’occurrences pour les
verbes traités) augmente beaucoup le temps d’exécution de l’extracteur.
Les règles utilisées par l’extracteur peuvent être améliorées. On pourrait
en effet effectuer un traitement encore plus fin des conjonctions de coordination, des pronoms ou des adverbes. Néanmoins, le parti pris de notre
approche est de favoriser un traitement en largeur à un traitement en profondeur : la quantité de données doit permettre de couvrir une grande partie de
la langue sans effectuer des analyses fines coûteuses et parfois impossibles
15. Extrait du corpus des 10 ans du journal Le Monde
73
Chapitre 5. Description du système d’acquisition de SSC pour le français
sans l’apport de ressources extérieures. Cette approche garantit également
la généricité de la méthode.
5.4.2 Constructeur de schémas de sous-catégorisation candidats
Description du module
Le constructeur de schémas utilise les informations contenues dans les
pré-SSC pour « construire » les SSC candidats qui constituent un lexique de
sous-catégorisation non filtré.
Contrairement à la plupart des méthodes d’acquisition de SSC employées
jusqu’alors (par exemple par Preiss et al. (2007)), ASSCi ne dispose pas d’une
liste de schémas prédéfinie. Ce choix s’inscrit dans notre volonté d’acquérir
des schémas sans a priori, pour faire émerger du corpus les SSC correspondant à l’usage. Il n’y a d’ailleurs pas de raison qu’une liste de schémas existe
si l’on ne dispose pas déjà d’une ressource et il est clair que la constitution d’une liste de schémas possibles pour une langue donnée n’est pas une
tâche triviale. Ce choix permet même d’observer pour certains verbes des
constructions qu’il était difficile de prévoir a priori, surtout quand on travaille sur corpus spécialisé (voir section ??).
Les SSC candidats ne concernent pas une seule occurrence en corpus
mais un ensemble d’occurrences. Le constructeur a aussi pour rôle de comptabiliser le nombre d’occurrences de chaque schéma de sous-catégorisation
pour chaque verbe ainsi que de calculer leur fréquence relative, c’est-à-dire
la fréquence du SSC relativement au verbe. Ces informations de fréquence
seront par la suite utilisées par le module de filtrage (voir section 5.4.3).
Lors des traitements du constructeur, les schémas sont normalisés. Les
compléments sont ordonnés. Les compléments gouvernés par une préposition ne pouvant régir un argument sont supprimés. La liste des prépositions concernées est issue du lexique PrepLex, un lexique de prépositions du
français construit en fusionnant les informations contenues dans différents
lexiques disponibles 16 (Fort et Guillaume, 2007). Le module supprime également les compléments « doublons » des pré-SSC. On considère que deux
compléments sont doublons lorsqu’ils sont strictement similaires par leur
fonction et leur catégorie. En effet, la plupart du temps, ces doublons sont
dus à des erreurs d’analyse syntaxique et les constructions contenant deux
compléments similaires sont excessivement rares en français.
Le format des étiquettes utilisées pour décrire les compléments est le
même que pour l’extracteur (voir section 5.4.1, tableau 5.3).
Exemple
Par exemple, la phrase « Les fameuses « erreurs » de Sartre, il les lui reproche
autant que ses adversaires, mais il les lui reproche au nom du Sartre qu’il aime, et
qui lui ressemble, l’ homme seul, le Roquentin. », a produit le pré-SSC suivant :
0100.anasynt!d686339p6_2!21
REPROCHER+reprocher
P-OBJ:SP<au nom de+SN>:Sartre | SUJ:SN:il
| OBJ:SN:le | A-OBJ:SP<à+SN>:lui
16. http://loriatal.loria.fr/Resources.html
74
5.4. Description des modules d’ASSCi
Le SSC candidat issu de ce pré-schéma consolidé avec l’ensemble des pré-schémas du même type pour le verbe reprocher est
[SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>]. Les compléments sont séparés par des virgules. Ce SSC contient trois compléments : le sujet
(SUJ:SN), le complément d’objet (OBJ:SN) et l’objet prépositionnel régi
par à (A-OBJ:SP<à+SN>). Remarquons que le complément prépositionnel régi par au nom de (P-OBJ:SP<au nom de+SN>) n’apparaît pas dans
le schéma candidat (le constructeur a supprimé ce complément dont la
préposition (au nom de) est non argumentale).
Le constructeur a trouvé 2128 occurrences de cette entrée dans le corpus,
ce qui produit une fréquence relative de 0.218 (le nombre total d’occurrences
de reprocher dans le corpus étant de 9757). Le module attribue également
un identifiant à l’entrée (ici 2610) et conserve les identifiants des phrases
correspondant à cette entrée dans le corpus ainsi que les lemmes têtes des
différents arguments.
Implémentation
L’algorithme 2 présente les opérations effectuées par le constructeur pour
passer d’une liste de pré-SSC à une liste de SSC globaux.
Algorithme 2: Constructeur de schémas candidats
Entrées : Liste des pré-schémas de sous-catégorisation
Sorties : Liste de SSC non filtrée
pour Chaque pré-schéma de sous-catégorisation faire
Ordonne les compléments ;
Exclut les compléments régis par des prépositions non
sous-catégorisables et les compléments doublons ;
Crée un nouveau SSC ou ajoute une occurrence au SSC s’il existe ;
fin
pour Chaque schéma de sous-catégorisation faire
Calcule la fréquence relative du SSC ;
fin
Afin de pouvoir généraliser les pré-SSC en SSC, il faut ordonner la liste
des compléments. Considérons par exemple les phrases suivantes :
(a) Lucas donne un livre à Martine.
(b) Lucas lui donne un livre.
(c) À qui Lucas a-t-il donné un livre ?
Ces phrases diffèrent par leur structure de surface mais rendent
compte du même comportement syntaxique profond. Il est donc souhaitable qu’elles produisent le même SSC. Les schémas produits par ces
trois phrases à partir des pré-schémas diffèrent en raison de l’ordre des
compléments dans la phrase : [SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>]
pour (a), [SUJ:SN, A-OBJ:SP<à+SN>, OBJ:SN] pour (b) et
[A-OBJ:SP<à+SN>, SUJ:SN, OBJ:SN] pour (c). En ordonnant ces schémas, on obtient un SSC unique : [SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>]
en traitant ces trois phrases.
75
Chapitre 5. Description du système d’acquisition de SSC pour le français
Les éléments des SSC sont donc ordonnés selon leur fonction, dans
l’ordre suivant : sujet, forme pronominale (étiquette REF), objet, groupe prépositionnel gouverné par à, groupe prépositionnel gouverné par de, autres
groupes prépositionnels, attribut du sujet, attribut de l’objet 17 . Cette normalisation permet de s’affranchir des réalisations de surface. En effet, les
phrases contenant des pronoms, des inversions ou des extrapositions n’ont
pas une structure canonique et l’on souhaite s’abstraire de ces variations de
surface.
Les compléments gouvernés par une préposition ne pouvant régir un
argument sont ensuite supprimés. La liste de ces prépositions est issue du
lexique PrepLex, un lexique de prépositions du français 18 Fort et Guillaume
(2007). Dans PrepLex, les prépositions sont classées en différentes catégories.
L’une de ces catégories permet de distinguer les prépositions argumentales
des prépositions non-argumentales. La liste des prépositions argumentales
issue de PrepLex est donnée en annexe C.
Pour chaque complément prépositionnel, le constructeur cherche dans la
liste de prépositions argumentales si la préposition qui le régit est susceptible de porter la sous-catégorisation ou non. Dans le cas où la préposition
est non argumentale, le complément est retiré du schéma. Dans l’exemple
utilisé dans ce chapitre, le complément régi par la préposition au nom de
(P-OBJ:SP<au nom de+SN>:Sartre) est exclu du SSC obtenu en sortie
du constructeur ([SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>]).
Cette technique permet d’éliminer certains compléments prépositionnels
modifieurs évidents des SSC mais est bien sûr insuffisant pour règler le problème de la distinction argument-modifieur qui dépend essentiellement du
contexte et non de la préposition qui régit le complément.
Le module supprime également les compléments « doublons » des préSSC. On considère que deux compléments sont doublons lorsqu’ils sont
strictement similaires par leur fonction et leur catégorie.
Observons par exemple, la phrase :
(a) Douze millions de téléspectateurs ont suivi, en France, dimanche 12
décembre, la finale du Championnat du monde de handball féminin qui a opposé
l’équipe de France à la Norvège à Lillehammer.
Le verbe opposer a ici deux compléments prépositionnels régis par
à : à la Norvège et à Lillehammer. Le SSC construit correspondant à cette
phrase est [SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>, A-OBJ:SP<à+SN>]
qui contient un doublon de compléments prépositionnels régis par à.
L’un de ces compléments est retiré du SSC, ce qui permet de supprimer un modifieur (à Lillehammer) du schéma. Le schéma résultant
du traitement est donc [SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>]. Toutefois, un SSC qui contient deux compléments régis par la même préposition mais dont la catégorie du lemme tête est différente (comme par
exemple [SUJ:SN, A-OBJ:SP<à+SN>, A-OBJ:SP<à+SINF>]) ne sera
17. Ce classement a également son importance pour l’implémentation de la réduction des
SSC à l’étape de filtrage (voir section 5.4.3)
18. http://loriatal.loria.fr/Resources.html
76
5.4. Description des modules d’ASSCi
pas modifié puisque les deux compléments en à (A-OBJ:SP<à+SN> et
A-OBJ:SP<à+SINF>) ne sont pas strictement similaires.
Après la normalisation et la constitution des SSC, le constructeur de SSC
calcule le nombre d’occurrences de chaque couple verbe-schéma et sa fréquence relative.
La fréquence relative d’un couple est calculée en faisant le rapport entre
le nombre d’occurrences du couple verbe-schéma en corpus et le nombre
d’occurrences du verbe :
f req_rel (verbei , ssc j ) =
|verbei ,ssc j |
|verbei |
Par exemple, la fréquence relative de l’entrée correspondant au
verbe reprocher et au schéma [SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>]
est 0.218. Ce chiffre signifie que près de 22 % des constructions du verbe reprocher dans notre corpus produisent le schéma
[SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>]. La somme des fréquences relatives des entrées correspondant à un même verbe est donc égale à 1.
Discussion
La normalisation (ordonnancement des compléments, suppression des
compléments prépositionnels non argumentaux ou des compléments doublons) effectuée lors de l’étape de construction des schémas est discutable.
En effet, le dosage entre normalisation et perte d’informations est délicat.
Il est cependant aisé de faire des modifications dans le programme pour
désactiver l’un ou l’autre de ces traitements.
De plus, on sait que les compléments modifieurs ont plus tendance à être
déplaçables et on pourrait utiliser l’ordre des compléments pour différencier
arguments et modifieurs. Néanmoins, une normalisation de l’ordre des SSC
permet d’éviter l’éclatement de constructions très proches (un tel éclatement
serait nocif pour le filtrage). Un bon compromis serait de garder tous les
ordres observés en corpus dans un champ séparé du SSC, ce qui permettrait
de normaliser le SSC sans perte d’informations.
5.4.3 Filtre des schémas non pertinents
Description du module
Tous les systèmes d’acquisition nécessitent une phase de filtrage à la fin
du processus d’acquisition. En effet, les schémas candidats extraits par le
constructeur sont bruités car ils sont parfois construits à partir d’étiquetages
ou d’analyses syntaxiques incorrects. Il se peut également qu’une règle de
construction produise des SSC incorrects à cause d’une généralisation ou
d’une normalisation trop importante. Enfin, la présence de modifieurs dans
les schémas génère également des erreurs que l’on souhaite filtrer (Manning,
2003) (voir chapitre 2.3.2).
Le filtre examine donc les SSC candidats issus du constructeur et compare leurs fréquences relatives à un ou plusieurs seuils déterminés par un
étalonnage automatique du système (technique de l’estimation du maximum
de vraissemblance, voir infra). Si la fréquence du schéma est supérieure au
77
Chapitre 5. Description du système d’acquisition de SSC pour le français
seuil, il « passe » le filtre et figurera dans le lexique. Dans le cas où la fréquence du SSC est inférieure au seuil, il est rejeté par le module à moins
qu’il soit possible de réduire ce schéma en supprimant un de ses compléments prépositionnels et en passant le SSC résultant au filtre (ce traitement
est détaillé dans l’implémentation). La sortie de ce module est une liste d’entrées (paires verbe - SSC) qui constituent le lexique de sous-catégorisation.
Exemple
Par exemple, le SSC [SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>] résultant
notamment de la phrase « Les fameuses « erreurs » de Sartre, il les lui reproche
autant que ses adversaires, mais il les lui reproche au nom du Sartre qu’il aime, et
qui lui ressemble, l’ homme seul, le Roquentin. » est soumis au filtrage.
Sa fréquence relative (0.22) est comparée au seuil :
– si cette fréquence est supérieure au seuil, le schéma apparaîtra dans le
lexique pour le verbe reprocher ;
– si cette fréquence est inférieure au seuil, le complément prépositionnel
(A-OBJ:SP<à+SN>) est supprimé et le SSC [SUJ:SN, OBJ:SN] est
de nouveau testé par le filtre après un nouveau calcul de son nombre
d’occurrences et de sa fréquence relative.
ASSCi utilise un seuil de 0.06 et l’entrée reprocher - [SUJ:SN, OBJ:SN,
A-OBJ:SP<à+SN>] passe l’étape de filtrage.
Implémentation
L’algorithme 3 présente les traitements effectués par le module de filtrage.
Algorithme 3: Filtre des schémas non pertinents
Entrées : Liste de SSC candidats (non filtrée)
Sorties : Liste de SSC (filtrée)
pour Chaque entrée faire
si Fréquence relative(entrée) >= seuil alors
Ajoute l’entrée au lexique ;
sinon
Retire un des compléments prépositionnels du schéma;
Consolide l’entrée qui en résulte;
Cette entrée est de nouveau testée par le filtre;
fin
fin
La technique de filtrage retenue pour ASSCi est un seuil sur les fréquences relatives des entrées qui sont calculées par le constructeur (voir
section 5.4.2). Afin de déterminer le meilleur seuil, on étalonne le système
en utilisant le lexique TreeLex comme référence (le détail de l’étalonnage
d’ASSCi est donné plus bas).
Cette méthode, appelée maximum de vraisemblance (maximum likelihood
estimates), est décrite dans (Korhonen et al., 2000) qui la compare à deux
78
5.4. Description des modules d’ASSCi
autres techniques de filtrage : la loi binomiale, souvent utilisée (binomial hypothesis testing) (Brent, 1993; Manning, 1993) et la log-vraisemblance (binomial
log-likelihood ratio (Gorrell, 1999)). Comme nous l’avons vu dans la section 4.4,
le maximum de vraisemblance donne les meilleurs résultats. C’est pourquoi
nous avons décidé d’utiliser cette méthode.
Pour chacune des entrées du lexique non filtré, sa fréquence relative est
comparée à un seuil déterminé par les expériences d’étalonnage décrites
plus bas. Si la fréquence relative est supérieure au seuil, l’entrée est retenue
dans le lexique de sortie ; sinon, l’entrée est rejetée. La valeur du seuil utilisé
dans le filtre est de 0,06.
Afin d’améliorer cette méthode, nous avons déterminé des seuils différenciés pour les SSC ne contenant qu’un sujet et les schémas avec un marqueur de forme pronominale. En effet, lorsque le rattachement d’un élément
de la phrase à un autre est incertain, l’implémentation de Syntex privilégie de ne pas lier les éléments. Certaines phrases complexes (incises, etc.)
produisent des analyses erronées et le schéma résultant de cette analyse est
souvent SUJ:SN. Le seuil utilisé pour ce schéma est donc fixé à 0,09 par
le processus d’étalonnage. Par ailleurs, les différents types de compléments
pronominaux sont difficiles à distinguer (comme nous l’avons montré dans
le chapitre 2). Pour réduire les erreurs liées à cette difficulté, le seuil pour
ces schémas pronominaux est de 0,22.
Nous avons également mis des seuils sur le nombre d’occurrences des
verbes et des SSC. En effet, le filtrage sur la fréquence relative ne permet
pas d’éviter qu’un verbe très peu présent en corpus produise des entrées
erronées. Par exemple, le verbe ondoyer a 10 occurrences dans le corpus et
il produit (après filtrage) 7 SSC dont la plupart n’apparaissent qu’une ou
deux fois. Le schéma [SUJ:SN,P-OBJ:SP<avec+SN>] apparaît une seule
fois. Or, la phrase qui a produit cette entrée est La Danse d’ Anitra ondoie
avec sensualité. Sa fréquence relative (0,100) est supérieure au seuil en raison du faible nombre d’occurrences de ondoyer. Cependant, le complément
P-OBJ:SP<avec+SN> est manifestement un modifieur et l’entrée devrait
être filtrée. La mise en place d’un seuil de 30 sur le nombre d’occurrences
du verbe et de 10 sur le nombre d’occurrences du schéma permet d’éviter ce
problème.
Un grand nombre d’erreurs est lié à la problématique de la distinction argument/modifieur. Comme dans la plupart des travaux existants (Briscoe et
Carroll, 1997; Gardent, 2009), nous comptons sur le fait que les SSC comprenant des modifieurs sont moins fréquents en corpus que les SSC comprenant
uniquement des arguments. L’un des rôles de l’étape de filtrage est donc de
rejeter les schémas incluant des modifieurs. Toutefois, l’information perdue
en rejetant ces schémas peut être utile et produire d’autres SSC.
Par exemple, la phrase « Ce RDS s’applique d’abord comme la CSG
aux revenus d’activité des salariés et des non-salariés. » produit le SSC
[SUJ:SN, REF:refl, A-OBJ:SP<à+SN>, P-OBJ:SP<comme+SN>]
pour le verbe appliquer. Ce schéma, trop peu fréquent dans le corpus, est rejeté par le filtre. Pourtant, en supprimant le modifieur
P-OBJ:SP<comme+SN>, on obtient un SSC valide : [SUJ:SN, REF:refl,
A-OBJ:SP<à+SN>].
79
Chapitre 5. Description du système d’acquisition de SSC pour le français
Nous avons donc amélioré le module en ajoutant un processus de « réduction » des schémas contenant un modifieur supposé. Plutôt que d’exclure
totalement ces SSC du lexique, nous avons mis en place un processus de réduction des schémas : lorsqu’un schéma contenant au moins un complément
prépositionnel est rejeté par le filtrage, on essaie de le ramener à un schéma
moins complexe, c’est-à-dire sous-catégorisant un complément prépositionnel de moins. On espère ainsi éliminer un modifieur et ramener le schéma
à un SCC valide pour le verbe (sur la base de sa fréquence relative). L’entrée résultante est ensuite « consolidée » avec le nombre d’occurrences du
schéma contenant le modifieur, ce qui permet d’augmenter la probabilité
pour ce SSC de passer l’étape de filtrage. Les schémas sont traités par ordre
décroissant de leur longueur (i.e. leur nombre de compléments), ce qui permet d’assurer que les schémas dont la fréquence relative est augmentée par
des schémas réduits sont traités après ceux susceptibles d’augmenter cette
fréquence.
Par exemple, la phrase Jean boit un café à la terrasse permet d’identifier un
SSC où le groupe prépositionnel introduit par à est un complément potentiel,
mais comme la fréquence de ce SSC est inférieure au seuil, on peut réduire le
schéma pour identifier ici un emploi transitif [SUJ:SN, OBJ:SN] du verbe
boire.
Enfin, ce module recalcule également les fréquences relatives des entrées
en fonction du nombre d’occurrences des verbes résultant du filtrage. En
effet, le rejet de schémas réduit le nombre d’occurrences des verbes et la
somme des fréquences relatives d’un verbe doit être égale à 1. Pour l’entrée présentée ci-dessus (schéma [SUJ:SN, OBJ:SN, A-OBJ:SP<à+SN>]
pour le verbe reprocher), la fréquence relative finale est de 0,256.
Étalonnage du filtre
La qualité du filtrage (et in fine de l’acquisition) dépend des seuils utilisés. Nous avons donc défini un protocole pour choisir les seuils les plus
efficaces pour le filtrage des SSC candidats. Nous avons développé un script
qui permet de calculer la proximité des entrées acquises par notre système
avec TreeLex en fonction du seuil avec lequel il est filtré. Si TreeLex ne peut
pas être utilisé comme un gold standard pour l’évaluation (voir chapitre 6.2),
il s’agit d’une ressource acquise à partir d’un corpus annoté à la main, ce
qui en fait un bon modèle pour l’étalonnage.
On calcule la proximité d’un lexique avec TreeLex en utilisant la Fmesure. Toutefois, nous n’utilisons pas la F-mesure habituelle (F1 ) qui donne
le même poids à la précision et au rappel. TreeLex a été acquis à partir d’un
corpus dont la taille ne permet pas d’assurer une couverture de l’ensemble
de la langue. C’est pourquoi nous privilégions le rappel sur la précision en
fixant β à 1,5 (le rappel pèse alors 1,5 fois plus que la précision sur le score
obtenu). Cela permet de compenser le fait qu’un déficit de précision résulte
ici assez souvent d’une insuffisance de TreeLex (nous montrons dans la section 6.2 qu’une part importante d’entrées nouvelles acquises par ASSCi par
rapport à TreeLex est correcte).
Fβ = (1 + β2 ) ∗
80
Precision∗ Rappel
β2 ∗ Precision+ Rappel
5.4. Description des modules d’ASSCi
Proximité avec TreeLex
0,64
0,62
0,6
0,58
0,56
0
0,02 0,04 0,06 0,08
0,1
0,12 0,14 0,16 0,18
0,2
Seuil utilisé pour le filtrage
Figure 5.6 – Variation de la proximité avec TreeLex (F1,5 ) en fonction du seuil
La mesure utilisée est donc :
F1,5 = 3, 25 ∗
Precision∗ Rappel
2,25∗ Precision+ Rappel
Une première expérience a permis de déterminer le meilleur seuil pour
notre système (sans seuils différenciés en fonction des SSC). Nous avons
donc utilisé notre script pour étudier les variations de la proximité de la ressource filtrée avec TreeLex en fonction du seuil utilisé. La figure 5.6 montre
le résultat obtenu.
La plus haute F1,5 (F-mesure avec β à 1,5) est obtenue pour un seuil de
0,06.
Une deuxième expérience a permis de déterminer les seuils les plus performants (en utilisant la même méthode que précédemment) lorsque l’on
prend en compte les particularités des SSC intransitifs ou pronominaux. En
faisant varier trois seuils (seuil « par défaut », seuil pour les constructions
intransitives et seuil pour les constructions pronominales), nous avons étalonné le système pour qu’il utilise la meilleure combinaison possible de ces
seuils. Le tableau 5.5 donne un aperçu des résultats obtenus pour quelques
combinaisons de seuils.
À l’issue de l’étalonnage, les seuils utilisés dans ASSCi sont donc :
– 0,06 par défaut ;
– 0,09 pour les constructions intransitives ;
– 0,22 pour les constructions pronominales.
Discussion
L’étape de filtrage est cruciale pour les systèmes d’acquisition automatique de SSC : il faut trouver le meilleur équilibre possible entre le rejet
81
Chapitre 5. Description du système d’acquisition de SSC pour le français
Seuil
par défaut
0,02
0,04
0,06
0,06
0,07
0,08
0,09
0,10
0,12
Seuil
intransitives
0,10
0,14
0,09
0,10
0,10
0,10
0,10
0,11
0,18
Seuil
pronominales
0,10
0,22
0,22
0,22
0,22
0,19
0,19
0,25
0,30
Précision
Rappel
F-1,5
0,451
0,559
0,584
0,591
0,601
0,605
0,612
0,633
0,686
0,733
0,646
0,651
0,646
0,635
0,632
0,625
0,605
0,555
0,615
0,616
0,629
0,628
0,624
0,623
0,621
0,613
0,590
Table 5.5 – Résultats obtenus pour quelques combinaisons de seuils lors de l’étalonnage
d’informations erronées (afin d’améliorer la précision) et le fait de garder
un maximum d’informations correctes (afin de maintenir un bon taux de
rappel). En effet, il se peut que des entrées peu fréquentes dans le corpus
(et donc rejetées par le filtre) soient correctes tout comme il est possible que
des entrées fréquentes en corpus soient incorrectes (par exemple en raison
de la présence de modifieurs). Les gains de performances acquis en optimisant le réglage des techniques de filtrage sont relativement faibles. Au delà
d’un certain seuil, seul l’ajout d’informations extérieures (croisement avec
des lexiques existants, « lissage » des SSC, etc.) permet une amélioration
significative des résultats (Korhonen et al., 2006).
D’autres techniques de filtrage (test binomial, etc.) pourraient être explorées afin de vérifier si l’équivalence relative des méthodes observée dans
(Korhonen et al., 2000) se vérifie pour le français. Toutefois, on a pu voir au
chapitre 4 que le test binomial avait déjà été utilisé pour l’acquisition de SSC
pour le français (Chesley et Salmon-Alt, 2006) sans que les résultats obtenus
en F-Mesure soient très différents de ceux d’ASSCi (Messiant, 2008).
La réduction des schémas risque de produire des schémas faux. L’expérience présentée au chapitre 6 montrera la différence de résultats entre
l’acquisition d’un lexique en utilisant la réduction de schémas et le filtrage
sans réduction pour vérifier l’apport de ce traitement.
5.5
Conclusion
Nous avons développé ASSCi, un système d’acquisition automatique de
SSC pour les verbes du français. Si ce système repose sur le schéma global des techniques d’acquisition présenté au chapitre 4, il explore des pistes
nouvelles ou peu explorées pour l’acquisition de SSC. Tout d’abord, un prétraitement simple permet de réduire le bruit en repérant les verbes mal annotés dans le corpus (section 5.3). De plus, les SSC sont inférés directement
du corpus et le système ne dispose pas d’une liste de schémas, ce qui facilite l’émergence de comportements qui ne sont pas répertoriés dans les
ressources existantes (section 5.4.2). Enfin, nous avons introduit la réduction
des SSC rejetés par le filtre par suppression d’un complément prépositionnel afin de mieux prendre en compte la distinction argument - modifieur
(section 5.4.3).
ASSCi a permis l’acquisition d’un lexique de SSC à large couverture pour
82
5.5. Conclusion
le français appelé LexSchem. La section suivante présente ce lexique, son
format et les outils qui y sont associés.
83
Utilisation et évaluation des
méthodes d’acquisition
automatique de SSC
L
es méthodes d’acquisition automatique de SSC à partir de corpus ont été
beaucoup étudiées depuis les années 90 (voir chapitre 4). Si l’intérêt de
ces méthodes est indiscutable lorsqu’elles sont utilisées pour des langues ne
disposant pas de lexiques de sous-catégorisation, il semble au premier abord
moins pertinent lorsque la langue étudiée dispose déjà d’un certain nombre
de ressources (c’est notamment le cas du français comme en témoigne l’état
de l’art dressé au chapitre 3). En effet, la qualité des ressources acquises automatiquement n’atteint pas encore celle des dictionnaires développés depuis
de nombreuses années dans les laboratoires et équipes de linguistique.
Toutefois, ces techniques d’acquisition sont complémentaires des ressources développées à la main. Elles permettent notamment d’acquérir des
probabilités d’emploi des schémas et sont adaptables (elles permettent d’obtenir facilement des informations lexicales sur des sous-domaines de la
langue).
Ce chapitre présente des expériences et des outils qui montrent l’apport
de ces ressources. Dans un premier temps, nous avons acquis un lexique de
sous-catégorisation à partir d’un corpus journalistique ; nous avons ensuite
évalué ce lexique ; d’autres expériences ont permis de mettre en évidence
l’adaptabilité des méthodes d’acquisition automatiques ; des outils ont enfin été développés pour paramétrer la ressource obtenue et la rendre plus
efficace en fonction de la tâche visée.
85
6
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
6.1
Acquisition d’un lexique de sous-catégorisation à
large couverture pour le français
Nous avons réalisé une expérience d’acquisition automatique d’un
lexique de sous-catégorisation pour le français. La ressource obtenue par
cette expérience s’appelle LexSchem. Cette section présente tout d’abord le
corpus utilisé pour acquérir notre lexique. Nous détaillons ensuite les réglages utilisés dans ASSCi pour l’acquisition de LexSchem. La section se
conclut par une présentation du lexique et de l’interface qui permet de le
consulter en ligne.
6.1.1 Matériel et méthode
Corpus utilisé
Les informations acquises lors d’une expérience d’acquisition automatique de SSC dépendent directement du corpus utilisé. Le choix de ce corpus est donc crucial et détermine la qualité et l’exhaustivité de la ressource
acquise. Le choix du corpus dépend aussi de l’utilisation qui sera faite de la
ressource (domaine visé, nombre de verbes concernés, etc.).
Nous avons choisi d’utiliser le corpus journalistique LM10. Ce corpus
est constitué des articles de 10 années (1991-2000) du journal Le Monde. Il
s’agissait du plus gros corpus disponible et homogène quant à son style pour
le français au début de nos travaux : il contient 9,8 millions de séquences
(chaque séquence peut contenir une ou plusieurs phrases 1 ) soit 200 millions
de mots.
L’utilisation d’un corpus journalistique garantit une certaine hétérogénéité des thèmes abordés et des constructions syntaxiques utilisées du fait
de la variété des auteurs, les citations présentes dans les articles, etc. Les
trois phrases suivantes, extraites du corpus, montrent bien la variété des
thèmes abordés et des constructions observables dans Le Monde ainsi que la
complexité des phrases du corpus :
Le marché de New York ne cède plus à la panique : le 2 janvier en fin de
séance, les cours du brut avaient sérieusement rechuté, perdant 2 dollars par baril.
Le sida leur « bouffe la vie » : « Impossible de ne pas y penser ».
De son côté, le porte-parole du RPR, Patrick Devedjian, a déclaré que « les
communiqués d’autosatisfaction, les communiqués sur les lendemains qui chantent,
les Français commencent à s’en fatiguer, car les impôts, il y en a trop ».
Le corpus utilisé a été normalisé et « nettoyé » grâce à des scripts développés par Benoît Habert (afin d’éviter par exemple que les titres soient
« collés » au corps des articles, etc.). Ces traitements permettent notamment
de limiter le nombre d’erreurs dues à une mauvaise segmentation.
La distribution des verbes dans le corpus est représentée sur une échelle
double-logarithmique 2 dans la figure 6.1. Cette distribution est de type zipfien (c’est-à-dire qu’il y a beaucoup de verbes très peu fréquents (quelques
1. Ce phénomène est dû à des erreurs de segmentation.
2. L’échelle logarithmique permet de mieux représenter une gamme plus étendue de valeurs (ici par exemple, le nombre d’occurrences des verbes varie de 1 à plus de 3,5 millions).
86
6.1. Acquisition d’un lexique de sous-catégorisation à large couverture pour le français
4
log10 nb verbes
3
2
1
0
>0
>0,5
>1
>1,5
>2
>2,5
>3
>3,5
>4
>4,5
>5
>5,5
>6
>6,5
log10 nb occurrences
Figure 6.1 – Représentation log-log de la distribution des verbes du corpus LM10
occurrences) et très peu de verbes très fréquents (plus d’un million d’occurrences) dans le corpus). Le tableau 6.1 donne le nombre d’occurrences dans
le corpus LM10 de 20 verbes.
Réglages
Nous avons utilisé le système ASSCi sur le corpus LM10 pour acquérir
un lexique de sous-catégorisation verbale.
L’acquisition de LexSchem a été réalisée à l’aide de la version d’ASSCi
présentée dans le chapitre 5 3 .
Les seuils utilisés pour le filtrage du lexique sont donc ceux déterminés
par l’étalonnage présenté à la section 5.4.3 :
– 0,10 pour les schémas intransitifs ;
– 0,22 pour les formes pronominales ;
– 0,06 pour tous les autres SSC.
Rappelons également que seuls les 4 632 verbes gardés lors de la validation des verbes présentée à la section 5.3 ont été traités par ASSCi. Les verbes
mal annotés par TreeTagger sont donc exclus du processus d’acquisition.
Avant l’étape de filtrage, ASSCi répertorie 173 870 entrées différentes
(couples verbe - schéma candidat). Ce chiffre témoigne de la quantité et de
la variété des informations présentes dans le corpus. Si une grande partie
de ces entrées sont filtrées, il est intéressant de disposer de données classées
par usage syntaxique : des traitements simples sur ces données permettent
de consulter par exemple les phrases du Monde où tel verbe apparaît avec
telle préposition. Outre le traitement en largeur présenté dans cette thèse,
3. Des versions intermédiaires de LexSchem ont été rendues publiques tout au long du
travail de thèse. La version présentée dans ce chapitre est la version disponible sur la page
web du lexique (en juin 2010) : http://www-lipn.univ-paris13.fr/~messiant/
lexschem.html.
87
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
avoir
être
pouvoir
devoir
faire
venir
permettre
prendre
écrire
accompagner
aider
acquérir
remercier
catastropher
somnoler
nationaliser
importuner
poireauter
braire
lobotomiser
3503441
2808658
446981
352458
236004
113175
75599
53724
32457
9601
6726
1978
888
274
128
70
29
14
3
1
Table 6.1 – 20 verbes et leurs fréquences dans le corpus LM10 (verbes identifiés à l’aide de
l’étiquette donnée par TreeTagger)
on peut donc envisager un usage des informations acquises par ASSCi dans
des analyses en profondeur.
Temps de traitement pour le corpus LM10
Le temps de calcul observé sur une machine récente pour le traitement
du corpus LM10 est d’environ 30 heures pour l’extracteur de pré-schémas. Il
est plus raisonnable pour les deux autres modules : un peu plus d’une heure
pour le constructeur de schémas et moins de 2 minutes pour le filtrage.
Le temps de calcul élevé de l’extracteur est principalement dû à la taille
des fichiers traités (9,3 gigaoctets pour le corpus LM10 analysé par Syntex).
Il peut être considérablement réduit en ne conservant pas certaines informations volumineuses comme la liste des identifiants des analyses phrases du
corpus ou les lemmes têtes des arguments.
6.1.2 Présentation du lexique
L’utilisation d’ASSCi avec les réglages décrits dans la section précédente
a permis d’acquérir le lexique LexSchem.
Après le filtrage des 173 870 couples verbe - schéma candidat issus du
constructeur, LexSchem contient 7 239 couples verbe-SSC répartis sur 3 123
lemmes verbaux et 88 SSC différents (la liste des SSC présents dans LexSchem est donnée en annexe E). Environ 96 % des entrées sont donc filtrées
par le troisième module. Cette proportion très importante d’entrées filtrées
peut surprendre au premier abord. Elle s’explique pourtant assez simplement :
88
6.1. Acquisition d’un lexique de sous-catégorisation à large couverture pour le français
Nb de SSC
1
2
3
4
5
6
7
Nb de verbes
626
1385
729
278
88
15
2
Proportion
20,0%
44,3%
23,3%
8,9%
2,8%
0,5%
0,1%
Exemples de verbes
éternuer, miroiter, jubiler
accompagner, trier, retrouver
ouvrir, acheter, plaire
mordre, négocier, obliger
inviter, jeter, manquer
varier, conseiller, demander
travailler, débouler
Table 6.2 – Nombre de verbes par nombre de SSC
travailler
[SUJ:SN]
[SUJ:SN,OBJ:SN]
[SUJ:SN,A-OBJ:SP<à+SN>]
[SUJ:SN,P-OBJ:SP<avec+SN>]
[SUJ:SN,P-OBJ:SP<sur+SN>]
[SUJ:SN,P-OBJ:SP<dans+SN>]
[SUJ:SN,P-OBJ:SP<pour+SN>]
débouler
[SUJ:SN]
[SUJ:SN,OBJ:SN]
[SUJ:SN,A-OBJ:SP<à+SN>]
[SUJ:SN,P-OBJ:SP<en+SN>]
[SUJ:SN,P-OBJ:SP<sur+SN>]
[SUJ:SN,P-OBJ:SP<dans+SN>]
[SUJ:SN,DE-OBJ:SP<de+SN>]
Table 6.3 – Entrées de LexSchem pour les verbes travailler et débouler (après filtrage)
– le nombre de verbes traités passe de 4 632 à 3 123. Un tiers des verbes
(et donc toutes les entrées qui leur sont associées) sont donc supprimés du lexique final en raison d’un trop faible nombre d’occurrences
(moins de 30) ;
– le seuil sur le nombre d’occurrences des SSC (toutes les entrées avec
moins de 10 occurrences sont filtrées) réduit également de beaucoup
le nombre d’entrées avant le filtrage par fréquence relative ;
– un nombre très important d’entrées sont filtrées parce que leur fréquence relative dans le corpus ne dépasse pas les seuils. La majorité
de ces entrées sont des constructions qui contiennent un modifieur ou
qui résultent d’erreurs d’analyse. Nous verrons plus loin que certaines
d’entre elles sont des usages corrects mais qui n’apparaissent pas suffisamment dans le corpus LM10 pour passer le filtrage.
Le nombre moyen de SSC par verbe est d’environ 2,3. Le nombre de SSC
par verbe varie entre 1 et 7 (le tableau 6.2 donne la répartition des verbes du
corpus en fonction de leur nombre de schémas).
On remarque que les verbes qui ont 1, 2 ou 3 schémas représentent plus
de 90% des verbes du lexique. Seuls 0,6% des verbes acceptent 6 ou 7 SSC.
Les verbes acceptant 7 SSC sont : travailler et débouler. Le tableau 6.3
donne la liste des entrées de ces verbes.
Les entrées du verbe travailler correspondent bien à des usages de
ce verbe : travailler sur sa thèse, travailler dans l’informatique, etc. Toutefois, le complément P-OBJ:SP<avec+SN>] serait sûrement considéré comme étant un modifieur par un annotateur humain dans le
SSC [SUJ:SN,P-OBJ:SP<avec+SN>] (travailler avec ses collègues). Cette
construction ne figure d’ailleurs pas dans DicoValence 4 . On remarquera
4. Notons toutefois que ce type d’information peut permettre de repérer ultérieurement
des classes sémantiques en se fondant sur les familles de verbes partageant les mêmes modi-
89
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
enfin que notre méthode ne repère pour le verbe travailler aucun cas de composition de compléments, bien que plusieurs compléments prépositionnels
seraient susceptibles d’apparaître ensemble (il travaille avec ses collègues sur
un projet).
En revanche, les entrées du verbe débouler contiennent de nombreuses erreurs. La plupart de ces erreurs résultent du faible nombre d’occurrences
de ce verbe dans le corpus (environ 300) et de constructions non standard. Ainsi, le schéma [SUJ:SN,OBJ:SN] est le plus souvent dû à des erreurs d’analyse de Syntex en raison de très nombreuses inversions du sujet
comme dans la phrase « Chaque matin déboule la petite charrette de socca » (où
petite charrette est analysé comme un complément d’objet et non comme le
sujet). Le SSC [SUJ:SN,P-OBJ:SP<en+SN>] résulte d’expressions figées
ou semi-figées comme « débouler en masse » ou « débouler en trombe ». Il s’agit
d’erreurs dans la mesure ou « en trombe » et « en masse » font partie d’expressions figées et ne constituent pas des compléments en tant que tels. Il serait
sans doute possible d’aller plus loin en affinant le processus d’acquisition.
Un calcul de cooccurrence plus fin (concernant la force du lien entre le
nom complément et le verbe) permettrait sans doute de repérer au moins
partiellement les expressions figées et de les écarter du processus d’acquisition (en s’inspirant des travaux de (Fabre et Bourigault, 2008) – sauf qu’il
s’agit ici de modéliser le continuum entre compléments « libres » et expression figées – ou bien encore de ceux de (de Cruys et Moirón, 2007)). Faute
de temps, ce processus n’a pu être mis en place dans la thèse mais constitue
une perspective à ce travail.
On voit ici tout ce que le processus de filtrage a d’imparfait : il faudrait
éliminer les SSC qui ont des compléments fréquents qui sont en fait des
modifieurs ou qui forment des expressions figées ; à l’inverse, des schémas
valides sont écartés car trop rares. Néanmoins, les expériences précédentes
sur d’autres langues avec des techniques similaires l’ont bien montré, ce
type d’analyse est efficace pour acquérir des données en largeur, pour un
nouveau domaine ou une nouvelle langue. Comme nous le montrons dans
les pages suivantes, il est alors possible d’acquérir de nouvelles données,
de compléter des lexiques existants, voire de créer rapidement de nouveaux
lexiques moyennant une analyse et une révision manuelle.
Le tableau 6.4 met en parallèle les chiffres de LexSchem avec ceux
d’autres lexiques de sous-catégorisation pour le français. Il est toutefois délicat de comparer ces chiffres étant donné les différences entre les lexiques,
tant du point de vue de leur construction que des informations plus ou
moins précises présentes dans les SSC. Par exemple, LexSchem, DicoValence, LGLex et le Lefff précisent quelles prépositions sont susceptibles de
régir les compléments (voire dans certains cas quels types de compléments :
il existe par exemple dans DicoValence un paradigme locatif) alors que
ce n’est pas le cas pour TreeLex qui ne différencie que 3 types de compléments prépositionnels : ceux régis par à, ceux régis par de et les autres. Il
en est de même pour la finesse des ressources quant aux différents types
de constructions pronominales (voir chapitre 3 et section 6.2.2). On observe
fieurs (voir chapitre 7). Ce point reste néanmoins un inconvénient au niveau de l’acquisition
de SSC.
90
6.1. Acquisition d’un lexique de sous-catégorisation à large couverture pour le français
Lexique
Méthode
Nb de verbes
Nb d’entrées
Nb de SSC
Nb moyen de
SSC par verbe
LexSchem
Auto
3123
7239
88
DicoVal
Manuelle
3738
8313
?
Lefff
Mixte
6825
?
?
LGLex
Semi-auto
5694
16903
?
TreeLex
Semi-auto
2000
(4180)
180
2,3
(2,22)
?
(2,97)
2,09
Table 6.4 – Comparaison de LexSchem avec d’autres lexiques de sous-catégorisation pour
le français (les chiffres entre parenthèses ne sont pas des chiffres communiqués par les auteurs : ils résultent de nos calculs ; DicoVal = DicoValence)
toutefois une certaine proximité de LexSchem avec DicoValence en termes
de nombre de verbes et d’entrées. Le nombre d’entrées de LGLex est dû
aux nombreuses exceptions (expressions semi-figées, verbes supports, etc.)
codées directement dans le lexique (voir section 3.1). On remarque aussi la
faible couverture de TreeLex qui a été acquis à partir d’un corpus arboré
d’un million de mots. Le relatif faible nombre de verbes de LexSchem s’explique par les traitements visant à privilégier la qualité de la ressource par
rapport à sa couverture (validation des verbes à la sortie de TreeTagger,
seuil sur le nombre d’occurrence des verbes, etc.).
Format des entrées de LexSchem et extrait du lexique
Les informations disponibles pour chaque entrée de LexSchem sont :
–
–
–
–
–
–
–
–
l’identifiant de l’entrée ;
le verbe concerné par l’entrée ;
le schéma de sous-catégorisation concerné par l’entrée ;
le nombre d’occurrences de l’entrée dans le corpus ;
le nombre d’occurrences du verbe dans le corpus ;
le nombre de SSC pour ce verbe ;
la fréquence relative de l’entrée ;
les identifiants des séquences de l’analyse Syntex qui ont produit cette
entrée ;
– le nombre d’arguments du SSC ;
– les lemmes têtes de chacun de ses arguments.
Nous présentons ici quelques exemples d’entrée du lexique 5 :
Les deux entrées du verbe accompagner dans LexSchem sont :
*** Entrée 03739 (6135 occurrences, fréquence relative : 75.4)
Verbe : accompagner (8142 occurrences, 2 ssc)
SSC : [SUJ:SN,OBJ:SN]
Séquences Syntex : 0192.anasynt!d226258p6_4!14, ...
Lemmes têtes de l’argument 0: il (477:0.08), groupe (36:0.01),
délégation (21:0.00), sauce (4:0.00), ...
Lemmes têtes de l’argument 1: le (1699:0.27), mouvement
(68:0.01), président (52:0.01), 0), beignet (1:0.00), ...
5. Le format de LexSchem utilisé pour ces entrées est le format « normal » (voir section
6.4.2 pour un détail des différents formats disponibles pour LexSchem).
91
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
*** Entrée 01629 (2007 occurrences, fréquence relative : 24.6)
Verbe : accompagner (8142 occurrences, 2 ssc)
SSC : [SUJ:SN,REF:refl,DE-OBJ:SP<de+SN>]
Séquences Syntex : 0295.anasynt!d374460p4_1!63, ...
Lemmes têtes de l’argument 0: elle (212:0.10),
réduction (20:0.01), inactivité (1:0.00), ...
Lemmes têtes de l’argument 1: se (2007:1.00)
Lemmes têtes de l’argument 2: augmentation (31:0.02), réforme
(16:0.01), restructuration (10:0.00), chant (1:0.00), ...
Un certain nombre de constructions répertoriées dans les ressources présentées au chapitre 3 manquent dans LexSchem. C’est notamment le cas
des schémas présents dans TreeLex et DicoValence qui correspondent aux
constructions suivantes (extraites du corpus LM10) :
Pierre accompagne son fromage de vin.
Une fois cuit le pinon est servi chaud et s’accompagne avec le reste de la
sauce tomate.
Ces SSC sont présents dans les sorties du constructeur de SSC candidats
mais ils sont trop peu fréquents pour apparaître après filtrage :
[SUJ:SN, OBJ:SN, DE-OBJ:SP<de+SN>] (147 occurrences)
[SUJ:SN, REF:refl, P-OBJ:SP<avec+SN>] (4 occurrences)
Ces deux constructions apparaissent presque exclusivement dans un
contexte culinaire, peu fréquent dans le corpus LM10. Elles sont donc
« écrasées » par les milliers d’occurrences des deux schémas principaux
d’accompagner. Il faut nuancer l’absence de ces schémas par l’usage qui doit
être fait des systèmes d’acquisition automatique : ces derniers n’ont pas
vocation à « concurrencer » les dictionnaires construits à la main sur la
langue générale mais à adapter une ressource pour un corpus ou un domaine donné.
Voici les entrées du verbe acheter dans LexSchem :
*** Entrée 00615 (705 occurrences, fréquence relative : 11.9)
Verbe : acheter (5914 occurrences, 3 ssc)
SSC : [SUJ:SN,OBJ:SN,A-OBJ:SP<à+SN>]
Séquences Syntex : 0100.anasynt!d685792p5_3!72, ...
Lemmes têtes de l’argument 0: il (108:0.15), Chine (3:0.00),
...
Lemmes têtes de l’argument 1: le (53:0.07), action (14:0.02),
...
Lemmes têtes de l’argument 2: lui (85:0.12), Japon (17:0.02),
...
*** Entrée 06495 (1301 occurrences, fréquence relative : 22.0)
Verbe : acheter (5914 occurrences, 3 ssc)
SSC : [SUJ:SN]
Séquences Syntex : 1099.anasynt!d671009p2_3!20,...
Lemmes têtes de l’argument 0: musée (9:0.01), pays (7:0.01),
...
92
6.1. Acquisition d’un lexique de sous-catégorisation à large couverture pour le français
*** Entrée 03561 (3908 occurrences, fréquence relative : 66.1)
Verbe : acheter (5914 occurrences, 3 ssc)
SSC : [SUJ:SN,OBJ:SN]
Séquences Syntex : 0500.anasynt!d708862p3_7!2, ...
Lemmes têtes de l’argument 0: elle (171:0.04), pays (19:0.00),
...
Lemmes têtes de l’argument 1: le (272:0.07), livre (71:0.02),
...
Les SSC [SUJ:SN,OBJ:SN,A-OBJ:SP<à+SN>] (entrée 00615) et
[SUJ:SN,OBJ:SN] (entrée 03561) sont valides. Voici quelques phrases du
corpus à partir desquelles ces entrées ont été acquises :
Le propriétaire à qui il l’a achetée était astrologue et lui a vendue à bas prix
parce que les chiffres étaient favorables. ([SUJ:SN,OBJ:SN,A-OBJ:SP<à+SN>])
Et les investisseurs qui les ont récemment achetées pourraient en profiter.
([SUJ:SN,OBJ:SN])
Toutefois, en ce qui concerne le SSC [SUJ:SN,OBJ:SN,A-OBJ:SP<à+SN>],
il peut également s’agir de phrases où le complément en à est un modifieur :
À la sortie du musée , il achète un laissez-passer pour un an.
L’entrée 06495 (schéma [SUJ:SN]) est quant à elle essentiellement due
à des erreurs d’analyse syntaxique :
Qu’en est-il, aujourd’hui, des intérêts des copropriétaires qui ont acheté,
entre 1986 et 1989, des appartements non autorisés à la construction et détruits en
1989 par le FLNC ?
Ces erreurs sont commentées plus en détail dans la section 6.2.2. Un
extrait plus large de LexSchem est donné en annexe D.
6.1.3 Une interface web de consultation du lexique
Une interface de consultation a été développée en PHP/MySQL et mise
en ligne 6 . Elle permet de consulter les entrées de LexSchem correspondant
à un verbe ou à un SSC. On peut donc avoir un aperçu de tous les SSC correspondant à un verbe donné ou de tous les verbes qui acceptent un schéma
donné. Pour chaque entrée consultée, l’interface présente son nombre d’occurrences, sa fréquence relative ainsi que 5 exemples extraits du corpus. Il
est également possible de consulter les analyses Syntex correspondant aux
exemples, ce qui permet d’avoir une meilleure visibilité sur l’origine des
erreurs.
La première page de l’interface propose à l’utilisateur de choisir un verbe
ou un SSC parmi deux listes déroulantes (voir figure 6.2). Selon le choix fait
par l’utilisateur, l’interface propose la liste des SSC correspondant au verbe
choisi (voir figure 6.3) ou la liste des verbes qui acceptent le SSC choisi. L’utilisateur est invité à choisir un SSC / un verbe pour consulter les informations
correspondantes à ce choix (figures 6.4 et 6.5).
6. http://www-lipn.univ-paris13.fr/~messiant/lexschem.html
93
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
Figure 6.2 – Page d’accueil de l’interface de consultation de LexSchem
Figure 6.3 – Choix du SSC pour le verbe commander dans l’interface
Figure 6.4 – Résultats affichés dans l’interface pour l’entrée commander / [SUJ:SN,
OBJ:SN, A-OBJ:SP<à+SN>]
Figure 6.5 – Résultats affichés
P-OBJ:SP<en+SN>] / immigrer
94
dans
l’interface
pour
l’entrée
[SUJ:SN,
6.2. Évaluation de LexSchem
6.2
Évaluation de LexSchem
L’évaluation des ressources est un enjeu important qui permet de mettre
en évidence les limites de ces ressources afin de pouvoir les améliorer. Les
différentes méthodes d’évaluation ont été présentées à la section 4.1.
La qualité des ressources acquises par les systèmes automatiques fait
l’objet de critiques. Premièrement, ces lexiques sont incomplets, c’est-à-dire
que les informations qu’ils contiennent sont souvent moins riches que celles
présentes dans les lexiques construits à la main. Deuxièmement, les informations acquises sont en partie erronées pour différentes raisons : imperfection
de l’annotation morphosyntaxique ou de l’analyse syntaxique, erreurs lors
du processus d’acquisition, difficulté de la distinction argument - modifieur.
Enfin, il n’y a pas dans ces ressources d’entrées lexicales au sens défini à
la section 2.1. En effet, il est difficile de distinguer différents sens pour un
même verbe à l’aide de méthodes automatiques.
LexSchem est une ressource acquise automatiquement. Une évaluation
du lexique est donc nécessaire afin d’identifier ses lacunes et de proposer des
solutions quand cela est possible. L’évaluation permet également de donner
un aperçu de la qualité de la ressource (et du système d’acquisition) aux
utilisateurs potentiels.
Nous comparons tout d’abord LexSchem à d’autres lexiques du français
avant d’examiner plus en détail la nature des informations qu’il contient et
l’importance du type de corpus utilisé lors de l’acquisition. Nous proposons
enfin une typologie des erreurs du système.
6.2.1 Évaluation quantitative : comparaison avec d’autres ressources
La manière la plus classique d’évaluer une ressource acquise automatiquement est de la comparer à d’autres ressources. Il s’agit de l’approche
généralement adoptée, par exemple par Preiss et al. (2007).
Ressources utilisées et format commun
Nous sommes partis de deux lexiques de sous-catégorisation pour le
français : TreeLex (Kupść et Abeillé, 2008b) et DicoValence (van den Eynde
et Mertens, 2006), choisis pour leurs spécificités et leur disponibilité. Nous
avons présenté ces ressources dans le chapitre 3 et nous avons vu qu’elles ne
sont pas comparables, même si des similarités existent.
TreeLex est issu d’un corpus annoté (le corpus arboré de Paris 7) et
DicoValence est le fruit d’un travail manuel (pour une présentation plus
détaillée de ces deux lexiques, voir le chapitre 3). Les deux lexiques reposent
donc, directement ou indirectement, sur un important travail de description
linguistique préalable, ce qui permet de s’assurer de l’exactitude des schémas présents dans ces ressources (dans la grande majorité des cas). Cependant, cela ne garantit pas que ces lexiques soient complets, particulièrement
pour TreeLex qui a été acquis à partir d’un corpus journalistique de taille
limitée.
Il faut par ailleurs noter que DicoValence est structuré autour de la notion d’entrée lexicale : chaque entrée reflète une distinction de sens, comme
dans un dictionnaire usuel (pour distinguer les sens différents d’un même
95
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
verbe, un champ fournit la traduction du verbe en anglais). Par contre, TreeLex fournit des listes de SSC pour un même lemme verbal « à plat », c’està-dire que les constructions sont directement associées à un lemme verbal et
non à une unité lexicale reflétant les distinctions de sens. De ce point de vue,
LexSchem est proche de Treelex ; l’absence d’entrées lexicales en tant que
telles est certes une limite pour certaines applications mais n’est pas toujours
gênante s’il s’agit de fournir des ressources à un analyseur syntaxique ou de
fournir des données au linguiste qui se charge ensuite de les valider.
Pour des raisons différentes, ces deux ressources sont partielles : les
concepteurs de DicoValence se sont concentrés sur les verbes et les
constructions essentielles du français, tandis que TreeLex n’inclut que ce
qui est attesté dans le corpus arboré utilisé comme source. Il est donc intéressant de comparer la couverture relative de ces différentes ressources et
l’apport possible de LexSchem.
L’utilisation de DicoValence pour évaluer LexSchem nécessite une
transformation de format délicate en raison des spécificités liées à l’Approche Pronominale. À des fins de comparaison et d’évaluation, Claire
Gardent (Gardent et Lorenzo, 2010) a unifié un certain nombre de ressources
dans un format pivot dans le cadre du projet TALC (Traitement automatique des langues et des connaissances) 7 . Le processus n’est évidemment
pas sans poser problème : les ressources concernées ne sont pas fondées
sur la même théorie, elles n’ont pas le même objectif et les informations n’y
sont pas toujours codées de façon explicite. Nous nous sommes intéressé
en particulier à DicoValence-EASy qui est la transformation de DicoValence dans ce format pivot 8 . Des difficultés de codage ont entraîné des
erreurs : des constructions répertoriées dans DicoValence sont absentes de
DicoValence-EASy (c’est notamment le cas des compléments infinitifs introduits par une préposition : P-OBJ:SP<prep+SINF> qui sont systématiquement marqués OBJ:SINF ou des propositions subordonnées). Un article
récent de Piet Mertens (2010) confirme notre observation. Nous utiliserons
donc DicoValence-EASy à des fins de comparaison mais avec prudence.
Dans le cas de DicoValence, l’évaluation manuelle des résultats pour laquelle nous avons utilisé la ressource originale (voir section 6.2.2) est donc
indissociable de la comparaison quantitative présentée ici.
Conversion de LexSchem
Pour effectuer la comparaison des lexiques, il a fallu trouver un format commun conservant au mieux les informations originales (mais, du
fait des choix de descriptions variables d’un lexique à l’autre, la transformation ne peut être complètement neutre). Le format retenu est proche
du format EASy, du fait que les versions de TreeLex et de DicoValence
utilisées sont déjà encodées dans ce format. Les compléments prépositionnels y sont réduits à trois catégories : A-OBJ:SP<à+ SN|SINF> (compléments en « à »), DE-OBJ:SP<de+ SN|SINF> (compléments en « de »)
et P-OBJ:SP<prep+ SN|SINF> (les compléments gouvernés par toutes
7. Les lexiques au format EASy peuvent être trouvés à l’adresse suivante : http:
//talc.loria.fr/. Tous les lexiques mentionnés ici ont été consultés en ligne le 20 février 2010.
8. http://talc.loria.fr/Dicovalence-Easy.html
96
6.2. Évaluation de LexSchem
les autres prépositions). Ce processus de normalisation est nécessaire (par
exemple, le détail des prépositions est absent dans TreeLex et n’est pas systématique dans DicoValence) mais provoque un appauvrissement certain
des informations contenues dans le lexique. Toutefois, la phase de validation
manuelle (présentée dans la section suivante) permet ensuite de vérifier que
les schémas comprenant des P-OBJ concernent les bonnes prépositions.
Quelles mesures de comparaison des ressources ?
Nous avons expliqué plus haut (section 4.1) les problèmes liés à l’utilisation d’une ressource référence pour l’évaluation de ressources : le biais
induit par la théorie sur laquelle repose la ressource, la variabilité du traitement de la distinction argument/modifieur dans les lexiques construits à
la main, etc. sont autant de facteurs qui relativisent les résultats obtenus. Or,
les ressources utilisées ici ont été acquises à partir de corpus arboré et/ou
ont subi une transformation de format délicate.
Nous avons donc fait le choix de ne pas utiliser les mesures habituelles
de précision, rappel et F-mesure, dans la mesure où elles impliquent que
la ressource référence utilisée soit suffisamment complète et précise pour
représenter « toute » la langue. De plus, ces chiffres masquent souvent l’hétérogénéité des erreurs : se confondent des entrées erronées en raison d’une
erreur d’annotation ou d’analyse syntaxique, des entrées mal filtrées et des
entrées contenant un modifieur (et on sait qu’il est parfois difficile, même
pour un observateur humain de distinguer les arguments des modifieurs).
Pour toutes ces raisons, la précision, le rappel et la F-mesure nous semblent
trop grossières pour l’évaluation d’une ressource comme LexSchem.
Lorsqu’on acquiert une nouvelle ressource, on cherche à mesurer à la
fois son recouvrement avec les ressources existantes et la nouveauté qu’elle
apporte par rapport à ces ressources (cette nouveauté peut être notamment
due au corpus utilisé pour l’acquisition ou à des lacunes dans les ressources
existantes). La « nouveauté » est le nombre d’entrées acquises automatiquement et qui peuvent compléter une ressource existante. Habituellement, cette
nouveauté est traitée comme un déficit de précision de la ressource évaluée.
Or, si les entrées nouvelles contiennent une part d’entrées incorrectes, elles
contiennent également des entrées certes absentes de la ressource référence
mais correspondant à un usage dans la langue (autrement dit, ce n’est pas
parce qu’une entrée n’était pas dans la ressource de référence qu’elle est
fausse ; c’est précisément cette nouveauté qui fait tout l’intérêt des méthodes
automatiques). Il s’agira dans un deuxième temps de mesurer la qualité des
schémas, qu’ils soient nouveaux ou déjà mentionnés dans les ressources de
référence par une analyse qualitative (voir section 6.2.2). Cette approche permet de mettre en évidence le réel apport de notre approche par rapport à
l’état de l’art.
Pour mesurer le « recouvrement » et la « nouveauté » de LexSchem
par rapport à une autre ressource, nous avons donc comptabilisé le nombre
d’entrées communes aux deux ressources, la proportion de ces entrées par
rapport au nombre total d’entrées dans le lexique de comparaison (recouvrement) et le nombre d’entrées présentes dans LexSchem et non dans la
ressource de comparaison (indice de la nouveauté).
97
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
Nb total d’entrées dans la ressource
Nb d’entrées communes avec LexSchem
Recouvrement
Nb d’entrées nouvelles dans LexSchem
TreeLex
3570
2181
61,1%
1440
DicoValence-EASy
4282
2563
59,9%
1058
Table 6.5 – Nombre d’entrées communes et nouvelles dans LexSchem par rapport aux
deux ressources de référence (pour les 1 583 verbes communs aux 3 ressources)
recouvrement =
card(eval ∩comp)
card(comp)
(où eval est l’ensemble des entrées de la ressource évaluée et comp, celui
des entrées de la ressource de comparaison).
Si les couples verbe–SSC qui figurent à la fois dans LexSchem et dans
les ressources de référence sont généralement bons, il est plus délicat de
valider ou d’invalider, hors contexte, les nouveaux SSC proposés par LexSchem pour chaque verbe. Un travail manuel de validation est alors nécessaire. Les entrées absentes de LexSchem mais présentes dans la ressource de
comparaison posent un problème encore plus délicat : l’entrée n’a-t-elle pas
été repérée à cause d’erreurs d’analyse ou est-elle juste absente du journal
Le Monde (comme c’est le cas pour les constructions du verbe accompagner
présentées plus haut) ? Au-delà de quelques investigations manuelles pour
des verbes particuliers, il est difficile d’être catégorique quant au silence de
la ressource.
Résultats et discussion
Les SSC des 1 583 verbes communs aux 3 ressources ont été comparés. Le
tableau 6.5 montre les résultats obtenus. Précisons toutefois que le problème
de transformation de format de DicoValence vers DicoValence-EASy provoque probablement une surestimation de la nouveauté de LexSchem par
rapport à DicoValence-EASy. Ce problème de transformation de format
peut aussi avoir un effet, plutôt positif cette fois, sur le recouvrement entre
LexSchem et DicoValence. L’investigation manuelle est donc très importante pour étudier ce biais.
On ne remarque pas de différence significative au niveau du recouvrement entre les deux ressources de référence, TreeLex et DicoValence-EASy.
La seule différence remarquable concerne les nouveaux SSC, plus nombreux
quand on compare LexSchem avec TreeLex qu’avec DicoValence-EASy.
Ceci s’explique probablement par le plus grand nombre de SSC dans DicoValence (donc la meilleure couverture de cette ressource ; TreeLex a été acquis sur un corpus de taille moyenne — 1 million de mots — qui ne contient
qu’un sous-ensemble des SSC caractéristiques du français). Notons également que la nouveauté estimée pour DicoValence-EASy est probablement
surestimée étant donné les problèmes d’alignement évoqués plus haut.
Une part non négligeable des SSC des ressources de référence n’est pas
retrouvée par notre méthode. Ceci est dû à la stratégie de filtrage qui élimine
les SSC les moins fréquents. Il s’agit d’un biais assez fréquent des techniques
statistiques qu’il est difficile de corriger au niveau du filtrage lui-même : des
techniques de filtrage plus sophistiquées n’ont pas montré d’amélioration
98
6.2. Évaluation de LexSchem
significative (Korhonen et al., 2000). On s’aperçoit en revanche lors de l’analyse manuelle qu’un nombre non négligeable de SSC manquants pourrait
être inféré à partir des SSC effectivement repérés : une bonne partie des SSC
manquants sont en fait des formes réduites de SSC complexes (du fait du
caractère optionnel dans les réalisations de surface de la plupart des arguments). Ainsi, le système a inféré que le verbe donner pouvait être employé
avec deux compléments (Les anticolonialistes de ce bord-là donnaient une dimension morale à leur choix) ou un complément d’objet direct seul (Il donne
l’alerte). Le système peut assez sûrement proposer dans ce type de cas la
construction avec un complément d’objet indirect seul (Il faut donner au denier du culte), surtout si quelques exemples ont été trouvés en corpus. Il est
donc possible d’améliorer la couverture en introduisant un processus de ce
type en post-traitement afin de réduire le nombre de SSC manquants. Une
étude préliminaire de ce type est présentée à la section 6.4.3 On arrive alors
à une couverture plus satisfaisante de LexSchem par rapport aux ressources
existantes.
Le tableau 6.5 montre également l’apport possible de LexSchem par
rapport aux deux ressources de référence (sans prise en compte du posttraitement que nous venons d’évoquer). Les résultats doivent être complétés
par une analyse manuelle des SSC obtenus afin de vérifier la pertinence
des nouveaux schémas trouvés et la qualité des ressources de référence par
rapport à notre tâche. Nous avons effectué, en collaboration, une évaluation manuelle sur 150 verbes (voir section 6.2.2). Cette évaluation a révélé
que 109 nouvelles entrées valides pouvaient être ajoutés à TreeLex et 33
à DicoValence-EASy 9 . Plus de la moitié des entrées nouvelles proposées
pour ces 150 verbes ont été validées par les annotateurs (alors que ces entrées auraient été purement et simplement considérées comme « fausses »
par une évaluation classique par la mesure de la précision et du rappel).
Ceci montre selon nous la capacité de notre système (et plus généralement
des méthodes automatiques) à assister le linguiste lors de l’élaboration d’un
lexique ou lorsqu’il souhaite compléter des ressources existantes.
6.2.2 Évaluation qualitative
Une analyse qualitative des ressources obtenues par acquisition automatique est indispensable. En effet, la comparaison de LexSchem à d’autres
ressources ne donne qu’un aperçu partiel de la qualité du lexique du fait
du caractère complexe de la nouveauté : un schéma « nouveau » dans LexSchem peut être dû à une erreur ou au contraire être un schéma absent des
autres ressources mais valide pour la tâche visée (sur ce problème voir les
sections 4.1 et 6.2.1). Nous avons donc effectué une analyse manuelle de la
couverture et de la nouveauté obtenues lors de la comparaison de LexSchem
avec TreeLex et DicoValence-EASy. Nous nous penchons ensuite sur le cas
des constructions pronominales. Enfin, les analyses manuelles de LexSchem
9. Il faut toutefois noter que c’est à dessein que DicoValence et TreeLex ne sont pas
exhaustifs : les concepteurs de DicoValence ont par exemple volontairement limité leur
lexique aux 3 500 verbes les plus fréquents du français. Il n’empêche que les applications
de traitement des langues exigent des dictionnaires aussi complets et précis que possible et,
dans ce cadre, les méthodes (semi-)automatiques peuvent se révéler précieuses.
99
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
nous ont permis de mettre en évidence une typologie des erreurs rencontrées
dans notre ressource.
Analyse manuelle de la couverture et de la nouveauté
Les entrées de 150 verbes variés (choisis en fonction de leur fréquence,
de leur généricité et du nombre de SSC qui leur est associé) ont été évalués
par deux annotateurs indépendamment afin de mieux mesurer la qualité de
LexSchem 10 .
Nous avons généré un fichier XML comprenant les SSC pour 150
verbes parmi les 1 583 verbes utilisés lors de la comparaison de LexSchem
avec les deux autres lexiques (section 6.2.1). Pour chacun de ces verbes,
nous avons regroupé les entrées apparaissant dans LexSchem, TreeLex ou
DicoValence-EASy. Chaque entrée est caractérisée par sa présence ou son
absence dans LexSchem d’une part, dans TreeLex ou DicoValence-EASy
d’autre part, ainsi que par 5 exemples tirés du corpus Le Monde (dans le
cas où l’entrée est présente dans LexSchem). De plus, afin d’éviter les erreurs dues à la transformation de format, un retour à DicoValence est
réalisé de manière systématique lorsque certaines entrées évidentes sont absentes de DicoValence-EASy ou que des entrées fausses sont présentes dans
DicoValence-EASy.
L’évaluation des entrées se fait grâce aux balises <hum> et
<Commentaires>. La balise <hum> permet à l’annotateur de caractériser chaque entrée selon un code défini en amont. Ce code permet de
caractériser l’entrée de LexSchem par rapport aux autres ressources et de
retrouver facilement des exemples correspondants à chacun des cas.
Un guide d’annotation a été rédigé pour garantir la cohérence de l’évaluation. Un code a été défini afin de caractériser les entrées du fichier dans
la balise <hum>.
– les entrées de LexSchem jugées inexactes par l’annotateur ;
– les entrées de LexSchem jugées exactes ;
– les entrées présentes dans TreeLex ou DicoValence mais absentes de
LexSchem qui semblent correctes, dans le sens où elles reflètent bien
un comportement de sous-catégorisation (i.e. pour lesquelles l’annotateur trouve facilement un exemple) ;
– les entrées présentes dans TreeLex ou DicoValence mais absentes de
LexSchem qui semblent incorrectes ;
– les entrées présentes dans TreeLex ou DicoValence mais absentes de
LexSchem pour lesquelles l’annotateur n’est pas capable de dire hors
contexte si elles sont correctes ou non.
Une balise de commentaires permet à l’annotateur de faire des remarques sur l’entrée concernée : est-ce que l’entrée correspond bien aux
exemples ? À quoi sont dues les erreurs ? etc.
Un extrait de l’entrée du fichier d’évaluation correspondant au schéma
[SUJ:SN,OBJ:SN,A-OBJ:SP<à+SN>] pour le verbe « commander » est
donné en figure 6.6.
10. Il s’agit de Thierry Poibeau et de nous-même. Un guide d’annotation a toutefois été
rédigé pour garantir la cohérence de l’évaluation.
100
6.2. Évaluation de LexSchem
<verbe lemme="commander">
<ssc forme="[SUJ:SN,OBJ:SN,A-OBJ:SP<à+SN>]"
caracteristiques="present-lexschem;
absent-treelex;
present-dicovalence;">
<hum></hum>
<Commentaires></Commentaires>
<exemple>
La Shochiku lui commande Yokai Hanta Hiruko qui a
droit , lui , à une sortie commerciale .
</exemple>
Figure 6.6 – Extrait du fichier d’évaluation
Annotateur A
Entrées de LexSchem :
incorrectes
correctes
Entrées absentes de LexSchem :
correctes
douteuses ou incorrectes
Apport à TreeLex
Apport à DicoValence
39
311
6,5%
53,5%
131
22,5%
100
17,4%
116 nouvelles entrées
42 nouvelles entrées
Annotateur B
49
301
8,4%
51,8%
137
23,6%
94
16,2%
109 nouvelles entrées
33 nouvelles entrées
Table 6.6 – Données issues de l’analyse manuelle de 150 verbes de LexSchem
Au total, 581 entrées ont été annotées pour 150 verbes 11 . Les résultats
sont présentés dans le tableau 6.6.
Pour les formes absentes de LexSchem, l’annotation prévoyait initialement deux catégories : « douteux » d’une part et « incorrect » d’autre part.
Nous avons eu beaucoup de mal à juger de la pertinence de certaines entrées
hors contexte, ce qui a entraîné de fortes variations dans l’évaluation entre
ces deux catégories qu’il est en fait difficile de distinguer. Nous avons donc
choisi de les fusionner ici.
Cette analyse montre qu’il manque dans LexSchem environ 40 % des
entrées présentes dans les autres lexiques. Ceci est intéressant dans la mesure où une part non négligeable de ces entrées sont jugées incorrectes ou
douteuses par les évaluateurs humains. Ceci montre que même des lexiques
construits manuellement ou à partir de données fortement validées à la main
ne sont pas parfaits : ils peuvent contenir des erreurs ou des constructions
si rares qu’elles sont jugées douteuses par les évaluateurs. Le fait que ni DicoValence ni TreeLex ne comporte d’informations sur la productivité des
constructions indiquées ne permet pas de relativiser le poids de constructions peut-être rares ou spécialisées.
Par ailleurs, ces résultats montrent l’intérêt de l’approche automatique
pour compléter des ressources existantes. En effet, l’évaluation a révélé plus
de 100 entrées valides absentes de TreeLex et environ 40 dans le cas de DicoValence. Par exemple, le SSC [SUJ:SN,REF:refl,DE-OBJ:SP<de+SN>]
11. Chacune de ces entrées provient d’au moins une des trois ressources (mais certaines
d’entre elles sont absentes de LexSchem), ce qui explique le nombre important d’entrées par
rapport à la moyenne de 2,2 entrées par verbe évoquée plus haut.
101
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
n’est pas présent dans TreeLex pour le verbe détacher. Pourtant, cette entrée est présente dans LexSchem et est vérifiée par des exemples tirés du
corpus comme « Enfin , l’Albanie se détacha à son tour de la Chine, devenue par
la force des choses son alliée. ».
Cette expérience montre aussi que DicoValence est un lexique assez
complet : LexSchem lui apporte peu d’entrées nouvelles et correctes (entre
30 et 45). Parmi ces entrées, on trouve le SSC SUJ:SN,A-OBJ:SP<à+SN>
pour le verbe virer qui correspond bien à des usages corrects dans Le Monde :
une éthique qui vire à l’impuissance
il a viré au scepticisme
s’il vire au bleu marine, c’est la catastrophe
L’absence de cet emploi assez courant montre l’incomplétude des
ressources construites manuellement, même lorsque celles-ci ont une
bonne couverture. Parmi les entrées présentes dans LexSchem mais absentes des deux autres ressources, on trouve notamment la construction
[SUJ:SN,OBJ:SN,A-OBJ:SP<à+SN>] pour le verbe imprimer. Si on peut
penser au premier abord que ce schéma correspond à des expressions figées
(comme dans l’exemple Bonitzer imprime à son étude la marque de ses propres
thèmes fétiches), ce n’est pas toujours le cas dans les exemples extraits du
corpus :
Maître exigeant, il imprima sa passion à des cuisiniers aussi différents que
Pacaud, Dutournier ou Massonnet à Poitiers.
Les lois de la mécanique céleste prévoient que, si un corps suffisamment
massif tourne autour d’une étoile, il lui imprime un léger mouvement oscillatoire.
Des constructions courantes sont ainsi identifiées et montrent l’apport de
l’acquisition automatique par rapport aux dictionnaires existants.
Le cas des constructions pronominales
Les constructions pronominales sont intéressantes parce qu’elles posent
des problèmes de codage complexes, qui sont résolus de manière différente
suivant les lexiques considérés. Il s’agit surtout d’un phénomène massif en
français, qui concerne la plupart des lemmes verbaux.
Prenons le cas du verbe confondre. Pour ce verbe, LexSchem propose
les SSC donnés dans le tableau 6.7 (L’étiquette REF:refl est utilisée pour
toutes les constructions pronominales, indépendamment de la valeur sémantique du pronom).
Les constructions pronominales sont souvent couvertes de manière partielle dans les différents lexiques syntaxiques du français (voir section 3),
y compris dans des lexiques par ailleurs quasi exhaustifs. Pour le verbe
confondre, DicoValence est le plus précis dans la mesure où le lexique encode non seulement les formes pronominales mais précise en outre la valeur
sémantique des arguments 12 . Le Lexique Grammaire (et les versions dérivées comme LGLex) ne mentionne pas les constructions pronominales mais
précise les réalisations possibles des arguments 13 . TreeLex ne mentionne
qu’une seule construction, non pronominale ([SUJ:SN,OBJ:SN]).
12. Entrées 18280, 18290, 18300, 18305 et 18310 de DicoValence.
13. Entrées 4_114 et 32H_153 de LGLex.
102
6.2. Évaluation de LexSchem
SSC
[SUJ:SN,OBJ:SN]
[SUJ:SN,REF:refl]
[SUJ:SN,OBJ:SN,
P-OBJ:SP<avec+SN>]
[SUJ:SN,REF:refl,
P-OBJ:SP<avec+SN>]
Exemple
Ces gentils faux bénévoles confondaient la chose et
son slogan.
Si les oiseaux avaient la télé, il y a longtemps que
leurs chants se confondraient.
Un chasseur a été tué par erreur, par un compagnon qui l’a confondu avec un sanglier.
Le roi est le patron du makhzen, mais il ne se
confond pas avec lui.
Table 6.7 – SSC correspondants au verbe confondre dans LexSchem
Dans ce cas précis, les données de LexSchem pourraient compléter certains des lexiques examinés ci-dessus. Pour d’autres cas moins favorables,
les autres ressources seraient mieux armées. Un travail reste donc nécessaire
pour combiner les ressources et les diverses informations disponibles. Ceci
est particulièrement vrai des formes pronominales : il est rapidement nécessaire de quitter le cadre purement syntaxique pour déterminer leur valeur
sémantique (réfléchi, réciproque, passif, “pseudo-se”, etc.). Seul un travail
manuel peut fournir des informations fines à ce niveau ; une stratégie possible est la fusion de sources de connaissances complémentaires : c’est par
exemple la stratégie présentée pour compléter le Lefff sur cet aspect (Sagot
et Tolone, 2009).
Typologie des erreurs observées dans LexSchem
L’évaluation manuelle décrite ci-dessus a également permis de dégager
les causes d’erreurs les plus fréquentes dans LexSchem et d’envisager des
solutions dans le système d’acquisition pour éviter ces erreurs.
Nous avons choisi d’utiliser le couple TreeTagger-Syntex pour l’analyse
syntaxique car ces outils étaient les plus performants lorsque cette étude a
été lancée, au moins sur les corpus de presse (cf. section 5.2). Ces outils sont
cependant à l’origine de certaines erreurs d’analyse. Certaines erreurs dues
au TreeTagger ont été corrigées par le module de validation des verbes (voir
section 5.3). On a ainsi pu diminuer drastiquement la proportion de noms
étiquetés comme verbe (5 574 verbes douteux rejetés). Par exemple, le nom
du pilote de formule un Senna n’est plus reconnu comme une forme du
verbe senner et « le somnanbule » comme une forme du verbe somnanbuler.
Pour l’analyse syntaxique, Syntex a une stratégie prudente : si l’analyseur ne trouve pas d’indice suffisamment fiable pour le rattachement d’un
complément, celui-ci peut être laissé « libre », c’est-à-dire qu’il flotte et
qu’il n’est rattaché à aucun élément de la phrase (Bourigault et al., 2005).
C’est notamment le cas dans certaines phrases comprenant des insertions,
comme : « Il commande ensuite, sur Internet, des pièces détachées, qui donneront
une arme parfaitement inutilisable » qui produit le schéma (erroné) [SUJ:SN]
(soit verbe intransitif). Il arrive également que des pronoms ne soient pas
rattachés au verbe par l’analyseur. Par exemple, la phrase « Tu couches ou je
te vire » produit le schéma [SUJ:SN] (intransitif) pour le verbe virer. Nous
avons partiellement répondu à ce problème en mettant un seuil plus élevé
103
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
pour le SSC [SUJ:SN], fréquemment produit à cause de ces erreurs d’analyse. Bien évidemment, cette stratégie n’est pas toujours suffisante.
Un dernier ensemble d’erreurs est lié au système d’acquisition lui-même.
Certains SSC sont incorrects parce qu’ils contiennent des modifieurs. Par
exemple, le schéma [SUJ:SN_P-OBJ:SP<dans+SN>] est très présent en
corpus pour le verbe dormir mais le complément introduit par la préposition dans correspond toujours à un complément circonstanciel de lieu :
« Il dort dans son lit ». La distinction argument–modifieur reste donc difficile
quand on se fonde uniquement sur des indices de surface. Notons toutefois
que ce type d’erreurs (et plus généralement la présence régulière de certains
types de modifieurs) est utile pour le calcul de classes syntaxico-sémantique
de verbes (voir chapitre 7), voire pour le rattachement de compléments fréquents au verbe par des analyseurs syntaxiques.
6.2.3 Conclusion sur l’évaluation
L’évaluation tant quantitative que qualitative de LexSchem a montré ce
que l’acquisition automatique d’informations de sous-catégorisation verbale
pouvait apporter aux ressources existantes. Elle a également montré les limites des ressources acquises automatiquement lorsqu’on les compare à des
ressources construites ou validées à la main et portant sur la langue générale. La prochaine section explore les possibilités offertes par les systèmes
d’acquisition automatique lorsque l’objectif est de développer une ressource
pour une langue plus « spécialisée ».
6.3
Adaptabilité des méthodes d’acquisition automatique
L’un des principaux avantages des méthodes d’acquisition automatique
de ressources lexicales est leur « adaptabilité », c’est-à-dire leur faculté à acquérir des ressources différentes en fonction des réglages ou des corpus utilisés. Nous montrons ici que la méthode d’acquisition présentée dans le chapitre 5 peut-être utilisée pour acquérir des ressources sur un corpus « spécialisé ». Nous abordons également la possibilité d’adapter notre méthode
pour acquérir des SSC de prédicats non verbaux.
6.3.1 Acquisition de SSC de verbes pour une langue de spécialité
Les ressources « spécialisées » sont importantes pour améliorer la qualité
des systèmes de traitement de la langue. En effet, les applications de traitement automatique des langues reposent de plus en plus sur des ressources
lexicales. Or, les ressources disponibles concernent le plus souvent la langue
« générale » et les ressources « spécialisées » sont pour l’instant peu disponibles. Il est difficile de définir les concepts de « langue générale » et de
« langue de spécialité ». Ces notions sont discutées et leurs frontières sont
floues : à partir de quand une langue est suffisamment spécifique pour être
considérée comme spécialisée et méritant un traitement particulier ?
À défaut d’être capables de définir des règles pour répondre à cette question, nous pensons que certaines langues professionnelles ou techniques sont
104
6.3. Adaptabilité des méthodes d’acquisition automatique
très spécifiques et peuvent être étudiées en tant que « langues de spécialité ». C’est notamment le cas des domaines juridiques et médicaux, souvent
étudiés dans les laboratoires de linguistique. À titre d’exemple, nous avons
choisi le corpus LM10 pour son hétérogénéité mais on ne peut pas considérer que ce corpus journalistique couvre toute la langue générale (comme
nous l’avons montré à la section 6.1.2 avec l’absence de constructions relatives à l’utilisation du verbe accompagner dans un contexte culinaire). La
construction manuelle de nouvelles ressources spécialisées est coûteuse et
l’acquisition automatique d’une base de travail qui peut être ensuite validée
et complétée à la main semble une piste intéressante.
Nous avons donc utilisé un nouveau corpus afin de déterminer la capacité d’ASSCi à acquérir de nouveaux SSC en fonction du corpus considéré.
Pour ce faire, nous avons choisi de prendre comme source la partie française
du corpus EuroParl 14 (Koehn, 2005). Il s’agit d’un corpus parallèle librement disponible sur Internet, constitué des actes du Parlement européen
entre mars 1996 et septembre 2003 15 . Même s’il ne s’agit pas d’un corpus
spécialisé au sens propre du terme, on peut s’attendre au sein du corpus
EuroParl a avoir affaire à des SSC particuliers liés à la nature et au genre
du corpus considéré, c’est-à-dire des textes législatifs européens.
Pour acquérir des SSC à partir du corpus EuroParl, nous avons utilisé
le système ASSCi présenté dans le chapitre 5 avec les réglages par défaut
(notamment en ce qui concerne les seuils). L’objectif de cette étude est de
valider notre hypothèse selon laquelle l’acquisition automatique de SSC sur
un corpus spécialisé donne des résultats sensiblement différents de ceux
obtenus lors de notre première expérience 6.1.
Le tableau 6.8 présente les chiffres obtenus pour le lexique acquis à partir
du corpus EuroParl (LS-EuroParl) à ceux extraits du corpus LM10 (LSLM10, section 6.1). Le repérage automatique des nouveaux SSC est simple,
dans la mesure où il suffit de les extraire par comparaison entre les deux
ressources. 1 171 verbes sont présents à la fois dans LexSchem-LM10 et dans
LexSchem-EuroParl : tous les verbes présents dans EuroParl sont également présents dans LM10 (ce qui s’explique par la différence de taille entre
les deux corpus et le fait que Le Monde relate régulièrement des informations
du domaine législatif). 2 445 entrées (couples verbe-SSC) sont présentes dans
les deux ressources tandis que 4 794 couples verbe-schéma sont spécifiques
à LexSchem-LM10 et 258 à LexSchem-EuroParl. Ces chiffres montrent que
les données présentes dans le lexique sont fortement dépendantes du corpus utilisé. Une analyse manuelle des données est nécessaire pour évaluer
la spécificité des entrées issues du corpus EuroParl par rapport à celles
issues de LM10.
Une étude qualitative a donc ensuite été menée. Nous avons examiné
les SSC spécifiques à LexSchem-EuroParl obtenus à partir de l’analyse automatique décrite auparavant. Parmi les SSC nouveaux repérés, un grand
14. http://www.statmt.org/EuroParl/.
15. Le corpus inclut 11 langues européennes : français, italien, espagnol, portugais, anglais,
néerlandais, allemand, danois, suédois, grec et finnois. Chaque langue comprend environ 1
million de phrases, qui contiennent de l’ordre de 28 millions de mots ; nous n’utilisons ici
que la partie française du corpus.
105
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
LS-LM10
LS-LM10 uniquement
LS-LM10 et LS-EuroParl
LS-EuroParl uniquement
LS-EuroParl
Nb de verbes
3123
1952
1171
0
1171
Nb de SSC
88
19
69
5
74
Nb d’entrées
7239
4794
2445
258
2703
Table 6.8 – Comparaison de LexSchem-EuroParl avec LexSchem-LM10
nombre de constructions, bien qu’elles ressortissent à la langue générale,
n’en sont pas moins remarquables dans le corpus EuroParl. Ainsi, enchaîner se construit fréquemment avec les prépositions avec ou sur. Ceci est bien
évidemment dû au contexte du Parlement européen fait de longues séries
de débats et de discussions (« J’enchaînerai immédiatement sur le thème évoqué
par M. Ilgenfritz , celui des régions frontalières » ; « J’enchaînerai ensuite avec le
rapport Purvis »). Dans le corpus LM10, enchaîner est le plus souvent utilisé
au style direct (« “Il n’ y a rien de plus excitant que de faire une pièce”, enchaîne
Martin Gousset » ou « Elles enchaînent : “Non à l’amnistie” »), alors que cet
emploi est quasi inexistant dans le corpus EuroParl. Dans les deux corpus,
le sens concret de (s’)enchaîner est quasi absent.
On constate également l’apparition de nouveaux SSC et de familles sémantiques associées au contexte particulier du corpus EuroParl. Ainsi, les
constructions de voter avec les prépositions pour, contre ou la locution en faveur de sont sans commune mesure avec ce que l’on obtient à partir de LM10
(où seul pour est assez présent pour être conservé malgré le filtrage). Dans
le même ordre d’idées, le verbe se prononcer peut se construire avec sur mais
surtout en faveur de ; mettre à disposition et donner mandat se construisent avec
pour ; légiférer et s’abstenir avec sur, etc. Tous ces verbes sont remarquables du
domaine considéré et esquissent les éléments d’un sous-langage législatif.
Cette première expérience montre bien l’adaptabilité du système et sa capacité à acquérir des informations spécifiques selon le corpus utilisé. Néanmoins, dans le cas du domaine législatif, les SSC obtenus concernent des
verbes spécifiques qui sont parfois utilisés dans le corpus journalistique
LM10 qui relate régulièrement certains débats parlementaires.
L’acquisition de ressources à partir d’un corpus dont la « spécialisation »
est encore plus marquée (un corpus médical par exemple) est donc tout à
fait envisageable. La principale difficulté réside dans l’adaptation de TreeTagger et de Syntex au domaine médical (par exemple pour qu’ils puissent
reconnaître les noms de molécules). Une part de travail manuel est donc nécessaire. Toutefois, ce travail reste bien moins coûteux que la construction
d’un lexique de sous-catégorisation à la main.
Notons également qu’il est possible d’utiliser des réglages plus « permissifs » (c’est-à-dire des seuils moins élevés) lors de l’acquisition afin de faire
émerger un plus grand nombre de constructions. Le fait de privilégier le
rappel sur la précision est une bonne solution lorsque l’on est assuré d’une
validation manuelle de la ressource a posteriori. C’est pourquoi nous avons
rendu disponibles une version non filtrée de LexSchem et un programme de
filtrage autonome 16 (voir section 6.4.1).
16. http://www-lipn.univ-paris13.fr/~messiant/lexschem.html
106
6.3. Adaptabilité des méthodes d’acquisition automatique
En tous cas, l’acquisition automatique de SSC peut fournir une base de
travail intéressante pour les linguistes cherchant à bâtir des ressources spécialisées en leur permettant de se concentrer sur les cas difficiles ou peu
fréquents.
6.3.2 Acquisition de SSC de prédicats non verbaux
Les méthodes d’acquisition automatique de ressources lexicales permettent également d’acquérir facilement des ressources pour d’autres types
de prédicats. Par exemple, Judita Preiss et al. (2007) ont utilisé le système
d’acquisition de SSC de Cambridge pour acquérir les SSC des adjectifs et
des noms prédicatifs en anglais.
À l’image des études concernant les domaines de spécialité, la faible
disponibilité de ressources de sous-catégorisation pour les prédicats nonverbaux justifie les expériences de ce type.
L’adaptation d’un système comme ASSCi à un autre type de prédicats est
plus coûteuse que son utilisation sur un corpus de spécialité. Il reste néanmoins beaucoup plus simple et rapide d’acquérir automatiquement des SSC
pour les noms prédicatifs ou les adjectifs que de développer une ressource
à la main ex nihilo (si on considère les travaux antérieurs de construction de
dictionnaires). La qualité de la ressource acquise automatiquement dépend
ici aussi tout autant de la taille du corpus utilisé que du temps et de l’attention attribués aux réglages du système et à la validation de la ressource.
Nous avons réalisé une première expérience d’acquisition automatique
de SSC pour des noms prédicatifs en effectuant quelques modifications dans
notre système : l’objectif est de repérer les constructions dans le corpus qui
correspondent aux occurrences des noms prédicatifs. L’architecture du système ainsi que l’implémentation des modules ont été très peu modifiées
(nous avons par exemple utilisé la même liste d’étiquettes pour les compléments) pour cette expérience préliminaire qui avait pour objectif d’explorer
la faisabilité de l’acquisition automatique de SSC de noms prédicatifs en
français. Cette expérience faisait suite à la demande de linguistes dont le
thème de recherche est la nominalisation (par exemple, le verbe annuler se
nominalise en annulation). Le corpus que nous avons utilisé pour cette expérience est le corpus journalistique LM10 (voir section 6.1.1).
La principale difficulté rencontrée a été le repérage des noms prédicatifs
dans le corpus : aucune information de surface ne nous permet de différencier « le camion de Jean » de « la construction de l’aqueduc ». La solution la plus
simple à ce problème est de fournir une liste de noms « ciblés » au système.
Nous avons décidé de traiter les noms répertoriés dans la ressource VerbAction qui est un lexique de noms d’actions morphologiquement apparentés
à des verbes 17 . Par cette méthode, nous avons acquis les SSC de 1 436 noms
prédicatifs.
Les SSC de noms prédicatifs sont très différents des SSC de verbes : les
noms prédicatifs ne prennent ni sujet ni objet et le schéma intransitif (sans
complément) n’a pas de sens (tous les noms peuvent apparaître sans complément). Tous les schémas acquis par notre méthode sont des combinaisons
17. http://w3.erss.univ-tlse2.fr:8080/index.jsp?perso=hathout/
verbaction/main.html
107
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
d’un ou de plusieurs syntagmes prépositionnels. Par exemple, le schéma
SP<de+SN> apparaît pour de très nombreux noms dont construction, consultation et perturbation. Ce schéma est issu d’une propriété bien connue de la
nominalisation :
Les ouvriers construisent le pont. → La construction du pont
La ressource acquise lors de cette première expérience n’a pas fait l’objet
d’une évaluation approfondie. Il est néanmoins possible de reprendre cette
étude pour acquérir des SSC de noms et/ou d’ajectifs prédidatifs à l’aide
d’ASSCi. Ces informations pourront constituer une base intéressante pour
la création d’un lexique de sous-catégorisation de ces prédicats pour le français 18 .
6.4
Des outils pour le paramétrage des lexiques
Les informations utiles dans les lexiques de sous-catégorisation peuvent
varier selon les besoins ou les applications visées : les applications de TAL
reposent en majorité sur un lexique le plus exact possible mais le calcul de
classes de comportement lexico-sémantiques peut profiter de la version non
filtrée ou peu filtrée (élimination des entrées très peu fréquentes) et éventuellement de connaissances sur le contenu lexical des arguments du verbe
comme nous le montrerons dans le chapitre 7. La faculté des systèmes d’acquisition automatique à s’adapter à ces besoins est l’un de leurs principaux
avantages sur la constitution manuelle ou semi-manuelle de ressources.
Afin de favoriser l’utilisation de LexSchem, nous avons donc développé
des outils que nous avons rendu disponibles pour la communauté. En particulier, il nous semble important de permettre aux utilisateurs potentiels
d’adapter la ressource à des besoins variés.
Cette section présente ces outils développés autour d’ASSCi et de LexSchem : un programme de filtrage du lexique ; un script de transformation
du format du lexique et un système de proposition de nouveaux SSC pour
compléter le lexique.
6.4.1 Filtrage du lexique
Le filtrage de LexSchem réalisé par le troisième module d’ASSCi a pour
objectif d’optimiser l’équilibre entre la précision et le rappel du lexique.
Toutefois, selon l’application visée (lexicalisation d’un analyseur syntaxique,
classification verbale, fusion des données avec d’autres ressources, etc.), les
informations souhaitées dans le lexique peuvent varier. Par exemple, un algorithme d’acquisition de classes verbales pourra tirer profit de schémas
contenant des modifieurs et sera peu sensible au bruit alors qu’un analyseur
syntaxique aura besoin de la structure argumentale stricto sensu.
Un script de filtrage de LexSchem inspiré du module de filtrage
d’ASSCi et le lexique non filtré sont mis à disposition de la communauté
18. Contrairement au verbe, on dispose de peu de dictionnaires électroniques de souscatégorisation pour les noms et adjectifs prédicatifs en français même si certaines des ressources présentées au chapitre 3 disposent de telles informations.
108
6.4. Des outils pour le paramétrage des lexiques
sur la page web de LexSchem : http://www-lipn.univ-paris13.fr/
~messiant/lexschem/lexschem.php 19 .
Le script fonctionne exactement de la même manière que le module de
filtrage présenté dans la section 5.4.3. La seule différence est que l’utilisateur
doit entrer les réglages au lancement du script.
Les choix proposés à l’utilisateur sont :
– les seuils à utiliser pour le filtrage : seuil de base, seuil pour les formes
intransitives, seuil pour les formes pronominales ;
– la réduction ou non des SSC.
Après l’utilisation de ce programme, l’utilisateur peut disposer d’une
ressource plus adaptée à ses besoins que le lexique présenté à la section 6.1.
6.4.2 Formats disponibles pour le lexique
Afin de rendre LexSchem utilisable dans différents contextes, celui-ci est
disponible en différents formats. Le format d’origine des ressources acquises
par le système ASSCi est un format « brut » : les entrées sont présentées par
ligne et les champs sont séparés par des tabulations. Ce format convient bien
à un traitement automatique mais il n’est pas standard.
Pour faciliter l’utilisation de nos ressources, nous avons développé et mis
à disposition de la communauté un script de transformation du format de
sortie d’ASSCi 20 .
Le programme permet de choisir de rendre LexSchem plus lisible (format « normal »), de le transformer dans un format XML ou encore dans le
format utilisé pour les versions antérieures du lexique (ce qui permet aux
utilisateurs de LexSchem qui auraient utilisé ces versions d’utiliser la dernière version sans problème). Un aperçu de ces formats est donné en annexe
D.
Le script permet également de faire disparaître les listes de séquences
Syntex et des têtes argumentales du fichier de résultat 21 (ces informations
rendent le fichier moins lisible et sont parfois inutiles).
Le format XML permet d’adapter aisément les lexiques acquis par ASSCi
dans des formats standard comme le format EASy 22 ou encore le format
LMF 23 .
6.4.3 Proposition de nouveaux schémas
Comme nous l’avons vu dans la section 6.2.2, l’observation de notre
lexique a révélé qu’un grand nombre de SSC corrects mais absents
19. La version du lexique non filtré disponible ne contient pas les listes des séquences
Syntex et des têtes argumentales correspondant à l’entrée (la taille du fichier contenant ces
informations est trop importante pour qu’il soit facilement téléchargeable).
20. Le script de transformation et des versions de LexSchem aux différents formats
sont téléchargeables sur la page : http://www-lipn.univ-paris13.fr/~messiant/
lexschem.html.
21. Le suffixe -noseqs est ajouté à la fin du nom des fichiers ne contenant par les séquences Syntex et le suffixe -noargs à la fin du nom des fichiers ne contenant pas les têtes
argumentales.
22. Un format proche d’EASy a d’ailleurs été utilisé pour comparer LexSchem à TreeLex.
23. Lexical Markup Framework : http://www.lexicalmarkupframework.org/
109
Chapitre 6. Utilisation et évaluation des méthodes d’acquisition automatique de SSC
de LexSchem s’avéraient être des formes réduites de schémas présents dans LexSchem. Il s’agit souvent de compléments qui peuvent
s’effacer en surface tout en restant présents dans la structure argumentale profonde. Par exemple, pour le verbe alerter, LexSchem répertorie le SSC [SUJ:SN,OBJ:SN,P-OBJ:SP<sur+SN>] mais pas
[SUJ:SN,P-OBJ:SP<sur+SN>]. Or, cette construction peut apparaître
dans certains contextes : « Le panneau de forme triangulaire alerte sur le danger. ». L’objet est ici sous-entendu mais il est intéressant de disposer de ce
schéma pour la lexicalisation d’un analyseur syntaxique par exemple.
Nous avons donc développé un script qui permet de compléter un
lexique existant en inférant automatiquement des SSC. Ces schémas sont
produits en réduisant les SSC présents dans le lexique d’origine (c’està-dire en supprimant un de leurs arguments). Par exemple, si le verbe
dépenser accepte le schéma [SUJ:SN,OBJ:SN,P-OBJ:SP<pour+SN>]
mais pas le schéma [SUJ:SN,P-OBJ:SP<pour+SN>], on peut supposer qu’un effacement de l’objet est possible et la construction
[SUJ:SN,P-OBJ:SP<pour+SN>] peut être proposée au validateur qui
détermine sa pertinence. Si le SSC est validé, il est ajouté au lexique.
Pour chaque verbe du lexique (ou chacun des verbes choisis au préalable
par l’utilisateur), le script parcourt ses SSC et tente de les réduire. Pour ce
faire, il teste les schémas produits en retirant l’un des arguments non sujet
du SSC. Si ce SSC n’est pas déjà présent dans LexSchem, il est proposé à un
validateur humain qui choisit de l’ajouter ou non au lexique.
Par exemple, un nouveau schéma est proposé au validateur pour le verbe
dépenser :
Ajouter [SUJ:SN,P-OBJ:SP<pour+SN>] au lexique pour le verbe
"dépenser" ? (ce SSC a été inféré à partir du schéma
[SUJ:SN,OBJ:SN,P-OBJ:SP<pour+SN>] qui est présent dans le lexique)
Si le validateur répond « oui » (en s’appuyant par exemple sur la phrase
il a dépensé pour 300 euros (en une soirée)), le SSC est ajouté au lexique :
L’entrée dépenser / [SUJ:SN,P-OBJ:SP<pour+SN>] a été ajoutée au lexique !
À l’issue du processus, on obtient une nouvelle version du lexique comprenant les ajouts validés. Néanmoins, le lexique produit est « appauvri »
dans le sens où les informations relatives aux entrées (nombre d’occurrences,
fréquence relative, têtes des arguments, etc.) n’existent pas pour les schémas
ajoutés. Le nouveau lexique est donc une suite de couples verbes/schémas.
Par exemple, le verbe encourager est caractérisé par les entrées suivantes
dans le nouveau lexique (l’astérisque marque l’entrée ajoutée grâce au programme de proposition de nouveaux schémas) :
dépenser [SUJ:SN]
dépenser [SUJ:SN,OBJ:SN]
dépenser [SUJ:SN,OBJ:SN,P-OBJ:SP<pour+SINF>]
dépenser [SUJ:SN,OBJ:SN,P-OBJ:SP<pour+SN>]
* dépenser [SUJ:SN,P-OBJ:SP<pour+SN>]
110
6.5. Conclusion
Cette méthode permet donc de compléter facilement le lexique afin
d’améliorer sa couverture. Le programme peut également servir de socle
pour une validation du lexique ou proposer d’autres règles pour compléter
LexSchem (par exemple, en proposant d’ajouter les entrées qui ont été observées dans le corpus mais dont la fréquence relative est légérement inférieure
au seuil).
À l’heure actuelle, nous n’avons malheureusement pas pu mesurer l’apport de cette méthode de complétion du lexique. Néanmoins, si la validation
manuelle des entrées proposées est coûteuse, elle garantit une amélioration
de la ressource.
6.5
Conclusion
Nous avons présenté l’acquisition d’un lexique de sous-catégorisation à
large couverture pour les verbes français. L’évaluation de ce lexique a permis de montrer ses limites et de tenter de répondre aux erreurs les plus
fréquentes. Nous avons ensuite effectué une deuxième expérience pour mesurer l’apport des méthodes d’acquisition automatique dans le cadre d’une
langue « spécialisée ». Enfin, nous avons présenté des outils développés pour
faciliter l’accès et l’utilisation de ce lexique par la communauté.
Une autre manière de mesurer l’intérêt des méthodes d’acquisition automatique de ressources est d’utiliser les lexiques acquis dans un cadre applicatif. Le prochain chapitre présente des expériences de classification automatique de verbes réalisées à partir des données issues d’ASSCi.
111
Production de classes de
verbes sur la base de leur
comportement syntaxique
L
e chapitre précédent a montré que les lexiques acquis automatiquement
comportent une part non négligeable d’erreurs. Il est néanmoins possible d’utiliser les informations présentes dans ces lexiques dans des applications de traitement automatique des langues ou pour acquérir d’autres
ressources. Nous nous sommes particulièrement intéressé à la production de
classes de verbes. De telles classes fournissent une base solide à la constitution de ressources telles que WordNet ou VerbNet qui ont de nombreuses
applications.
Nous avons réalisé deux expériences de production automatique de
classes verbales à partir de LexSchem. Ces expériences ont été réalisées dans
le cadre de collaborations. Nous présentons tout d’abord la problématique
et l’état de l’art du domaine avant de présenter les deux expériences de production de classes verbales et leur évaluation. Le chapitre se termine par une
discussion sur les résultats obtenus.
113
7
Chapitre 7. Production de classes de verbes sur la base de leur comportement syntaxique
7.1
Problématique
Les classes lexicales visent à regrouper des ensembles de mots partageant des comportements syntaxiques et/ou sémantiques similaires. Nous
nous intéressons en particulier aux classes de verbes. Par exemple, on peut
considérer la classe de verbes suivante :
[casser briser fracasser]
Ces verbes, proches d’un point de vue sémantique, ont également une
proximité syntaxique. Ces verbes acceptent les mêmes SSC et ont des alternances communes. Dans l’exemple bien connu suivant, les schémas prédicatifs ne suffisent pas pour classifier correctement les verbes hit et break
(Fillmore, 1967) :
(1a) The boy broke the window with a ball.
(1b) The boy hit the window with a ball.
Les verbes hit et break partagent la même construction : dans les deux
cas, the boy est sujet/agent, the window est objet/patient et a ball est objet
avec la préposition with/instrument. Or, break traduit un changement d’état
de la fenêtre alors que ce n’est pas le cas pour hit (qui traduit simplement
un contact sans changement d’état) et ces verbes appartiennent donc plutôt
à des classes distinctes.
Ce qui permet de distinguer les verbes de changement d’état (comme
break) des verbes de contact (comme hit), c’est le fait que les premiers acceptent l’alternance causative/inchoative alors que les seconds ne l’acceptent
pas :
(2a) The window broke.
(2b) * The window hit.
Voici quelques exemples de verbes appartenant à ces deux classes :
[break shatter bend fold crack]
[hit slap strike bump stroke]
La classification verbale a donné lieu à de nombreux travaux (Levin, 1993;
Grishman et al., 1994; Miller, 1995; Baker et al., 1998; Palmer et al., 2005;
Kipper-Schuler, 2005; Hovy et al., 2006). Ces classifications, sémantiques et
syntaxiques, ont de nombreux intérêts, tant applicatifs que théoriques.
D’un point de vue théorique, l’étude de ces classes permet de se pencher
sur la question de l’interface syntaxe/sémantique. En effet, les travaux de
Levin sur l’anglais (Levin, 1993) tout comme ceux de Gross sur le français
(Gross, 1975) tendent à montrer que des verbes partageant des comportements syntaxiques similaires peuvent (souvent) former des classes homogènes sur le plan sémantique. Levin (1993) a constitué des classes de verbes
sur la base des alternances qu’ils partagent : si des verbes n’ont pas les
mêmes alternances, ils n’appartiennent pas à la même classe. Ensuite, Levin
a tenté d’interpréter les classes obtenues en cherchant quels en sont les éléments sémantiques discriminants (par exemple, dans le cas des verbes break
et hit, il s’agit du changement d’état du patient). Toutefois, ce lien entre syntaxe et sémantique n’est pas parfait. C’est pourquoi l’exploration de classes
114
7.2. Travaux antérieurs
acquises sur la base de comportements syntaxiques est intéressant pour tenter de mieux délimiter cette interface 1
Au niveau applicatif, les classes verbales peuvent notamment être utilisées par des systèmes question/réponse, de traduction automatique, d’étiquetage en rôles sémantiques ou d’extraction d’information (Swier et Stevenson, 2004; Dang, 2004; Shi et Mihalcea, 2005; Abend et al., 2008; Zapirain
et al., 2008). Nous avons également vu que des classes de ce type sont utiles
pour améliorer les performances des systèmes d’acquisition de SSC en permettant de compenser un manque d’information. En effet, les verbes d’une
même classe partageant d’après Levin les mêmes alternances, on peut attribuer à un verbe rare l’ensemble des SSC repérés pour un verbe moins rare
de la même classe sémantique (back-off estimates, pour plus de détail voir la
section 4.4 et l’article de Korhonen (2000)). Leur exploitation est toutefois limitée à l’heure actuelle en raison de leur faible disponibilité pour la plupart
des langues.
L’intérêt de ces classes est donc manifeste pour les recherches théoriques
comme pour les recherches appliquées. Il est aussi possible d’inférer de ce
type de recherche une ressource « à la VerbNet », où les verbes sont assemblés en classes syntaxico-sémantiques rangées hiérarchiquement. Il a été
montré qu’une approche automatique du type de celles que nous présentons
dans ce chapitre constitue une base intéressante pour produire des classes
pertinentes et peut notamment enrichir un travail manuel coûteux (Kipper
et al., 2008).
7.2
Travaux antérieurs
Des travaux récents font état d’approches variées de classification automatique (Schulte im Walde, 2006; Joanis et al., 2008; Li et Brew, 2008; Ó
Séaghdha et Copestake, 2008; Vlachos et al., 2009; Sun et Korhonen, 2009;
Suzuki et Fukumoto, 2009).
L’intérêt de la classification automatique est d’une part de faciliter la
tâche fastidieuse de création de ressources linguistiques par le biais d’une
acquisition automatique de propriétés lexicales ; d’autre part, les ressources
lexicales structurées sont plus faciles à maintenir et à élargir parce qu’elles
permettent de formuler des généralisations sur des classes de mots.
Les premières tentatives de classification sémantique automatique s’appuyaient sur la classification de Levin : elles visaient à reproduire automatiquement les classes anglaises ou une classification équivalente pour d’autres
langues (Schulte im Walde, 2000; Korhonen et al., 2003), à identifier les alternances syntaxiques (McCarthy, 2001) ou à compléter le système de Levin
par de nouvelles classes (Korhonen et Briscoe, 2004).
Nous nous intéressons ici uniquement aux méthodes non supervisées,
reposant sur un espace de traits extrait d’un corpus analysé syntaxiquement
1. Il nous semble d’ailleurs que le statut de ces classes n’est pas tout à fait clair sur le plan
théorique. Les approches de Levin et de Gross n’ont jamais fait l’objet d’un examen comparé
approfondi. Pourtant, nous pensons que la comparaison de ces approches serait intéressante,
dans la mesure où il s’agit de deux ensembles de travaux proches et importants (même s’ils
reposent sur des présupposés en partie différents).
115
Chapitre 7. Production de classes de verbes sur la base de leur comportement syntaxique
(Schulte im Walde, 2000; Schulte im Walde et Brew, 2002; Korhonen et al.,
2003). Le point de départ nécessaire est donc un lexique syntaxique avec des
informations concernant la fréquence relative des différents SSC par verbe,
avec ou sans informations sémantiques. Ces expérimentations montrent que
des distinctions syntaxiques plus détaillées ainsi que la prise en compte des
modifieurs augmentent la précision de la classification (la fréquence d’apparition de certains modifieurs peut aider à identifier des classes).
Toutefois, selon Schulte im Walde (2000), l’ajout d’informations sur les
restrictions de sélection conduit à un problème de manque de données
(data sparseness) et à la baisse de performance : pour Schulte im Walde, de
meilleurs résultats sont obtenus sur des espaces de traits limités à la spécification syntaxique. À l’inverse, d’autres (Alishahi et Stevenson, 2007; Li et
Brew, 2008) ont essayé d’enrichir l’espace de traits de manière efficace par
le biais d’informations sémantiques ou lexicales. Nous comparons dans nos
expériences les résultats obtenus en utilisant diverses caractéristiques (SSC
avec ou sans la différenciation des prépositions, SSC avec les têtes lexicales,
etc.), ce qui permettra de délimiter quelles sons les informations à fournir
au système pour obtenir les meilleurs résultats.
À notre connaissance, la seule tentative pour établir une classification
automatique des verbes français est décrite par Falk (2008). Cette étude s’appuie sur trois lexiques de sous-catégorisation pour comparer le comportement syntaxique des verbes. La particularité de l’approche est de partir
de ressources manuelles (Volem, le Lexique Grammaire et DicoValence),
ce qui permet d’utiliser des caractéristiques plus variées que les seuls SSC
(caractère instrumental du sujet, alternances, etc.) mais pas de prendre en
considération la fréquence des SSC. Le calcul de similitude entre les verbes
est fait par l’analyse formelle de concepts (Ducassé et Ferré, 2009). Il semble
pourtant que les indications concernant la fréquence relative des SSC et la
présence (ou non) de modifieurs soient des paramètres importants, aussi
prenons-nous en compte ces éléments dans les expériences qui suivent.
7.3
Deux expériences pour l’acquisition de classes sémantiques de verbes
Nous avons vu dans la section 7.1 que l’acquisition de classes verbales a
des intérêts théoriques et applicatifs. Notre objectif est donc d’acquérir des
classes verbales à partir de LexSchem. Nous avons également vu qu’il existe
plusieurs méthodes de classification et qu’un débat existe sur la quantité
d’informations à fournir pour obtenir les meilleures classes possibles.
Nous avons donc réalisé en collaboration deux expériences de classification à partir de LexSchem. Ces deux expériences diffèrent par la méthode
utilisée et les informations exploitées, ce qui nous permet de comparer les
résultats obtenus et de vérifier l’hypothèse selon laquelle ces résultats sont
complémentaires.
Nous reprenons en annexe deux extraits d’articles présentant ces expériences. Ces classes sont obtenues en utilisant différentes méthodes de regroupements automatique (clustering). N’ayant pas développé nous-même
ces algorithmes, nous avons mis en annexe F la description des expériences
ainsi menées. Nous avons toutefois participé activement à la préparation des
116
7.3. Deux expériences pour l’acquisition de classes sémantiques de verbes
données afin de rendre ces expériences possibles. L’expérience avec l’équipe
de Cambridge a ainsi nécessité des données variées (incluant les têtes lexicales des arguments ou non, ayant été filtrées ou non, etc.), ce qui a été
relativement aisé à mettre en place du fait des techniques employées pour
l’acquisition. Nous avons également participé à la mise en place des expériences et à l’évaluation des résultats. Nous donnons ici un résumé de ces
expériences (voir l’annexe F pour voir les extraits plus détaillés des articles
publiés) et nous en discutons les résultats ensuite.
7.3.1 Expérience 1 : classification par regroupement ascendant hiérarchique
Nous avons réalisé une expérience de classification par regroupement
ascendant hiérarchique en collaboration avec Kata Gábor (Messiant et al.,
2010).
Pour cette expérience, nous avons utilisé la version non filtrée de LexSchem mais seules les entrées qui ont plus de 5 occurrences sont utilisées.
La méthode de regroupement utilisée est la classification ascendante hiérarchique : au début du processus, chaque verbe constitue une classe et on
unifie les classes de verbes les plus similaires à chaque itération. Cette méthode créée des classes disjointes (un verbe ne peut pas faire partie de deux
classes), ce qui ne permet pas de tenir compte de la polysémie de certains
verbes mais facilite l’interprétation des classes obtenues. L’arrêt de la classification dépend de la distance maximale entre les deux classes susceptibles
d’être unifiées et de la cardinalité des classes, ce qui permet à la fois d’éviter
l’absorption de nombreux verbes par quelques classes et de ne pas faire de
présupposition sur le nombre de classes que l’on obtient.
Afin d’évaluer les classes obtenues, nous avons créé une classification de
référence à la main composée de 171 verbes répartis dans 16 classes différentes 2 . Après plusieurs expérimentations, 20% des classes obtenues sont
parfaitement homogènes et 43% comprennent un verbe incorrect au maximum. Ces résultats peuvent être améliorés en exploitant plus d’informations
(par exemple, sur les têtes lexicales des arguments) ou en spécifiant les composants sémantiques centraux des classes (classification supervisée).
7.3.2 Expérience 2 : classification par regroupement spectral
Nous avons réalisé une autre étude de classification verbale à partir des
sorties d’ASSCi (Sun et al., 2010).
La méthode de regroupement utilisée est le regroupement spectral (spectral clustering), suivant l’algorithme MNCut (Meila et Shi, 2001). Le nombre
de classes est déterminé automatiquement en utilisant la technique proposée
par Zelnik-Manor et Perona (2004). Le détail de l’implémentation est décrit
dans l’article fourni en annexe F. Ce qui nous semble important ici, c’est que
la variété des informations disponibles dans LexSchem a permis d’utiliser
différents jeux de paramètres pour le regroupement. Un grand nombre des
informations utilisées ne sont pas disponibles dans les ressources construites
à la main, ce qui montre l’intérêt des ressources acquises automatiquement
pour cette tâche.
2. Cette référence a été constituée à l’aide des classes de Levin et du Lexique Grammaire.
117
Chapitre 7. Production de classes de verbes sur la base de leur comportement syntaxique
Les jeux de paramètres utilisés sont détaillés ci-dessous. À simple titre
d’illustration et pour rendre les données plus concrètes, nous donnons les
informations exploitées pour le verbe donner (à partir de la phrase : « Si on
donnait l’ avantage à un laboratoire français, ... » 3 et des informations contenues
dans LexSchem).
F1 : les SSC (sans distinction des prépositions) et leurs fréquences relatives :
[SUJ:SN, OBJ:SN, OBJ:SP<prep+SN>]; 0.35.
F2 : idem que F1, avec une prise en compte de l’étiquette morphosyntaxique du verbe (pour distinguer le temps verbal) :
VCONJS; [SUJ:SN, OBJ:SN, OBJ:SP<prep+SN>]; 0.35
F3 : idem que F2, mais en prenant en compte les prépositions utilisées au
sein des compléments prépositionnels :
VCONJS; [SUJ:SN, OBJ:SN, OBJ:SP<à+SN>]; 0.35.
Les six jeux de paramètres suivants prennent en compte le contexte lexical des verbes. Les colocations sont extraites à partir des fenêtres gauche et
droite du verbe (en ignorant les mots vides).
F4, F6, F8 : les contextes de 4, 6 et 8 mots. La position du mot est ignorée :
{ avantage, à } (4 mots).
F5, F7, F9 : idem que F4, F6 et F8 avec un enregistrement de la position
relative du mot :
gauche : ∅, droite : { avantage, à, laboratoire } (6
mots).
Les quatre jeux de paramètres suivants utilisent les préférences lexicales
(lp) des verbes dans certaines positions argumentales (lemmes têtes) :
F10 : lp(prep) : les prépositions acceptées par le verbe et leur fréquence :
(à : 1).
F11 : lp(subj) : le type et la fréquence des noms dans la relation sujet :
(il : 0.09, on : 0.04, ...) (« il donne... », « on donne... », etc.).
F12 : lp(iobj) : le type et la fréquence des noms dans les relations objet et
objet indirect :
(nom : 0.03, coup : 0.03, ...) pour la relation objet (« donner
un nom », « donner un coup », etc.)
et (lui : 0.20, gouvernement : 0.01, ...) pour la relation
objet indirect (« lui donner », « donner au gouvernement », etc.).
F13 : lp(all) : la combinaison des caractéristiques F10, F11 et F12.
Les deux derniers jeux de paramètres combinent les SSC avec les préférences lexicales et des restrictions de sélection :
F14-F16 : idem que F1-F3, avec une prise en compte des préférences lexicales : VCONJS;
[ SUJ:SN (il : 0.09, on : 0.04, ...),
OBJ:SN (nom : 0.03, coup : 0.03, ...),
OBJ:SP<à+SN (lui : 0.20, gouvernement : 0.01, ...)>
] ; 0.35.
3. extrait du corpus LM10
118
7.4. Discussion
F17 : F3 combinée avec des restrictions de sélection sur les arguments (40
restrictions de sélection ont été acquises automatiquement par classification non supervisée sur les têtes lexicales).
Le gold standard utilisé pour l’évaluation est le même que celui que nous
avons utilisé dans l’expérience 1 (section 7.3.1). Une première expérience a
été réalisée en se limitant aux 116 verbes qui apparaissent au moins 150 fois
dans le corpus en raison de la taille critique nécessaire pour la classification
automatique. Les jeux de paramètres F1-F3 donnent des résultats significativement meilleurs que la baseline. Parmi ces jeux de paramètres, F3 donne
les meilleurs résultats et sera utilisée comme base pour F14-F17. Les jeux
de paramètres qui exploitent les colocations (F4-F9) et celle qui exploite les
préférences lexicales sur tous les arguments (F13) obtiennent de meilleures
performances que celles qui utilisent les SSC mais c’est la combinaison des
SSC et des préférences lexicales (F14-F16), voire des restrictions de sélection
(F17) qui semble être la plus efficace. Toutefois, les différences de performances ne sont pas significatives. Nous avons alors réalisé une autre expérience qui montre que le jeu de paramètres le plus sophistiqué (F17) est de
plus en plus efficace avec l’augmentation du nombre d’exemples considérés
alors que les autres jeux de paramètres ne tirent pas autant profit de ces
données.
Une évaluation qualitative des classes obtenues a aussi été réalisée et
permet d’identifier les principales sources d’erreurs : faible fréquence de
certaines constructions ou de certains verbes dans le corpus, polysémie, etc.
Elle a également permis de montrer que la classification sépare des antonymes qui font partie de la même classe dans la référence (par exemple,
affaiblir et renforcer) ou regroupe des classes proches syntaxiquement et sémantiquement mais qui sont distinctes dans la référence. Dans ce cas, on ne
peut pas vraiment parler d’erreurs dans le sens où l’information acquise est
valide et utile.
Cette étude a révélé qu’un système optimisé pour la classification verbale
en anglais, tant du point de vue méthodologique que du point de vue des
caractéristiques utilisées, obtenait de bons résultats pour le français. Elle a
aussi mis en évidence l’importance de la taille des données utilisées pour ce
type de travaux.
7.4
Discussion
Les résultats de ces deux expériences montrent que la classification automatique de verbes sur la base de leurs comportements syntaxiques (SSC)
donne des classes cohérentes au niveau sémantique quand on les compare à
un gold standard. De plus, ces études « valident » l’utilisation de SSC acquis
automatiquement dans un cadre applicatif malgré le caractère imparfait de
la ressource. La disponibilité d’informations issues du corpus (fréquences
des entrées, têtes lexicales) est même un atout pour des travaux de ce type.
Les deux expériences ont également permis de vérifier l’hypothèse
qu’une technique de classification utilisée sur une langue donnée peut être
utilisée sur une autre langue à condition de prendre en compte les spécificités de la langue visée (par exemple, pour le français, les verbes pronominaux
et la diversité des compléments prépositionnels).
119
Chapitre 7. Production de classes de verbes sur la base de leur comportement syntaxique
Nous avons réalisé deux expériences distinctes afin de pouvoir comparer
les résultats obtenus en fonction de la méthode utilisée et des informations
exploitées. L’hypothèse de la complémentarité des résultats obtenus se vérifie en partie. Les deux techniques de classification utilisées sont distinctes et
produisent des résultats différents. Le choix de la technique de classification
a des implications directes sur les classes obtenues : la première expérience
(Messiant et al., 2010) fournit des classes de taille fixe (c’est-à-dire que toutes
les classes obtenues regroupent le même nombre de verbes) tandis que la
deuxième expérience (Sun et al., 2010) permet d’obtenir des classes de taille
variable. Si les classes de taille variable rendent mieux compte de la réalité
des phénomènes linguistiques (il n’y a aucune raison pour que toutes les
classes de verbes aient la même taille), elles sont difficiles à valider étant
donné les frontières floues qui les délimitent. Les classes à taille fixe forment
des « noyaux de classes » cohérents qui constituent une base intéressante
pour un travail manuel qui permettra de regrouper ou de séparer ces classes
afin d’obtenir une ressource de qualité optimale. Une perspective de ces expériences est donc de « mixer » les deux approches : en partant des noyaux
de classes à taille fixe, on peut guider l’ajout de verbes via l’autre méthode.
L’autre principale différence réside dans l’utilisation d’une grande variété de caractéristiques dans la classification par regroupement spectral
(prépositions, types et fréquences des têtes lexicales, etc.). Nous avons montré que l’utilisation d’un grand nombre de caractéristiques permet une amélioration des résultats à condition de disposer de données de taille suffisante
(plusieurs milliers d’occurrences par verbe).
Si l’intérêt applicatif des classes sémantiques est indéniable, ces expériences induisent également une réflexion théorique sur la nature des classes
obtenues : que représentent ces classes ? que disent-elles sur la langue ?
7.5
Conclusion
Nous avons réalisé deux expériences de classification verbale à partir
des sorties d’ASSCi. Ces travaux ont permis de montrer que les informations acquises par notre système permettent d’obtenir des classes verbales
cohérentes sémantiquement. Ces résultats soulignent donc l’intérêt de l’acquisition automatique d’informations lexicales à partir de corpus. En effet, les expériences présentées ici n’auraient pas pu être réalisées avec des
lexiques construits manuellement, même « idéaux », c’est-à-dire idéalement
complets et robustes, ce qui n’est pas le cas des dictionnaires de l’état de
l’art. Dans le cadre d’expériences de ce type, la plus value apportée par les
techniques d’acquisition automatique, en particulier celles des informations
de fréquence des SSC et de lemmes têtes, est remarquable.
120
8
Conclusion
8.1
Rappel des enjeux
Dans l’introduction de cette thèse, nous avions identifié trois enjeux
importants concernant l’acquisition automatique d’informations lexicales à
partir de corpus :
1. L’étude des techniques d’acquisition automatique à large couverture
pour le français, peu étudiées jusqu’alors ;
2. La validation de ces méthodes et de leur apport par rapport aux ressources construites suite à un travail manuel (tant sur le domaine général que sur un domaine de spécialité) ;
3. L’exploration de l’interface syntaxe - sémantique, notamment à travers
l’acquisition de classes verbales à partir du lexique acquis.
Nous nous sommes intéressés en particulier aux schémas de souscatégorisation de verbes qui constituent un bon point de départ pour l’acquisition d’autres informations lexicales et dont les applications sont variées :
analyse syntaxique, classification verbale, etc.
8.2
Contribution
Pour répondre à ces enjeux, nous avons montré dans cette thèse l’intérêt de l’acquisition automatique d’informations lexicales à partir de corpus
bruts. Nous avons en particulier montré qu’il était possible d’acquérir automatiquement des informations de sous-catégorisation verbale pour le français et exploré des pistes d’utilisation des schémas de sous-catégorisation
obtenus. Pour cela, nous avons :
– développé un système d’acquisition automatique de SSC à partir de
corpus brut pour le français ;
– utilisé ce système pour acquérir un lexique de sous-catégorisation à
large couverture pour le français appelé LexSchem ;
– évalué les informations acquises, tant quantitativement que qualitativement ;
– montré que l’utilisation d’ASSCi sur un corpus « marqué » par un
domaine (législatif européen) donnait des résultats sensiblement différents ;
– proposé des outils pour faciliter l’utilisation de telles ressources ;
– réalisé deux expériences de classification automatique de verbes à partir de nos données et montré que les classes obtenues avaient une portée sémantique.
121
Chapitre 8. Conclusion
Depuis le début des années 90, de nombreux travaux d’acquisition automatique de SSC ont été réalisés, en particulier pour l’anglais. Toutefois,
en raison de la faible disponibilité de corpus et d’analyseurs syntaxiques
robustes, il existait peu d’études de ce type sur la langue française au moment où cette thèse a débuté. Le projet ANR Passage, qui réunit plusieurs
laboratoires et qui a été lancé au début 2007 a abouti à une étude du même
type que la nôtre (Gardent et Lorenzo, 2010), ce qui montre l’actualité et
l’importance de cet enjeu.
Le principal apport de cette thèse est la proposition d’une méthode d’acquisition automatique de SSC verbaux à partir de corpus bruts en français.
Cette méthode est originale par plusieurs aspects : 1) elle concerne le français ; 2) elle n’utilise pas de liste de SSC a priori ; 3) elle prend en compte le
problème de la distinction argument/modifieur et propose des pistes pour
y répondre.
Un système d’acquisition de SSC nommé ASSCi a été développé à partir
de cette méthode. S’il s’appuie sur l’étiqueteur morphosyntaxique TreeTagger et sur l’analyseur syntaxique Syntex, la méthode n’est pas dépendante
de ces outils et peut être implémentée pour d’autres analyseurs.
La distinction automatique des arguments et des modifieurs est un problème difficile. Il serait intéressant d’approfondir cette question par exemple
en utilisant la méthode proposée par (Fabre et Bourigault, 2008). Cette méthode repose sur la productivité des couples verbe/préposition, c’est-à-dire
la diversité des contextes nominaux dans lesquels ce couple apparaît : plus
un couple verbe/préposition apparaît avec des noms variés, plus le complément prépositionnel a de chances d’être un argument.
Notre travail constitue toutefois l’un des premiers travaux concernant
l’acquisition automatique de SSC à partir de corpus brut pour le français
réalisé en largeur et ayant fait l’objet d’une évaluation rigoureuse.
Ce système a permis d’acquérir un lexique de sous-catégorisation à large
couverture pour le français appelé LexSchem.
LexSchem contient 7 239 entrées (couples verbe-SSC). Ces entrées
concernent 3 123 lemmes verbaux et 88 SSC différents.
De plus, cette ressource est dotée d’une interface de consultation et d’outils de paramétrage qui permettent d’adapter le lexique en fonction des besoins applicatifs.
Comparée à d’autres ressources pour le français, la couverture de LexSchem (en nombre de verbes) est dans la fourchette basse. La ressource
concerne toutefois les verbes les plus communs du français. En outre, il est
possible d’améliorer sa couverture en augmentant les données d’acquisition
(années 2001 à 2010 du journal Le Monde, corpus web, autres corpus) ou en
compensant les informations manquantes à l’aide de classes verbales par la
technique proposée par Korhonen (2000) (back-off estimates).
Nous avons alors évalué cette ressource, tant quantitativement que qualitativement. L’évaluation quantitative a consisté à montrer l’écart entre LexSchem et des ressources construites manuellement. En particulier, nous
avons montré que LexSchem apporte une certaine nouveauté par rapport
à TreeLex et DicoValence.
La comparaison des informations acquises avec les informations contenues dans les lexiques existants a aussi mis en exergue les avantages et les
122
8.3. Perspectives
limites de chacune des approches et a montré ce que les approches automatiques apportent à l’état de l’art. Les limites de l’acquisition automatique
portent principalement sur la quantité d’informations erronées acquises (en
raison d’erreurs d’analyse ou de filtrage et de la difficulté à traiter la distinction argument/modifieur. Parmi les apports des techniques d’acquisition automatique, il nous semble que leur adaptabilité est le plus notable et
prometteur.
En effet, nous avons montré que les SSC acquis varient en fonction du
corpus utilisé, particulièrement pour les corpus de langue dite « spécialisée ». L’utilisation d’ASSCi sur le corpus EuroParl a permis d’acquérir un
lexique de sous-catégorisation spécialisé pour le domaine législatif européen (LexSchem-EuroParl). Ce lexique est composé de 2 703 entrées (1 171
lemmes verbaux et 74 SSC différents).
Cette étude préliminaire a permis de prouver que lors d’études concernant un domaine particulier, l’utilisation de ressources acquises automatiquement peut se révéler plus intéressante que celle de dictionnaires
construits manuellement.
Dans cette étude, nous n’avons comparé LexSchem-EuroParl qu’avec
LexSchem. La comparaison des entrées présentes dans LexSchem-EuroParl
avec les entrées présentes dans les autres lexiques de langue générale
(DicoValence ou le Lexique Grammaire par exemple) serait profitable car
elle permettrait de mieux mettre en évidence l’intérêt des méthodes automatiques dans le cas des « langues de spécialité ».
Une approche combinée (acquisition automatique dans un premier
temps puis validation manuelle) semble idéale pour obtenir une ressource
de bonne qualité.
Enfin, cette thèse s’attache à prouver que les ressources acquises, bien
qu’imparfaites, peuvent être utilisées dans un cadre applicatif ou pour acquérir d’autres ressources. Dans certains contextes, il s’avère même qu’elles
ont une « plus value » sur les dictionnaires existants car elles sont dotées
d’informations (notamment sur la fréquence des entrées ou les lemmes têtes
rencontrés en corpus) dont ne disposent pas ces lexiques. Les deux expériences de classification automatique de verbes à partir de LexSchem présentées au chapitre 7 ont permis de vérifier cette hypothèse. Elles ont aussi
montré que les classes obtenues avaient une portée sémantique et procurent
une base pour l’étude de l’interface syntaxe-sémantique. Néanmoins, par
manque de temps, une étude approfondie des liens entre syntaxe et sémantique n’a pas pu être menée.
L’utilisation de LexSchem dans une application d’extraction d’information ou un analyseur syntaxique reste à faire. L’évaluation de l’apport de la
ressource à l’application n’est pas aisée et une telle étude dépasse le cadre
de cette thèse.
8.3
Perspectives
La thèse répond donc bien aux enjeux importants que nous avons identifiés. Néanmoins, les contraintes de temps et de moyens ne nous ont pas per-
123
Chapitre 8. Conclusion
mis d’explorer en profondeur certains aspects. Nous proposons ici quelques
unes de ces pistes.
Tout d’abord, il est possible d’améliorer la méthode d’acquisition. Les
améliorations les plus naturelles concernent la technique de filtrage employée. À l’instar de ce qui a été fait pour l’anglais (Korhonen et al., 2000),
une comparaison de différentes techniques pourrait être réalisée. Le test
binomial a déjà été utilisé pour le français (Chesley et Salmon-Alt, 2006)
et a donné des résultats proches des nôtres. Il serait également intéressant
d’essayer d’utiliser des techniques de filtrage tout à fait inédites pour cette
tâche. Maintenant que l’on dispose de classes de verbes, une expérience de
compensation de manques d’informations en corpus pour certains verbes,
analogue à celle menée à Cambridge (back-off estimates) (Korhonen, 2000),
pourrait être réalisée afin d’augmenter la couverture de la ressource. Une
telle étude nécessite d’utiliser des classes verbales acquises à partir d’un
lexique très peu filtré. Outre les progrès résultant de ces modifications de
la méthode, l’amélioration des performances du système d’acquisition est
également envisageable. Cela peut notamment passer par l’utilisation d’un
étiqueteur morpho-syntaxique plus efficace ou par un réentrainement de
TreeTagger.
Le programme de proposition de nouveaux SSC pourrait proposer des
schémas issus d’autres ressources ou qui ont été filtrés alors qu’ils sont présents assez fréquemment dans le corpus. L’inconvénient principal de cet
ajout est qu’il augmente significativement la part « manuelle » dans la constitution du lexique. Cependant, il nous semble que la complémentarité des
approches est nécessaire pour obtenir une ressource de très bonne qualité
en un temps acceptable.
Une autre extension possible de la thèse est la poursuite et l’approfondissement des expériences qui concernent l’adaptabilité de la méthode d’acquisition. Nous pensons notamment à l’acquisition de SSC pour d’autres
domaines de spécialité (par exemple, le domaine médical pour lequel les
besoins sont nombreux) ou à l’acquisition automatique de SSC de noms prédicatifs et d’adjectifs prédicatifs. Nous avons montré dans cette thèse que de
telles adaptations étaient possibles et peu coûteuses, à condition de disposer
de corpus de taille suffisante.
À plus long terme, une piste intéressante serait d’enrichir LexSchem
pour en faire un lexique de schémas prédicatifs, c’est-à-dire de schémas comprenant non seulement les informations de sous-catégorisation mais aussi
les rôles thématiques et les restrictions de sélection sur les arguments. L’étiquetage de rôles thématiques a fait l’objet de travaux récents (Gildea et Jurafsky, 2002). Il faut tout d’abord identifier le nombre et la granularité des
rôles. Cette tâche nécessite des informations sur la sémantique profonde des
verbes. Un important travail manuel est donc requis avant d’automatiser le
processus. La grande majorité des études concernant l’ajout de restrictions
de sélection sur les arguments utilisent des ressources du type de WordNet
(Fellbaum, 1998) afin d’exploiter l’hyperonymie à partir des têtes lexicales
des arguments (Resnik, 1997; Li et Abe, 1998; Abney et Light, 1999; Clark et
Weir, 2002). La présence dans les ressources acquises par ASSCi des lemmes
têtes des arguments est donc un avantage considérable pour acquérir automatiquement ces informations. Toutefois, il n’existe pas de ressource aussi
124
8.3. Perspectives
aboutie que WordNet disponible pour le français malgré des travaux récents allant dans ce sens comme EuroWordNet ou WOLF (Sagot et Fiser,
2008).
Enfin, l’exploration des applications directes des schémas obtenus est
un enjeu majeur pour le futur. Ces applications vont de la lexicalisation d’un
analyseur syntaxique avec LexSchem à l’utilisation des SSC pour l’extraction
d’information. L’étude de Carroll et al. (1998) a montré que la lexicalisation
d’un analyseur syntaxique avec des SSC acquis automatiquement améliore
les performances de l’analyseur. L’intégration de structure argumentale dans
les systèmes d’extraction d’information a aussi fait preuve de bons résultats
(Surdeanu et al., 2003). Cependant, nous avons vu que l’évaluation de l’apport de la ressource est délicate. Par exemple, il est difficile de distinguer
ce qui provient du système d’extraction de ce qui est issu du lexique. Ceci
exige donc des protocoles expérimentaux très précis et délicats à mettre en
place.
À l’issue de cette étude, nous espérons avoir montré l’intérêt et l’importance des méthodes d’acquisition automatique de connaissances lexicales
pour le TAL. Cette thèse a exploré différentes pistes pour le français mais de
nombreux travaux seront encore nécessaires pour améliorer les techniques
existantes. Leur utilisabilité et leur complémentarité avec les méthodes manuelles sont des aspects cruciaux à approfondir à l’avenir.
125
Liste des étiquettes de
TreeTagger pour le français
ABR
ADJ
ADV
DET :ART
DET :POS
INT
KON
NAM
NOM
NUM
PRO
PRO :DEM
PRO :IND
PRO :PER
PRO :POS
PRO :REL
PRP
PRP :det
PUN
PUN :cit
SENT
SYM
VER :cond
VER :futu
VER :impe
VER :impf
VER :infi
VER :pper
VER :ppre
VER :pres
VER :simp
VER :subi
VER :subp
Abréviation
Adjectif
Adverbe
Article
Pronom Possessif (ma, ta, ...)
Interjection
Conjonction
Nom Propre
Nom
Numéral
Pronom
Pronom Démonstratif
Pronom Indéfini
Pronom Personnel
Pronom Possessif (mien, tien, ...)
Pronom Relatif
Préposition
Préposition + Article (au, du, aux, des)
Ponctuation
Ponctuation de citation
Balise de phrase
Symbole
Verbe au conditionnel
Verbe au futur
Verbe à l’impératif
Verbe à l’imparfait
Verbe à infinitif
Verbe au participe passé
Verbe au participe présent
Verbe au présent
Verbe au passé simple
Verbe à l’imparfait du subjonctif
Verbe au présent du subjonctif
127
A
Exemple d’analyse syntaxique
au format de Syntex
L’exemple présenté ici correspond à la séquence « Les fameuses « erreurs »
de Sartre, il les lui reproche autant que ses adversaires, mais il les lui reproche
au nom du Sartre qu’il aime, et qui lui ressemble, l’ homme seul, le Roquentin. »
(figures 5.4 et 5.5, section 5.2.2). Les éléments sont ici présentés par ligne
(dans l’analyse renvoyée par Syntex, les éléments sont séparés par des tabulations). Cet extrait est donné à titre indicatif, afin d’illustrer le format
utilisé par Syntex. Des explications sur les informations fournies sont données dans le corps de la thèse, au chapitre 5 (section 5.2.2, page 60).
Det??|le|Les|1|DET;4|
AdjFP|fameux|fameuses|2|ADJ;4|
Typo|«|«|3||
Nom?P|erreur|erreurs|4||DET;1,ADJ;2,PREP;6
Typo|»|»|5||
Prep|de|de|6|PREP;4|NOMPREP;7
NomPrXXInc|Sartre|Sartre|7|NOMPREP;6|
Typo|,|,|8||
Pro|il|il|9|SUJ;12|
Pro|le|les|10|OBJ;12|
Pro|lui|lui|11|PREP;12|
VCONJS|reprocher|reproche|12||SUJ;9,OBJ;10,PREP;11
CSub|autant que|autant que|13||
DetMP|son|ses|14|DET;15|
Nom?P|adversaire|adversaires|15||DET;14
Typo|,|,|16||
CCoord|mais|mais|17||
Pro|il|il|18|SUJ;21|
Pro|le|les|19|OBJ;21|
Pro|lui|lui|20|PREP;21|
VCONJS|reprocher|reproche|21||SUJ;18,OBJ;19,PREP;20,PREP;22
Prep|au nom de|au nom du|22|PREP;21|NOMPREP;23
NomPrXXInc|Sartre|Sartre|23|NOMPREP;22|
CSub|que|qu’|24||COMP;26
Pro|il|il|25|SUJ;26|
VCONJS|aimer|aime|26|COMP;24|SUJ;25,OBJ;34
Typo|,|,|27||
CCoord|et|et|28||
129
B
Annexe B. Exemple d’analyse syntaxique au format de Syntex
ProRel|qui|qui|29|SUJ;31|
Pro|lui|lui|30|PREP;31|
VCONJS|ressembler|ressemble|31||SUJ;29,PREP;30
Typo|,|,|32||
Det??|le|l’|33|DET;34|
Nom?S|homme|homme|34|OBJ;26|DET;33,ADJ;35
Adj??|seul|seul|35|ADJ;34|
Typo|,|,|36||Det??|le|le|37|DET;38|
NomMS|roquentin|Roquentin|38||DET;37
Typo|.|.|39||
130
Liste des prépositions issues
de PrepLex
Nous donnons ici la liste des prépositions argumentales issues de PrepLex, c’est-à-dire l’ensemble des prépositions susceptibles d’introduire un
argument autour du verbe, puis la liste des prépositions non-argumentales
(voir http://loriatal.loria.fr/Resources/PrepLex.txt pour la
liste complète des locutions non-argumentales).
Prépositions argumentales :
à
de
après
avec
chez
comme
contre
dans
depuis
derrière
devant
en
entre
par
sur
parmi
pour
sans
selon
sous
suivant
vers
à travers
à partir de
au sujet de
au travers de
vis-à-vis de
face à
le long de
du côté de
au-dessus de
au-devant de
autour de
envers
en faveur de
auprès de
jusqu’à
d’avec
Prépositions non-argumentales :
avant
confer
durant
hormis
malgré
outre
sauf
versus
voilà
circa
dès
excepté
hors
moyennant
passé
sitôt
via
vu
concernant
dixit
ès
jusque
nonobstant
pendant
touchant
voici
131
C
Entrées de LexSchem pour le
verbe accompagner dans les
différents formats
disponibles
Les deux entrées du verbe accompagner sont présentées dans les formats
disponibles pour LexSchem (format « standard », et format XML). Pour
une meilleure lisibilité, les listes des identifiants des séquences du corpus et
les lemmes têtes des arguments ont été tronquées (les versions complètes
du lexique sont disponibles à l’adresse suivante : http://www-lipn.
univ-paris13.fr/~messiant/lexschem.html).
Format « standard »
*** Entrée 04306 (6135 occurrences, fréquence relative: 75.4)
Verbe : accompagner (8142 occurrences, 2 ssc)
SSC : [SUJ:SN,OBJ:SN]
Séquences Syntex : 0100.anasynt!d684217p3_5!38,
0100.anasynt!d687293p5_4!19, 0100.anasynt!d683973p3_3!39,
...
Lemmes têtes de l’argument 0 : #UNKNOWN (527:0.08),
il (477:0.08), qui (384:0.06), ...
Lemmes têtes de l’argument 1 : le (1699:0.27),
mouvement (68:0.01), exposition (66:0.01), ...
*** Entrée 00239 (2007 occurrences, fréquence relative: 24.6)
Verbe : accompagner (8142 occurrences, 2 ssc)
SSC : [SUJ:SN,REF:refl,DE-OBJ:SP<de+SN>]
Séquences Syntex : 0100.anasynt!d686200p4_17!48,
0100.anasynt!d686690p5_6!16, 0100.anasynt!d686339p4_30!3,
...
Lemmes têtes de l’argument 0 : #UNKNOWN (215:0.11),
elle (212:0.10), il (108:0.05), ...
Lemmes têtes de l’argument 1 : se (2007:1.00)
Lemmes têtes de l’argument 2 : baisse (38:0.02),
augmentation (31:0.02), réduction (28:0.01), ...
133
D
Annexe D. Entrées de LexSchem pour le verbe accompagner dans les différents formats
disponibles
Format XML
<lexschem>
...
<entree id="04306" >
<verbe nb_occ="8142" nb_ssc="2" >
ACCOMPAGNER+accompagner
</verbe>
<schema>
[<SUJ:SN,OBJ:SN>]
</schema>
<nb_occ>
6135
</nb_occ>
<rel_freq>
0.754
</rel_freq>
<sequences>
0100.anasynt!d684217p3_5!38,
0100.anasynt!d687293p5_4!19,
0100.anasynt!d683973p3_3!39, ...
</sequences>
<nb_args>
2
</nb_args>
<argument0>
#UNKNOWN (527:0.08), il (477:0.08), qui (384:0.06),
...
</argument0>
<argument1>
le (1699:0.27), mouvement (68:0.01), exposition
(66:0.01), ...
</argument1>
</entree>
<entree id="00239" >
<verbe nb_occ="8142" nb_ssc="2" >
ACCOMPAGNER+accompagner
</verbe>
<schema>
[<SUJ:SN,REF:refl,DE-OBJ:SP<de+SN>>]
</schema>
<nb_occ>
2007
</nb_occ>
<rel_freq>
0.246
</rel_freq>
<sequences>
0100.anasynt!d686200p4_17!48,
0100.anasynt!d686690p5_6!16,
0100.anasynt!d686339p4_30!3, ...
</sequences>
<nb_args>
3
</nb_args>
<argument0>
#UNKNOWN (215:0.11), elle (212:0.10), il (108:0.05),
134
...
</argument0>
<argument1>
se (2007:1.00)
</argument1>
<argument2>
baisse (38:0.02), augmentation (31:0.02),
réduction (28:0.01), ...
</argument2>
</entree>
...
</lexschem>
135
Liste des SSC de LexSchem
Schéma de sous-catégorisation
[SUJ:SN,OBJ:SN]
[SUJ:SN]
[SUJ:SN,OBJ:SINF]
[SUJ:SN,OBJ:PropSub]
[SUJ:SN,REF:refl]
[SUJ:SN,DE-OBJ:SP<de+SINF>]
[SUJ:SN,A-OBJ:SP<à+SN>]
[SUJ:SN,OBJ:SN,A-OBJ:SP<à+SN>]
[SUJ:SN,A-OBJ:SP<à+SINF>]
[SUJ:SN,DE-OBJ:SP<de+SN>]
[SUJ:SN,ATTS:SA]
[SUJ:SN,REF:refl,DE-OBJ:SP<de+SN>]
[SUJ:SN,ATTS:SN]
[SUJ:SN,REF:refl,A-OBJ:SP<à+SN>]
[SUJ:SN,P-OBJ:SP<sur+SN>]
[SUJ:SN,P-OBJ:SP<dans+SN>]
[SUJ:SN,A-OBJ:SP<à+SN>,DE-OBJ:SP<de+SINF>]
[SUJ:SN,ATTS:SINF]
[SUJ:SN,REF:refl,DE-OBJ:SP<de+SINF>]
[SUJ:SN,OBJ:SN,A-OBJ:SP<à+SINF>]
[SUJ:SN,REF:refl,A-OBJ:SP<à+SINF>]
[SUJ:SN,OBJ:SINF,OBJ:SN]
[SUJ:SN,OBJ:SN,P-OBJ:SP<dans+SN>]
[SUJ:SN,P-OBJ:SP<avec+SN>]
[SUJ:SN,OBJ:SN,DE-OBJ:SP<de+SINF>]
[SUJ:SN,REF:refl,P-OBJ:SP<sur+SN>]
[SUJ:SN,OBJ:SN,ATTO:SA]
[SUJ:SN,P-OBJ:SP<par+SINF>]
[SUJ:SN,OBJ:SN,DE-OBJ:SP<de+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<sur+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<dans+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<en+SN>]
[SUJ:SN,P-OBJ:SP<pour+SN>]
[SUJ:SN,P-OBJ:SP<en+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<avec+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<comme+SN>]
[SUJ:SN,REF:refl,OBJ:SN]
[SUJ:SN,P-OBJ:SP<par+SN>]
137
E
Nombre d’occurrences
dans le corpus LM10
2597802
1621286
1008112
444432
405430
229668
226368
161980
136260
131627
76086
55921
47221
41675
38800
37829
29399
28900
25190
22503
19560
15152
14888
12416
11577
11523
10111
9631
9564
9525
8638
8498
7916
6828
6819
6053
5974
5621
Annexe E. Liste des SSC de LexSchem
[SUJ:SN,REF:refl,ATTO:SA]
[SUJ:SN,P-OBJ:SP<comme+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<pour+SINF>]
[SUJ:SN,A-OBJ:SP<à+SN>,DE-OBJ:SP<de+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<par+SN>]
[SUJ:SN,REF:refl,OBJ:PropSub]
[SUJ:SN,P-OBJ:SP<contre+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<en+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<pour+SN>]
[SUJ:SN,DE-OBJ:SP<de+SN>,P-OBJ:SP<pour+SINF>]
[SUJ:SN,P-OBJ:SP<pour+SINF>]
[SUJ:SN,DE-OBJ:SP<de+SN>,P-OBJ:SP<en+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<depuis+SN>]
[SUJ:SN,P-OBJ:SP<parmi+SN>]
[SUJ:SN,P-OBJ:SP<autour de+SN>]
[SUJ:SN,P-OBJ:SP<entre+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<par+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<avec+SN>]
[SUJ:SN,P-OBJ:SP<depuis+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<contre+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<vers+SN>]
[SUJ:SN,P-OBJ:SP<vers+SN>]
[SUJ:SN,P-OBJ:SP<devant+SN>]
[SUJ:SN,P-OBJ:SP<en faveur de+SN>]
[SUJ:SN,P-OBJ:SP<chez+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<pour+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<vers+SN>]
[SUJ:SN,A-OBJ:SP<à+SN>,P-OBJ:SP<pour+SINF>]
[SUJ:SN,P-OBJ:SP<selon+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<devant+SN>]
[SUJ:SN,P-OBJ:SP<sous+SN>]
[SUJ:SN,P-OBJ:SP<après+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<contre+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<autour de+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<derrière+SN>]
[SUJ:SN,REF:refl,P-OBJ:SP<pour+SINF>]
[SUJ:SN,REF:refl,P-OBJ:SP<entre+SN>]
[SUJ:SN,P-OBJ:SP<pour+SINF>,P-OBJ:SP<sur+SN>]
[SUJ:SN,REF:refl,A-OBJ:SP<à+SN>,DE-OBJ:SP<de+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<entre+SN>]
[SUJ:SN,DE-OBJ:SP<de+SN>,P-OBJ:SP<entre+SN>]
[SUJ:SN,OBJ:SN,A-OBJ:SP<à+SN>,DE-OBJ:SP<de+SINF>]
[SUJ:SN,P-OBJ:SP<au-dessus de+SN>]
[SUJ:SN,P-OBJ:SP<du côté de+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<contre+SN>,P-OBJ:SP<en+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<devant+SN>]
[SUJ:SINF,OBJ:SN]
[SUJ:SN,P-OBJ:SP<à_travers+SN>]
[SUJ:SN,A-OBJ:SP<à+SN>,P-OBJ:SP<dans+SN>]
[SUJ:SN,OBJ:SN,P-OBJ:SP<jusqu’à+SN>]
138
4926
4882
4864
4796
4742
3923
3242
3114
2732
1942
1787
1765
1446
1396
1297
1248
1157
966
907
858
809
722
684
627
593
484
399
335
333
306
257
233
211
201
180
152
137
100
77
73
72
48
47
28
24
16
16
14
12
10
Articles portant sur
l’acquisition de classes
verbales
Comme nous n’avons pas développé nous-même les algorithmes de classification, nous donnons en annexe le texte des expériences faites en commun avec Kata Gábor d’une part et l’équipe de Cambridge d’autre part. Une
présentation de ces expériences et une discussion des résultats figure dans
le chapitre 7 de la thèse.
F.1
Extrait de l’article publié dans la revue TAL en 2010
Cette section est un extrait de l’article :
Cédric Messiant, Kata Gábor et Thierry Poibeau. Acquisition de connaissances lexicales à partir de corpus : la sous-catégorisation verbale en français.
Traitement Automatique des Langues, 2010.
F.1.1 Méthode
Dans le cadre de cette expérimentation, nous nous sommes intéressés à
la classication automatique de verbes français en classes lexico-sémantiques.
Pour ce faire, nous partons de l'hypothèse qu'il est possible de produire ce
type d'information par des méthodes statistiques appliquées à des données syntaxiques. L'hypothèse est fondée sur l'observation qu'il existe une corrélation
entre les propriétés sémantiques des verbes et leurs contextes syntaxiques. Levin (1993) a donné une description systématisée du phénomène en établissant
un lien entre les alternances syntaxiques caractéristiques de certains groupes
de verbes et les composants sémantiques qui en sont responsables.
Dans la présente étude, nous cherchons à démontrer 1) que la classication automatique de verbes français selon leur comportement distributionnel
aboutit souvent à des classes de verbes sémantiquement liés, 2) que les SSC
extraits de corpus constituent une représentation able de la distribution syntaxique des verbes. Notre objectif est de mettre en place un algorithme de
classication aussi général que possible, applicable à de nouveaux verbes, sous
condition d'avoir une quantité susante d'occurrences dans le corpus pour
créer un modèle able de leur distribution.
139
F
Annexe F. Articles portant sur l’acquisition de classes verbales
Notre approche est non supervisée, c'est-à-dire que nous ne fournissons au
système aucune connaissance autre que les couples verbes-SSC issus de LexSchem non ltré, avec les informations de fréquence relative qui ont ici une
importance cruciale. Nous utilisons en entrée une version non ltrée de la ressource pour deux raisons : le ltrage peut être lui-même une source d'erreurs
et, plus fondamentalement, la présence régulière de modieurs particuliers avec
certains verbes est un critère très pertinent pour le calcul des classes sémantiques.
Un léger ltrage est eectué lors de la première étape de la classication,
dans le but de réduire l'espace de traits : les schémas qui ont moins de 5 occurrences parmi les verbes à classier sont exclus. Le nombre de SSC diérents la taille de l'espace de traits dépend ainsi du vocabulaire verbal utilisé dans
l'expérimentation. Dans le cadre de cette expérimentation, nous avons travaillé
avec un espace de traits composé de 433 SSC 1 . La représentation des verbes
correspond à leur distribution sur tous les schémas considérés dans l'expérimentation (calculée par l'estimation du maximum de vraisemblance, à partir
des données de LexSchem) :
p(t|v) = f(v,t) / f(v)
où f(v) correspond à la fréquence du verbe, et f(v,t) à la fréquence du verbe
avec le schéma.
Nous avons utilisé une méthode de regroupement (clustering ) ascendante
hiérarchique. Au début du processus, chaque verbe constitue un groupe à un
seul élément (cluster dans ce qui suit, on distingue la notion de groupe ,
c'est-à-dire un regroupement obtenu automatiquement, de celle de classe correspondant à la référence élaborée manuellement). Lors de chaque itération,
les deux groupes de verbes les plus similaires sont uniés. Cette méthode produit un partitionnement, c'est-à-dire des groupes disjoints de manière à ce que
chaque élément à classier n'appartienne qu'à un seul groupe (hard clustering ).
Bien que cette approche ne permette pas de traiter la polysémie, nous l'avons
tout de même choisie pour la facilité de l'interprétation qu'elle ore 2 .
Les distributions ont été comparées avec trois mesures de similarité diérentes :
la divergence de Kullback-Leibler
n
xi
∑ xi · log yi
(F.1)
1
1
DKL ( x k M ) + DKL (yk M )
2
2
(F.2)
DKL ( x ky) =
i =1
la divergence de Jensen-Shannon
D JS ( x ky) =
où
M=
1
( x + y)
2
(F.3)
1. Puisque le lexique non filtré constitue l’entrée du processus, le nombre des SSC utilisés
dépasse celui des SSC dans LexSchem.
2. Une classification des verbes incorporant les problèmes de polysémie serait évidemment souhaitable mais ceci reste un problème ouvert pour le traitement des langues. Sur le
plan pratique, un travail manuel reste nécessaire si l’on souhaite obtenir un résultat tout à
fait fiable. Voir (Kipper et al., 2008) pour une expérience en ce sens, montrant les avantages
d’une approche mixte, automatique puis manuelle.
140
F.1. Extrait de l’article publié dans la revue TAL en 2010
et la divergence oblique (skew divergence )
Dα ( x ky) = DKL ( x kαy + (1 − α) x )
(F.4)
L'inconvénient de la divergence de Kullback-Leibler est de prendre une valeur indénie lorsque la probabilité y(i) est 0. Aussi une méthode de lissage
simple a-t-elle été appliquée aux données : si la fréquence de cooccurrence du
SSC avec le verbe dans le corpus égale zéro, cette valeur sera remplacée par
0.0001, donnant une estimation approximative de la fréquence relative (0.0001
/ f(V), où f(V) est la fréquence observée du verbe). La divergence de JensenShannon ainsi que la divergence oblique sont des variantes fondées sur la divergence de Kullback-Leibler qui évitent le problème des valeurs indénies par
approximation de la valeur de la divergence de Kullback-Leibler. La divergence
de Jensen-Shannon est la seule mesure symétrique pour les autres mesures,
le minimum de la distance a été considéré pour chaque paire de verbes comparés. La divergence oblique est une variante pondérée de la divergence de
Kullback-Leibler proposée par (Lee, 2001). La pondération se fait par le paramètre libre a, dont la valeur optimale est proche de 1 : nous l'avons xée à
0.99.
Aucune présupposition concernant le nombre et la cardinalité des groupes
de verbes n'a été incorporée dans l'algorithme. Ainsi, le point d'arrêt du processus de classication dépend de deux paramètres : la distance maximale
entre les centres des deux groupes à être uniés et la cardinalité des groupes.
Ce double paramétrage permet d'éviter l'eet de chaîne, c'est-à-dire le phénomène d'absorption de beaucoup de verbes par quelques groupes très nombreux.
Des expérimentations ont été conduites avec des paramètres diérents, et les
valeurs optimales de la distance et de la cardinalité maximales ont été établies
individuellement pour chaque mesure de distance lors des exécutions de test.
F.1.2 Evaluation
S. Schulte im Walde (Schulte im Walde, 2009) propose deux approches
diérentes pour évaluer une classication automatique :
1. mesurer la cohérence à l'intérieur des groupes de verbes obtenus par
une mesure de similarité indépendante de celle utilisée pour la tâche de
classication même,
2. comparer le résultat à une classication (manuelle) de référence.
Dans le cadre de notre expérimentation, nous visons à conrmer l'hypothèse qu'il existe un lien entre le comportement syntaxique des verbes et leurs
propriétés sémantiques. Il ne sut donc pas de démontrer que notre algorithme arrive à modéliser correctement les similarités distributionnelles entre
les verbes : c'est la cohérence sémantique des classes qui doit être examinée
par comparaison à la référence.
Pour ce faire, nous avons créé à la main une classication dite de référence . La référence est composée de 176 verbes, classés dans 16 classes
diérentes, qui ont d'abord été dénies à partir de la classication de Levin,
par traduction des verbes anglais. Pour assurer l'homogénéité des classes françaises et une certaine cohérence par rapport au travail de Levin, nous avons
141
Annexe F. Articles portant sur l’acquisition de classes verbales
vérié que tous les verbes d'une même classe partageaient un certain nombre
de constructions similaires fondamentales. Les classes de la référence sont donc
caractérisées par un composant sémantique ainsi que par (au moins) une structure syntaxique en commun. Nous avons enn vérié la validité de ces classes en
ayant recours au Lexique-Grammaire, et nous avons pu constater qu'en général
les verbes d'une même classe se situent dans la même table du LG, à quelques
exceptions près (ce qui montre le besoin d'une comparaison en profondeur des
approches et des ressources comparaison qui sort du cadre de cet article
mais que nous menons en parallèle). Pour pouvoir évaluer l'extensibilité et la
robustesse de la méthode, des verbes de fréquences diérentes ont été inclus
dans l'expérimentation. La cardinalité des classes varie entre 8 et 17.
Les résultats ont été évalués par rapport à la référence selon quatre mesures.
La diculté de la tâche de classication dépend du nombre de classes. Pour une
classication à m classes, la valeur basse (baseline ) de l'exactitude (accuracy )
est de 1/m, soit 0.0625 dans notre cas.
Mesure de distance
KL
KL
JS
JS
skew
skew
skew
Card.
6
5
4
5
4
5
9
APP
0.13
0.13
0.21
0.18
0.22
0.18
0.16
mPURITY
0.48
0.51
0.60
0.54
0.62
0.55
0.47
ACC
0.30
0.27
0.28
0.30
0.27
0.29
0.35
F-measure
0.36
0.35
0.39
0.38
0.37
0.37
0.40
Les groupes de verbes résultants ont été comparés à la référence d'une part
par la mesure Adjusted Pairwise Precision, qui calcule la précision des groupes
en prenant les verbes d'une même classe deux à deux (puis en comparant la
sortie du système avec la référence pour vérier s'ils appartiennent bien à la
même classe dans les deux cas), et en prenant en compte la cardinalité (an
de pénaliser les petits groupes de verbes) :
APP (C ) =
1 C paires_correctes_dans_ci
c −1
× i
|C | i∑
paires
_
dans
_
c
c
i
i+1
=1
(F.5)
D'autre part, il est possible d'associer les groupes de verbes résultant de la
classication non supervisée aux classes de la référence en établissant la correspondance selon la classe sémantique prédominante à l'intérieur du groupe. Cela
nous permet de calculer la pureté modiée (modied purity pureté moyenne
des classes) et l'exactitude pondérée de classes (weighted class accuracy rappel pondéré en fonction de la taille des classes dans la référence) (Korhonen
et al., 2008). Lors du calcul de la pureté modiée, les éléments qui n'appartiennent pas à la classe prédominante, ainsi que les singletons sont considérés
comme des erreurs.
mPurity (C ) =
∑n prevalent (ki )≥2 n prevalent (k i )
|C |
(F.6)
L'exactitude pondérée des classes peut être considérée comme une mesure
de rappel : pour chaque classe de la référence, elle considère la quantité des
verbes appartenant au groupe dominant associé à cette classe. Par dénition,
cette quantité ne peut pas dépasser la cardinalité maximale des groupes.
142
F.1. Extrait de l’article publié dans la revue TAL en 2010
Acc (C ) =
∑iC=1 verbes_dans_GRP.DOMi
|C |
(F.7)
La F-mesure a été calculée avec des poids égaux pour le rappel et la précision :
F=
2 × mPurity × Acc
mPurity + Acc
(F.8)
En optimisant les paramètres pour la mesure APP, les groupes à quatre
éléments donnent les meilleurs résultats. La précision forte semble soutenir
le lien supposé entre les propriétés sémantiques et la distribution syntaxique
observée dans le corpus, comme dans les exemples suivants :
groupe
groupe
groupe
groupe
groupe
:
:
:
:
:
errer voyager circuler naviguer
dire indiquer affirmer déclarer
signaler révéler montrer annoncer
ressentir définir désigner percevoir
rouspéter ronchonner grogner râler
Il est important de noter que cette qualité de la classication (20 % des
classes sont parfaitement homogènes, 43 % contiennent 1 verbe incorrect au
maximum) a été obtenue en utilisant une chaîne de traitement entièrement automatisée, de l'analyse de corpus jusqu'à la construction de l'espace de traits
pour la classication. De plus, l'espace de traits est conçu pour être aussi
général que possible, n'incorporant aucune connaissance préalable sur la classication de référence.
Cependant, les mesures de rappel pénalisent plus sérieusement la diérence
structurelle entre le regroupement résultant et la classication de référence, notamment en ce qui concerne le nombre et la cardinalité des groupes. La mesure
d'exactitude montre que la cohérence des groupes baisse avec l'augmentation
de la cardinalité au dessus de 4. En observant les résultats, nous pouvons noter que c'est souvent l'eet de chaîne qui aaiblit la cohérence des groupes
de verbes : au lieu de réunir des verbes autour d'un composant sémantique
central, ils sont composés d'une série de paires avec un lien sémantique qui
se modie constamment par l'ajout d'un nouvel élément. Par exemple, les
groupes ci-dessous achent une certaine cohérence sémantique, mais la relation sémantique est modiée par rapport à la référence (les crochets indiquent
la classication de référence) :
groupe
groupe
groupe
groupe
groupe
:
:
:
:
:
[resplendir pétiller scintiller] [vibrer]
[consterner ennuyer] [dévisager] [rosser]
[bougonner gémir] [trembler vaciller]
[grésiller geindre] [trembloter] [flamboyer]
[consolider renforcer] [réintégrer] [maintenir]
Plusieurs améliorations peuvent être envisagées. Une classication supervisée permettrait de spécier les composants sémantiques centraux des classes,
et ainsi d'adapter l'espace de traits (par ltrage ou pondération) à la tâche
spécique. Les schémas de sous-catégorisation les plus spéciques aux classes
donneront une idée des alternances qui caractérisent les classes sémantiques
de verbes français. Le recours à d'autres traits (notamment des informations
quant aux restrictions de sélection) permettrait d'obtenir des classes diérentes
et sans doute plus précises que celles obtenues en l'état.
143
Annexe F. Articles portant sur l’acquisition de classes verbales
F.2
Article publié dans les actes de la conférence CoLing en 2010
Cette section reproduit l’article :
Lin Sun, Thierry Poibeau, Anna Korhonen and Cédric Messiant. Investigating the cross-linguistic potential of VerbNet-style classification. In Proceedings of CoLing, 2010.
F.2.1 Introduction
A number of verb classications have been built to support natural language processing (nlp) tasks (Grishman et al., 1994; Miller, 1995; Baker et al.,
1998; Palmer et al., 2005; Kipper-Schuler, 2005; Hovy et al., 2006). These
include both syntactic and semantic classications, as well as ones which integrate aspects of both. Classications which integrate a wide range of linguistic
properties can be particularly useful for nlp applications suering from data
sparseness. One such classication is VerbNet (Kipper-Schuler, 2005).
Building on the well-known taxonomy of Levin (1993), VerbNet groups
verbs (e.g. deliver, post, dispatch) into classes (e.g. send) on the basis of their
shared meaning components and (morpho-)syntactic behaviour, identied in
terms of meaning preserving (or extending) syntactic alternations called diathesis alternations. Such classes can be identied across the entire lexicon, and
interestingly, they may also apply across languages, since the basic meaning
components they are comprised of are said to be cross-linguistically applicable
(Jackendo, 1990).
Oering a powerful tool for generalization, abstraction and prediction,
VerbNet classes have been used to support many important nlp tasks, including e.g. computational lexicography, parsing, word sense disambiguation,
semantic role labeling, information extraction, question-answering, and machine translation (Swier et Stevenson, 2004; Dang, 2004; Shi et Mihalcea, 2005;
Abend et al., 2008; Zapirain et al., 2008). However, to date their real-world
exploitation has been limited because for most languages, no Levin-style classication is available.
Although manual classication is an option, it can be extremely costly
(Kipper et al., 2008). In recent years, a variety of automatic approaches have
been proposed which could be used to learn novel classications in a costeective manner (Schulte im Walde, 2006; Joanis et al., 2008; Li et Brew,
2008; Ó Séaghdha et Copestake, 2008; Vlachos et al., 2009; Sun et Korhonen,
2009; Suzuki et Fukumoto, 2009) However, most work on Levin type classication has focussed on English. Large-scale research on other languages such as
German (Schulte im Walde, 2006) and Japanese (Suzuki et Fukumoto, 2009)
has focussed on semantic classication. Although there are similarities between
the two classication systems, studies comparing the overlap between VerbNet
and WordNet (Miller, 1995) have reported that the mapping is only partial
and many to many due to ne-grained nature of classes based on synonymy
(Kipper-Schuler, 2005; Shi et Mihalcea, 2005; Abend et al., 2008).
Only few studies have been conducted on Levin style classication for languages other than English. In their experiment involving 59 verbs and three
classes, Merlo et al. (2002) applied a supervised approach developed for En144
F.2. Article publié dans les actes de la conférence CoLing en 2010
glish to Italian, obtaining high accuracy (86.3%). In another experiment with
60 verbs and three classes, they showed that features extracted from Chinese
translations of English verbs can improve English classication. These results
are promising, but those from a later experiment by Ferrer (2004) are not. Ferrer applied a clustering approach developed for English to Spanish, and evaluated it against the manual classication of Vázquez et al. (2000), constructed
using criteria similar (but not identical) to Levin's. This experiment involving
514 verbs and 31 classes produced results only slightly better than the random
baseline.
In this paper, we investigate the cross-linguistic potential of Levin style
classication further. In past years, verb classication techniques in particular unsupervised ones have improved considerably, making investigations
for a new language more feasible. We take a recent verb clustering approach
developed for English Sun et Korhonen (2009) and apply it to French a
major language for which no such experiment has been conducted yet. Basic
nlp resources (corpora, taggers, parsers and subcategorization acquisition systems) are now suciently developed for this language for the application of a
state-of-the-art verb clustering approach to be realistic.
Our investigation reveals similarities between the English and French classications, supporting the linguistic hypothesis (Jackendo, 1990) and the earlier
result of Merlo et al. (2002) that Levin classes have a strong cross-linguistic
basis. Not only the general methodology but also best performing features are
transferable between the languages, making it possible to learn useful classes
for French automatically and without the need for language-specic tuning.
F.2.2 French Verb Classes and the Gold Standard
The development of an automatic verb classication approach requires at
least an initial gold standard. Some syntactic (Gross, 1975) and semantic (Vossen, 1998) verb classications exist for French, along with ones which aim to
integrate aspects of both (Saint-Dizier, 1998). Although such resources could
be combined to hypothesise Levin-style classes for French (using e.g. an approach similar to that employed by Kipper et al. (2008)), we adopted a more
direct approach : following the idea of Merlo et al. (2002), we translated a
number of Levin classes from English to French.
We chose an English gold standard which has been used to evaluate several
recent clustering works that of Sun et al. (2008). It includes 17 ne-grained
Levin classes. Each class has 12 member verbs whose predominant sense (according to the WordNet frequency data) belongs to that class. We evaluated
each class in this resource as follows :
1. Member verbs were rst translated to French. Where several relevant
translations were identied, each of them was considered.
2. For each candidate verb, scfs were identied and possible diathesis alternations were considered using the criteria of Levin (1993) : alternations
must result in the same or extended verb sense. Only verbs sharing diathesis alternations were kept in the class others were disrecarded.
For example, the gold standard class 31.1 amuse includes the following
English verbs : stimulate, threaten, shock, confuse, upset, overwhelm, scare, disappoint, delight, exhaust, intimidate and frighten. Relevant French translations
145
Annexe F. Articles portant sur l’acquisition de classes verbales
Class No
9.1
Class
put
10.1
remove
11.1
send
13.5.1
get
18.1
hit
22.2
amalgamate
29.2
characterize
30.3
peer
31.1
amuse
36.1
correspond
37.3
manner of speaking
37.7
say
43.1
light emission
45.4
change of state
47.3
modes of being
51.3.2
run
Verbs
accrocher, déposer, mettre, placer, répartir, réintégrer, empiler, emporter, enfermer, insérer, installer
ôter, enlever, retirer, supprimer, retrancher, débarrasser, soustraire, décompter, éliminer
envoyer, lancer, transmettre, adresser, porter, expédier, transporter, jeter, renvoyer, livrer
acheter, prendre, saisir, réserver, conserver, garder, préserver, maintenir, retenir, louer, affréter
cogner, heurter, battre, frapper, fouetter, taper,
rosser, brutaliser, éreinter, maltraiter, corriger,
incorporer, associer, réunir, mélanger, mêler,
unir, assembler, combiner, lier, fusionner
appréhender, concevoir, considérer, décrire, définir, dépeindre, désigner, envisager, identifier,
montrer, percevoir, représenter, ressentir
regarder, écouter, examiner, considérer, voir,
scruter, dévisager
abattre, accabler, briser, déprimer, consterner,
anéantir, épuiser, exténuer, écraser, ennuyer,
éreinter, inonder,
coopérer, participer, collaborer, concourir,
contribuer, prendre part, s’associer, travaille
râler, gronder, crier, ronchonner, grogner, bougonner, maugréer, rouspéter, grommeler, larmoyer, gémir, geindre, hurler, gueuler, brailler,
chuchoter
dire, révéler, déclarer, signaler, indiquer, montrer, annoncer, répondre, affirmer, certifier, répliquer
briller, étinceler, flamboyer, luire, resplendir, pétiller, rutiler, rayonner., scintiller
mélanger, fusionner, consolider, renforcer, fortifier, adoucir, polir, atténuer, tempérer, pétrir, façonner, former
trembler, frémir, osciller, vaciller, vibrer, tressaillir, frissonner, palpiter, grésiller, trembloter,
palpiter
voyager, aller, se promener, errer, circuler, se déplacer, courir, bouger, naviguer, passer
Table F.1 – A Levin style gold standard for French
146
F.2. Article publié dans les actes de la conférence CoLing en 2010
were identied for all of them : abattre, accabler, briser, déprimer, consterner,
anéantir, épuiser, exténuer, écraser, ennuyer, éreinter, inonder. The majority
of these verbs take similar scfs and diathesis alternations, e.g. Cette aaire
écrase Marie (de chagrin), Marie est écrasée par le chagrin, Le chagrin écrase
Marie However, stimuler (stimulate ) and menacer (threaten ) do not, and they
were therefore removed.
40% of translations were discarded from classes after step 2 was applied.
The nal version of the gold standard (shown in table F.1) includes 171 verbs
in 16 classes. Each class is named according to the original Levin class. The
smallest class (30.3) includes 7 verbs and the largest (37.3) 16. The average
number of verbs per class is 10.7.
F.2.3 Verb Clustering
We performed an experiment where we
took a French corpus and a scf lexicon automatically extracted from
that corpus using French nlp technology,
extracted from these resources a range of features (lexical, syntactic and
semantic) a representative sample of those employed in recent English
experiments (Joanis et al., 2008; Li et Brew, 2008; Ó Séaghdha et Copestake, 2008; Vlachos et al., 2009; Sun et Korhonen, 2009).
clustered the features using a method which has proved promising in
both English and German experiments : spectral clustering,
evaluated the clusters both quantitatively (using the gold standard) and
qualitatively,
and nally, compared the performance of individual features to that recently obtained for English in order to gain a better understanding of
the cross-linguistic and language-specic properties of verb classication
This work is described in the subsequent subsections.
Data : the LexSchem Lexicon
We extracted the features for clustering from LexSchem (Messiant et al.,
2008). This large subcategorization lexicon provides scf frequency information
for 3,297 French verbs. It was acquired fully automatically from Le Monde
newspaper corpus (200M words from the period 1991-2000) using ASSCI a
recent subcategorization acquisition system for French (Messiant, 2008).
Systems similar to ASSCI have been used in recent verb classication works
e.g. (Schulte im Walde, 2006; Li et Brew, 2008; Ó Séaghdha et Copestake, 2008;
Sun et Korhonen, 2009). Like these other systems, ASSCI takes raw corpus
data as input. The data is rst tagged and lemmatized using the Tree-Tagger
and then parsed using the Syntex parser (Bourigault et al., 2005). Syntex is
a shallow parser which employs a combination of statistics and heuristics to
identify grammatical relations (GRs) in sentences.
ASSCI considers those grs where the target verbs occur and constructs
scfs from nominal, prepositional and adjectival phrases, and innitival and
subordinate clauses. When a verb has no dependency, its scf is considered as
intransitive. Otherwise, ASSCI assumes no pre-dened list of scfs but almost
any combination of permitted constructions can appear as a candidate scf.
The number of automatically generated scf types in LexSchem is 336.
147
Annexe F. Articles portant sur l’acquisition de classes verbales
Many of the candidate scfs are noisy due to processing errors and the
diculty of argument-adjunct distinction. Most scf systems operate on the
basis of the assumption that true arguments occur in argument positions more
frequently than adjuncts. Many of them also integrate sophisticated lters for
removing noise from the system output. When LexSchem was evaluated using
a relative frequency and heuristics -based lter its f-measure was 69 which is
similar to those of other current scf systems (Messiant et al., 2008) However,
we used the unltered version of LexSchem because previous work on English
verb classication has showed that information about adjuncts can actually
help verb clustering (Sun et al., 2008).
F.2.4 Features
Lexical entries in LexSchem provide a variety of material for verb clustering, including e.g. (statistical) information related to the part-of-speech (pos)
tags, scfs, argument heads, and adjuncts of verbs. Using this material, we
constructed a range of features for experimentation. The rst three include
basic information about scfs :
F1 : scfs and their relative frequencies with individual verbs. scfs abstract
over particles and prepositions.
F2 : F1, with scfs parameterized for the tense (the pos tag) of the verb.
F3 : F2, with scfs parameterized for prepositions (pp).
The following six features include information about the lexical context
(co-occurrences) of verbs. We adopt the best method of Li et Brew (2008)
where collocations (cos) are extracted from the window of words immediately
preceding and following a lemmatized verb. Stop words are removed prior to
extraction.
F4, F6, F8 : cos are extracted from the window of 4, 6 and 8 words, respecti-
vely. The relative word position is ignored.
F5, F7, F9 : F4, F6 and F8 with the relative word position recorded.
The next four features include information about lexical preferences (lp)
of verbs in argument head positions of specic grs associated with the verb :
F10 : lp(prep) : the type and frequency of prepositions in the preposition
(prep) relation.
F11 : lp(subj) : the type and frequency of nouns in the subject (subj) relation.
F12 : lp(iobj) : the type and frequency of nouns in the object (obj) and
indirect object (iobj) relation.
F13 : lp(all) : the combination of F10-F13.
The nal two features rene scf features with lps and semantic information
about verb selectional preferences (sp) :
F14-F16 : F1-F3 parameterized for lps.
F17 : F3 rened with sps.
We adopt a fully unsupervised approach to sp acquisition using the method
of Sun et Korhonen (2009), with the dierence that we determine the optimal
number of sp clusters automatically following Zelnik-Manor et Perona (2004).
148
F.2. Article publié dans les actes de la conférence CoLing en 2010
The method is introduced in the following subsection. The approach involves
(i) taking the grs (subj, obj, iobj) associated with verbs, (ii) extracting all the
argument heads in these grs, and (iii) clustering the resulting N most frequent
argument heads into M classes. The empirically determined N 200 was used.
The method produced 40 sp clusters.
F.2.5 Clustering methods
Spectral clustering (spec) has proved promising in previous verb clustering experiments (Brew et Schulte im Walde, 2002; Sun et Korhonen, 2009)
and other similar nlp tasks involving high dimensional feature space (Chen
et al., 2006). Following Sun et Korhonen (2009) we used the MNCut spectral
clustering (Meila et Shi, 2001) which has a wide applicability and a clear probabilistic interpretation (von Luxburg, 2007; Verma et Meila, 2005). However,
we extended the method to determine the optimal number of clusters automatically using the technique proposed by (Zelnik-Manor et Perona, 2004).
Clustering groups a given set of verbs V = {vn }nN=1 into a disjoint partition of K classes. spec takes a similarity matrix as input. All our features can
be viewed as probabilistic distributions because the combination of dierent
features is performed via parameterization. Thus we use the Jensen-Shannon
divergence (jsd) to construct the similarity matrix. The jsd between two feature vectors v and v0 is d jsd (v, v0 ) = 21 D (v||m) + 21 D (v0 ||m) where D is the
Kullback-Leibler divergence, and m is the average of the v and v0 .
The similarity matrix W is constructed where Wij = exp(−d jsd (v, v0 )). In
spec, the similarities Wij are viewed as the connection weight ij of a graph
G over V . The similarity matrix W is thus the adjacency matrix for G. The
0
degree of a vertex i is di = ∑ N
j=1 wij . A cut between two partitions A and A is
dened to be Cut( A, A0 ) = ∑m∈ A,n∈ A0 Wmn .
The similarity matrix W is normalized into a stochastic matrix P.
P = D −1 W
(F.9)
The degree matrix D is a diagonal matrix where Dii = di .
It was shown by Meila et Shi (2001) that if P has the K leading eigenvectors
that are piecewise constant 3 with respect to a partition I ∗ and their eigenvalues
are not zero, then I ∗ minimizes the multiway normalized cut(MNCut) :
MNCut( I ) = K − ∑kK=1
Cut( Ik ,Ik )
Cut( Ik ,I )
Pmn can be interpreted as the transition probability between vertices m, n.
The criterion can thus be expressed as MNCut( I ) = ∑kK=1 (1 − P( Ik → Ik | Ik ))
(Meila, 2001), which is the sum of transition probabilities across dierent clusters. This criterion nds the partition where the random walks are most likely
to happen within the same cluster. In practice, the leading eigenvectors of P
are not piecewise constant. But we can extract the partition by nding the
approximately equal elements in the eigenvectors using a clustering algorithm
like k-means.
As the value of K is not known beforehand, we use Zelnik-Manor et Perona (2004)'s method to estimate it. This method nds the optimal value by
minimizing a cost function based on the eigenvector structure of W .
3. The eigenvector v is piecewise constant with respect to I if v(i ) = v( j)∀i, j ∈ Ik and
k ∈ 1, 2...K
149
Annexe F. Articles portant sur l’acquisition de classes verbales
Like Brew et Schulte im Walde (2002), we compare spec against a k-means
baseline. We used the Matlab implementation with euclidean distance as the
distance measure.
F.2.6 Experimental evaluation
Data and pre-processing
Our initial plan was to experiment with all the 171 verbs in the gold standard (see Table F.1). However, we decided to exclude phrasal verbs (e.g. faire
disparaître) and drop one class (40.2 non-verbal expression) which included reexive verbs in French (e.g. s'amuser, se moquer ) since multiword units
would have been challenging for our method. Also verbs assigned to several
classes due to polysemy were excluded. This left us with 147 verbs in 15 classes
(10 verbs per class on average).
The scf-based features (F1-F3 and F14-F17) were extracted directly from
LexSchem. The co (F4-F9) and lp features (F10-F13) were extracted from
the raw and parsed corpus sentences, respectively, which were used for creating
the lexicon. Features that only appeared once were removed. Feature vectors
were normalized by the sum of the feature values before clustering. Since our
clustering algorithms have an element of randomness, we repeated clustering
multiple times. We report the results that minimize the distortion (the distance
to cluster centroid).
Evaluation measures
We employ the same measures for evaluation as previously employed e.g. by
Ó Séaghdha et Copestake (2008) and Sun et Korhonen (2009).
The rst measure is modied purity (mPUR) a global measure which
evaluates the mean precision of clusters. Each cluster is associated with its
prevalent class. The number of verbs in a cluster K that take this class is
denoted by n prevalent (K). Verbs that do not take it are considered as errors.
Clusters where n prevalent (K) = 1 are disregarded as not to introduce a bias
towards singletons :
mPUR =
∑n prevalent(k )>2 n prevalent(ki )
i
number of verbs
The second measure is weighted class accuracy (ACC) : the proportion of
members of dominant clusters DOM-CLUSTi within all classes ci .
ACC =
∑iC=1 verbs in DOM-CLUSTi
number of verbs
mPUR and ACC can be seen as a measure of precision(P) and recall(R)
respectively. We calculate F measure as the harmonic mean of P and R :
F=
2 · mPUR · ACC
mPUR + ACC
The random baseline (BL) is calculated as follows :
BL = 1/number of classes
F.2.7 Evaluation
Quantitative evaluation
In our rst experiment, we evaluated 116 verbs those which appeared in
LexSchem the minimum of 150 times. We did this because English experiments
150
F.2. Article publié dans les actes de la conférence CoLing en 2010
had shown that due to the Zipan nature of scf distributions, 150 corpus
occurrences are typically needed to obtain a sucient number of frames for
clustering (Sun et al., 2008).
Table F.2 shows f-measure results for all the features. The 4th column of
the table shows, for comparison, the results Sun et Korhonen (2009) obtained
for English when they used the same features than us, clustered them using
spec, and evaluated them against the English version of our gold standard,
also using f-measure 4 .
As expected, spec (the 2nd column) outperforms k-means (the 3rd column) throughout the feature set. Looking at the basic scf features F1-F3, we
can see that they perform signicantly better than the bl method. F3 performs
the best among the three features both in French (50.6 f) and in English (63.3
f). We therefore use F3 as the scf feature in F14-F17 (the same was done for
English).
In French, most co features (F4-F9) outperform scf features. The best
result is obtained with F7 : 55.1 f. This is clearly better than the best scf result
50.6 (F3). This result is interesting since scfs correspond better than cos with
features used in manual Levin classication. Also, scfs perform considerably
better than cos in the English experiment (we only have the result for F4
available, but it is considerably lower than the result for F3). However, earlier
English studies have reported contradictory results (e.g. Li et Brew (2008)
showed that co performs better than scf in supervised verb classication),
indicating that the role of co features in verb classication requires further
investigation.
Looking at the lp features, F13 produces the best f (52.7) for French which
is slightly better than the best scf result for the language. Also in English,
F13 performs the best in this feature group and yields a higher result than the
best scf-based feature F3.
Parameterizing the best scf feature F3 with lps (F14-16) and sps (F17)
yields better performance in French. F15 and F17 have the f of 54.5 and 54.6,
respectively. These results are so close to the result of the best co feature
F7 (55.1 which is the highest result in this experiment) that the dierences
are not statistically signicant. In English, the results of F14-F17 are similarly
good ; however, only F17 beats the already high performance of F13.
On the basis of this experiment, it is dicult to tell whether shallow co
features or more sophisticated scf-based features are better for French. In the
English experiment sophisticated features performed better, and the scf-sp
feature F17 was the best one. However, the English experiment employed a
much larger dataset. These more sophisticated features may suer from data
sparseness in our French experiment since although we required the minimum
of 150 occurrences per verb in LexSchem, verb clustering performance tends
to improve when more data is available, and given the ne-grained nature of
LexShem scfs it is likely that more data is required for optimal performance.
We therefore performed another experiment with French on the full set of
147 verbs, using spec, where we investigated the eect of instance ltering
on the performance of the best features from each feature group : F3, F7,
4. Note that the results for the two languages are not mutually comparable due to differences in test sets, data sizes, and feature extraction systems (see Section 8 for discussion).
The results for English are included so that we can compare the relative performance of
individual features in the two languages in question.
151
Annexe F. Articles portant sur l’acquisition de classes verbales
F13 and F17. The results shown in Table F.3 reveal that the performance of
the features remains fairly similar until the instance threshold of 1000. When
2000 occurrences per verb are used, the dierences become clearer, until at the
threshold of 4000, it is obvious that the most sophisticated scf-sp feature F17
is by far the best feature for French (65.4 f) and the scf feature F3 the second
best (60.5 f). The co-feature F7 and the lp feature F13 are not nearly as good
(53.4 and 51.0 f).
Although the results at dierent thresholds are not comparable due to the
dierent number of verbs and classes (see columns 2-3), the results for features
at the same threshold are. Those results suggest that when 2000 or more occurrences per verb are used, most features perform like they performed for English
in the experiment of Sun et Korhonen (2009), with co being the least informative 5 and scf-sp being the most informative feature. The only exception is
the lp feature which performed relatively better than co in English.
bl
F1
F2
F3
F4
F5
F6
F7
F8
F9
F10
F11
F12
F13
F14
F15
F16
F17
scf
scf(pos)
scf(pp)
co(4)
co(4+loc)
co(6)
co(6+loc)
co(8)
co(8+loc)
lp(prep)
lp(subj)
lp(obj)
lp(all)
scf+lp(subj)
scf+lp(obj)
scf+lp(subj+obj)
scf+sp
spec
6.7
42.4
45.9
50.6
50.3
48.8
52.7
55.1
54.2
54.6
35.5
33.7
50.1
52.7
50.3
54.5
53.4
54.6
k-means
6.7
39.3
40.3
36.9
38.2
26.3
29.2
33.8
36.4
37.2
32.8
23.6
33.3
40.1
40.1
35.6
36.2
39.8
English
6.7
57.8
46.7
63.3
40.9
49.0
74.6
71.7
74.0
73.0
80.4
Table F.2 – Results for all the features for French (SPEC and K-means) and English (SPEC)
thr
0
50
100
150
200
400
1000
2000
3000
4000
Verbs
147
137
125
116
110
96
71
59
51
43
Cls
15
15
15
15
15
15
15
12
12
10
F3
43.7
47.9
49.2
50.6
54.9
52.7
51.4
52.3
55.7
60.5
F7
57.5
56.1
54.3
55.1
52.9
52.9
54.0
45.9
49.0
53.4
F13
43.3
44.8
44.8
52.7
49.7
43.9
44.8
42.7
46.8
51.0
F17
50.1
49.1
49.5
54.6
52.5
53.2
54.5
53.5
59.2
65.4
Table F.3 – The effect of verb frequency on performance
5. However, it is worth noting that co is not a useless feature. As table F.3 shows, when
150 or fewer occurrences are available for a verb, co outperforms all the other features in
French, compensating for data sparseness.
152
F.2. Article publié dans les actes de la conférence CoLing en 2010
Qualitative evaluation
We conducted qualitative analysis of the clusters for French, focusing on
those created using spec with F17 and F3.
Verbs in the gold standard classes 29.2, 36.1, 37.3, 37.7 and 47.3 (Table F.1)
performed particularly well, with the majority of member verbs found in the
same cluster. These verbs are ideal for clustering because they have distinctive
syntactic-semantic characteristics. For example, verbs in 29.2 characterize
class (e.g. concevoir, considérer, dépeindre ) not only have a very specic meaning but they also take high frequency scfs involving the preposition comme
(Eng. as) which is not typical to many other classes. Interestingly, Levin classes
29.2, 36.1, 37.3, and 37.7 were among the best performing classes also in the
English supervised verb classication experiment of Sun et al. (2008) (which
employed the English version of our gold standard) because these classes have
distinctive characteristics also in English.
The benet of sophisticated features which integrate also semantic (sp) information (F17) is particularly evident for classes with non-distinctive syntactic
charateristics. For example, the intransitive verbs in 43.1 light emission class
(e.g. briller, étinceler, amboyer ) are dicult to cluster based on syntax only,
but semantic features work because the verbs pose strong sps on their subjects
(entities capable of light emission). In the experiment of Sun et al. (2008),
43.1 was the worst performing class for English, possibly because no semantic
features were used in the experiment.
The most frequent source of error is syntactic idiosyncracy. This is particularly evident for classes 10.1 remove and 45.4 change of state. Although
verbs in these classes can take similar scfs and alternations, only some of them
are frequent in data. For example, the scf ôter X à Y is frequent for verbs in
10.1, but not ôter X de Y. Although class 10.1 did not suer from this problem in the English experiment of Sun et al. (2008), class 45.4 did. Class 45.4
performs particularly bad in French also because its member verbs are low in
frequency.
Some errors are due to polysemy, caused partly by the fact that the French
version of the gold standard was not controlled for this factor. Some verbs have
their predominant senses in classes which are missing in the gold standard, e.g.
the most frequent sense of retenir is memorize, not keep as in the gold standard
class 13.5.1. get.
Finally, some errors are not true errors but demonstrate the capability of
clustering to learn novel information. For example, the change of state class
45.4 includes many antonyms (e.g. weaken vs. strenghten). Clustering (using
F17) separates these antonyms, so that verbs adoucir, atténuer and tempérer
appear in one cluster and consolider and renforcer in another. Although these
verbs share the same alternations, their sps are dierent. For the same reason,
verbs in light emission class 43.1 end up in dierent clusters, depending on
whether they describe abstract or concrete light emission.
The opposite eect can be observed when clustering maps together classes
which are actually semantically and syntactically related (e.g. 36.1 correspond and 37.7 speak). Such classes are distinct in Levin and VerbNet, because these resources do not to draw links between semantically similar classes
belonging to dierent main classes.
Cases such as these show the potential of clustering in discovering novel
153
Annexe F. Articles portant sur l’acquisition de classes verbales
valuable information in data. It is encouraging that we have observed this eect
in this rst clustering experiment in French.
F.2.8 Discussion and Conclusion
We have seen that when sucient corpus data is available, there is a strong
correlation between the types of features which perform the best in English and
French. Interestingly, we have also seen that when the best features are used,
many individual Levin classes have similar performance in the two languages.
Due to dierences in language-specic data sets and sizes direct comparison of the actual performance gures for English and French is not possible.
When considering the general level of performance, our best performance for
French (65.4 f) is clearly lower than the best performance for English in the
experiment of Sun et Korhonen (2009). However, it compares favourably to
the performance of other state-of-the-art (even supervised) systems for English verb classication (Joanis et al., 2008; Li et Brew, 2008; Ó Séaghdha
et Copestake, 2008; Vlachos et al., 2009). This is impressive considering that
we experimented with a fully unsupervised method originally developed for
another language.
Our experiment suggests that when aiming to improve performance further, employing larger data is critical. Most recent experiments on English
have employed bigger test and data sets, and unlike us, some of them have
only considered the predominant senses of medium-high frequency verbs (Ó
Séaghdha et Copestake, 2008; Vlachos et al., 2009; Sun et Korhonen, 2009).
As seen in subsection F.2.7, such dierences in data can have signicant impact
on performance.
However, parser and feature extraction performance can also play a big role
in overall accuracy, and should therefore be investigated further. When Sun et
Korhonen (2009) evaluated their basic scf feature (equivalent to F1) using the
same corpus data and gold standard but an older version of the parser and the
scf extraction system, the f dropped dramatically : from 57.8 to 38.3. The
relatively low performance of basic lp features in French suggests that at least
some of the current errors are due to parsing. Future research should therefore
investigate the source of error at dierent stages of processing.
In the future, it would also be interesting to investigate whether performance on French can be further enhanced by language-specic tuning (e.g. by
experimenting with language specic features such as auxiliary classes).
Methodology similar to ours has yielded promising results on semantic verb
classication in German (Schulte im Walde, 2006) and Japanese (Suzuki et
Fukumoto, 2009). However, these studies have not focussed on Levin style
classes, and have not explored cross-linguistic transfer. The works most related
to ours are those of Merlo et al. (2002) and Ferrer (2004). Our results contrast
with those of Ferrer who showed that a clustering approach does not transfer
well from English to Spanish. However, her experiment used basic scf and
named entity features only, and a clustering algorithm less suitable for high
dimensional data.
Like us, Merlo et al. (2002) created a gold standard by translating Levin
classes to another language (Italian). They also applied a classication approach developed for English to Italian, and reported good overall performance
using features developed for English. Although the experiment was very small
154
F.2. Article publié dans les actes de la conférence CoLing en 2010
in scale (involving three classes and a few features only), and although it involved a use of a supervised classication technique, the results are in agreement
with our results from this larger, unsupervised experiment with French.
These experiments further support the linguistic hypothesis that Levinstyle classication can be cross-linguistically applicable or overlapping (Levin,
1993). A clustering technique such as the one presented here could be used as
a helpful tool to investigate this hypothesis further, and to nd out whether
classications are similar across a wider range of more diverse languages. From
the nlp perspective, the fact that an unsupervised technique developed for one
language can be applied to another language without substantial changes in
the methodology means that automatic techniques can be used to hypothesise
useful Levin-style classes in a cost-eective manner Kipper et al. (2008). This,
in turn, can facilitate the creation of VerbNets for new languages.
155
Liste des publications liées à
la thèse
Articles de revue
Cédric Messiant, Kata Gábor et Thierry Poibeau. Acquisition de connaissances lexicales à partir de corpus : la sous-catégorisation verbale en français.
Traitement Automatique des Langues, 2010.
Cédric Messiant et Thierry Poibeau. Automatic Lexical Acquisition from
Corpora, some Limitations and some Tentative Solutions. Cahiers du Cental (numéro spécial "eLexicography in the 21st Century : New Challenges, New
Applications"), Presses Universitaires de Louvain, 2010.
Communications internationales avec actes
Lin Sun, Thierry Poibeau, Anna Korhonen and Cédric Messiant. Investigating the cross-linguistic potential of VerbNet-style classification. In Proceedings of CoLing, 2010.
Cédric Messiant. 2008. ASSCI : A Subcategorization Frames Acquisition System for French Verbs. In Proceedings of the Association for Computational Linguistics (ACL, Student Research Workshop), Columbus, Ohio. pp. 55–60.
Cédric Messiant, Anna Korhonen, and Thierry Poibeau. 2008. LexSchem :
A Large Subcategorization Lexicon for French Verbs. In Proceedings of the
Language Resources and Evaluation Conference (LREC), Marrakech.
Thierry Poibeau and Cédric Messiant. 2008. Do we still need gold standard
for evaluation ? In Proceedings of the Language Resources and Evaluation Conference (LREC), Marrakech.
157
G
Annexe G. Liste des publications liées à la thèse
Communications nationales avec actes
Cédric Messiant, Takuya Nakamura et Stavroula Voyatzi. 2009. La complémentarité des approches manuelle et automatique en acquisition lexicale.
Dans Actes de la 16ème Conférence sur le traitement automatique des langues naturelles (TALN), Senlis.
Cédric Messiant et Thierry Poibeau. 2009. Acquisition d’informations lexicales à partir de corpus. Dans Troisième colloque international de l’Association
Française de Linguistique Cognitive (AFLICO), Nanterre.
158
Bibliographie
Anne Abeillé, Lionel Clément, et François Toussenel. Building a treebank for
french. Dans Anne Abeillé, éditeur, Treebanks : Building and Using Parsed
Corpora, pages 165–187, Dordrecht, 2003. Kluwer Academic Publishers.
Anne Abeillé. Les nouvelles syntaxes. Armand Colin, Paris, 1993.
Omri Abend, Roi Reichart, et Ari Rappoport. A Supervised Algorithm for
Verb Disambiguation into VerbNet Classes. Dans Proceedings of CoLing,
pages 9–16, 2008.
Steven Abney et Marc Light. Hiding a Semantic Class Hierarchy in a Markov
Model. Dans A. Kehler et A. Stolcke, éditeurs, Proceedings of ACL Workshop
on Unsupervised Learning in Natural Language Processing, pages 1–8, College
Park, Maryland, 1999.
Eneko Agirre et Philip Edmonds, éditeurs. Word Sense Disambiguation : Algorithms and Applications. Springer, Berlin, 2007.
Afra Alishahi et Suzanne Stevenson. A cognitive model for the representation and acquisition of verb selectional preferences. Dans ACL Workshop on Cognitive Aspects of Computational Language Acquisition, pages 41–
48, Prague, Czech Republic, 2007.
Collin F. Baker, Charles J. Fillmore, et John B. Lowe. The Berkeley FrameNet
Project. Dans Proceedings of COLING-ACL, pages 86–90, 1998.
Mark C. Baker. Thematic Roles and Syntactic Structure. Elements of Grammar,
pages 73–137, 1997.
Somnath Banerjee, Dipankar Das, et Sivaji Bandyopadhyay. Bengali verb
subcategorization frame acquisition : a baseline model. Dans Proceedings
of the 7th Workshop on Asian Language Resources (ALR7), pages 76–83, Morristown, NJ, USA, 2009. Association for Computational Linguistics.
Claire Blanche-Benveniste, José Deulofeu, Jean Stéfanini, et Karel van den
Eynde. Pronom et syntaxe. L’approche pronominale et son application au français. SELAF, Paris, 1984.
Jean-Paul Boons, Alain Guillet, et Christian Lecrère. La structure des phrases
simples en français. Droz, Genève, 1976.
Andrée Borillo. Remarques sur les verbes symétriques du français. Langue
française, 11 :17–31, 1971.
Didier Bourigault. Un analyseur syntaxique opérationnel : SYNTEX. Habilitation à Diriger des Recherches, Université Toulouse 2, Toulouse, 2007.
159
Bibliographie
Didier Bourigault, Marie-Paule Jacques, Cécile Fabre, Cécile Frérot, et Sylwia Ozdowska. Syntex, analyseur syntaxique de corpus. Dans Actes des
12èmes journées sur le Traitement Automatique des Langues Naturelles, Dourdan, 2005.
Michael R. Brent. Automatic acquisition of subcategorization frames from
untagged text. Dans Proceedings of the 29th Annual Meeting of the Association
for Computational Linguistics (ACL), pages 209–214, Berkeley, CA, 1991.
Michael R. Brent. From grammar to lexicon : Unsupervised learning of lexical syntax. Computational Linguistics, 19 :203–222, 1993.
Joan Bresnan et Annie Zaenen. Deep unaccusativity in lfg. Dans K. Dziwirek, éditeur, Grammatical Relations. A Cross-Theoretical Perspective. Center
for the Study of Language and Information, Stanford University, 1990.
Chris Brew et Sabine Schulte im Walde. Spectral clustering for german verbs.
Dans Proceedings of EMNLP, pages 117–124, 2002.
Ted Briscoe et John Carroll. Automatic extraction of subcategorization from
corpora. Dans Proceedings of the 5th ACL Conference on Applied Natural Language Processing, pages 356–363, Washington, DC, 1997.
John Carroll et Ted Briscoe. Apportioning development effort in a probabilistic lr parsing system through evaluation. Dans Proceedings of the
ACL/SIGDAT Conference on Empirical Methods in Natural Language Processing, pages 92–100, University of Pennsylvania, PA, 1996.
John Carroll, Guido Minnen, et Ted Briscoe. Can subcategorisation probabilities help a statistical parser ? Dans Proceedings of the 6th ACL/SIGDAT
Workshop on Very Large Corpora, Montreal (Canada), 1998.
Y. Kiliçaslan, E. Uzun, H.V. Agun, et E. Uçar. Automatic Acquisition of Subcategorization Frames for Turkish with Purely Statistical Methods. Dans
Proceedings of the International Symposium on Innovations in Intelligent Systems and Applications, INISTA-2007, pages 11–15, Istanbul, Turkey, 2007.
Jinxiu Chen, Dong-Hong Ji, Chew Lim Tan, et Zheng-Yu Niu. Unsupervised relation disambiguation using spectral clustering. Dans Proceedings of
COLING/ACL, pages 89–96, 2006.
Paula Chesley et Susanne Salmon-Alt. Automatic extraction of subcategorization frames for french. Dans Proceedings of the Language Resources and
Evaluation Conference (LREC), Genua (Italy), 2006.
Stephen Clark et David J. Weir. Class-based probability estimation using a
semantic hierarchy. Computational Linguistics, 28(2) :187–206, 2002.
Lionel Clément, Benoît Sagot, et Bernard Lang. Morphology Based Automatic Acquisition of Large-coverage Lexica. Dans Proceedings of the Language
Resources and Evaluation Conference (LREC), pages 1841–1844, may 2004.
Matthieu Constant et Elsa Tolone. A Generic Tool to Generate a Lexicon for
nlp from Lexicon-Grammar Tables. Dans Michele De Gioia, éditeur, Actes
du 27e Colloque international sur le lexique et la grammaire (L’Aquila, 10-13
septembre 2008). Seconde partie. Aracne, 2010.
160
Bibliographie
Ann Copestake. The Representation of Lexical Semantic Information. PhD thesis,
University of Sussex, 1992.
Alan D. Cruse. Lexical semantics. Cambridge University Press, Cambridge,
1986.
Hoa Trang Dang. Investigations into the Role of Lexical Semantics in Word Sense
Disambiguation. PhD thesis, CIS, University of Pennsylvania, 2004.
Laurence Danlos. Les lexiques en traitement automatique du langage naturel. Dans Proceedings of the 3rd meeting on Langage Industry, Grossetto,
1988.
Laurence Danlos et Benoît Sagot. Constructions pronominales dans dicovalence et le lexique-grammaire – intégration dans le lefff. Dans Actes du
Colloque Lexique et Grammaire, L’Aquila, Italie, 2008.
Tim Van de Cruys et Begoña Villada Moirón. Lexico-semantic multiword
expression extraction. Dans Peter Dirix et al., éditeur, Proceedings of the
17th Meeting of Computational Linguistics in the Netherlands (CLIN), pages
175–190, University of Leuven, Leuven, Belgium, 2007.
Jacques Dendien et Jean-Marie Pierrel. Le trésor de la langue française informatisé : un exemple d’informatisation d’un dictionnaire de langue de
référence. Traitement Automatique des Langues, 44 (2), 2003.
David Dowty. Thematic proto-roles and argument selection. Language, 67
(3) :547–619, 1991.
Jean Dubois et Françoise Dubois-Charlier. Les verbes français. Larousse, Paris,
1997.
Mireille Ducassé et Sébastien Ferré. Aide à la décision multicritère : cohérence et équité grâce à l’analyse de concepts. Dans Modèles et Apprentissage
en Sciences Humaines et Sociales, 2009.
Cécile Fabre et Didier Bourigault. Exploiter des corpus annotés syntaxiquement pour observer le continuum entre arguments et circonstants. Journal
of French Language Studies, 18(1) :87–102, 2008.
Ingrid Falk. Création automatique de classes sémantiques verbales pour le français.
Mémoire de Master, LORIA, Nancy, 2008.
Christiane Fellbaum, éditeur. WordNet : An Electronic Lexical Database. Language, Speech, and Communication. MIT Press, Cambrige, MA, May
1998.
Eva Esteve Ferrer. Towards a semantic classification of spanish verbs based
on subcategorisation information. Dans Proceedings of ACL Student Research
Workshop, 2004.
Charles J. Fillmore. The grammar of hitting and breaking. Dans R. Jacobs
et P. Rosenbaum, éditeurs, Readings in English Transformational Grammar,
pages 120–133. 1967.
161
Bibliographie
Charles J. Fillmore. The case for case. Dans Emmon Bach et Robert T.
Harms, éditeurs, Universals in linguistic theory, pages 1–88. Holt, Rinehart
and Winston, 1968.
Karen Fort et Bruno Guillaume. PrepLex : un lexique des prépositions du
français pour l’analyse syntaxique. Dans Actes de la 14ème Conférence sur le
traitement automatique des langues naturelles (TALN), Toulouse France, 2007.
Gilles Francopoulo. Tagparser et technolangue-easy. Dans Actes de l’Atelier
technolangue, TALN’05, Dourdan, 2005.
Nuria Gala et André Valli. Building a computational lexicon of verbal syntactic constructions in french. Dans Proceedings of PAPILLON-05, Workshop
on Multilingual Lexical Databases, Chiang Rai, Thailande, 2005.
Claire Gardent. Evaluating an automatically extracted lexicon. Dans Proceedings of the 4th Language & Technology Conference, Poznan, Poland, 2009.
Claire Gardent, Bruno Guillaume, Guy Perrier, et Ingrid Falk. Extraction
d’information de sous-catégorisation à partir des tables du ladl. Dans
Actes de Traitement Automatique des Langues Naturelles, Louvain, Belgique,
2006.
Claire Gardent et Alejandra Lorenzo. Identifying Sources of Weakness in
Syntactic Lexicon Extraction. Dans Proceedings of the Seventh conference on
International Language Resources and Evaluation (LREC’10), Valletta, Malta,
may 2010. European Language Resources Association (ELRA).
Daniel Gildea et Daniel Jurafsky. Automatic labeling of semantic roles. Computational Linguistics, 28(3) :245–288, 2002.
Genevieve Gorrell. Acquiring subcategorisation from textual corpora. M. Phil.
thesis, University of Cambridge, UK, 1999.
Ralph Grishman, Catherine Macleod, et Adam Meyers. Comlex Syntax :
Building a Computational Lexicon. Dans Proceedings of the International
Conference on Computational Linguistics, pages 268–272, Kyoto, Japan, 1994.
Gaston Gross. Les expressions figées en français : noms composés et autres locutions. Ophrys, Paris, 1996.
Maurice Gross. Méthodes en syntaxe. Hermann, Paris, 1975.
Maurice Gross. Les bases empiriques de la notion de prédicat sémantique.
Langages, 63 :7–52, 1981.
Maurice Gross. Les limites de la phrase figée. Langages, 90 :7–22, 1988.
Maurice Gross. Constructing lexicon-grammars. Computational Approaches to
the Lexicon, pages 213–263, 1994.
Maurice Gross. La fonction sémantique des verbes supports. Travaux de
linguistique, 37 :25–46, 1998.
Jeffrey S. Gruber. Studies in lexical relations. PhD thesis, MIT, 1965.
162
Bibliographie
Xiwu Han, Tiejun Zhao, Haoliang Qi, et Hao Yu. Subcategorization acquisition and evaluation for chinese verbs. Dans Proceedings of the 20th international conference on Computational Linguistics (CoLing), page 723, Morristown, NJ, USA, 2004. Association for Computational Linguistics.
Zellig Harris. Notes du cours de syntaxe. Seuil, Paris, 1976.
Eduard Hovy, Mitch Marcus, Martha Palmer, L. Ramshaw, et R. Weischedel.
OntoNotes : The 90% Solution. Dans HLT/NAACL, 2006.
Ray S. Jackendoff. Semantics and Cognition. MIT Press, Cambridge/MA,
1972.
Ray S. Jackendoff. Semantic Structures. The MIT Press, Cambridge, Massachusetts, 1990.
Eric Joanis, Suzanne Stevenson, et David James. A general feature space for
automatic verb classification. Natural Language Engineering, 14(3) :337–367,
2008.
J.G Kalbfleisch. Probability and Statistical Inference, Volume 2 : Statistical Inference. Springer-Verlag, New York, 1985.
Karin Kipper, Anna Korhonen, Neville Ryant, et Martha Palmer. A largescale classification of english verbs. Journal of Language Resources and Evaluation, 42(1) :21–40, 2008.
Karin Kipper-Schuler. VerbNet : A Broad-coverage, Comprehensive Verb Lexicon.
University of Pennsylvania, PA, 2005.
Philipp Koehn. Europarl : A parallel corpus for statistical machine translation. Dans MT Summit, Phuket Island, Thailand, 2005.
Jean-Pierre Koenig et Anthony Davis. Semantically transparent linking in
hpsg. Dans Proceedings of the HPSG03 Conference, pages 222–235, East Lansing, Michigan, 2000.
Anna Korhonen. Using semantically motivated estimates to help subcategorization acquisition. Dans Proceedings of the Joint SIGDAT Conference on
Empirical Methods in Natural Language Processing and Very Large Corpora,
pages 216–223, Hong Kong, 2000.
Anna Korhonen. Subcategorization acquisition. PhD thesis, University of Cambridge, 2002.
Anna Korhonen et Ted Briscoe. Extended lexical-semantic classification of
english verbs. Dans Dan Moldovan et Roxana Girju, éditeurs, Proceedings
of the HLT-NAACL 2004 : Workshop on Computational Lexical Semantics, pages
38–45, Boston, Massachusetts, USA, May 2 - May 7 2004. Association for
Computational Linguistics.
Anna Korhonen, G. Gorrell, et D. McCarthy. Statistical filtering and subcategorization frame acquisition. Dans Proceedings of the Joint SIGDAT Conference on Empirical Methods in Natural Language Processing and Very Large
Corpora, pages 199–205, Hong Kong, 2000.
163
Bibliographie
Anna Korhonen, Yuval Krymolowski, et Ted Briscoe. A large subcategorization lexicon for natural language processing applications. Dans Proceedings of the 5th international conference on Language Resources and Evaluation,
Genova, Italy, 2006.
Anna Korhonen, Yuval Krymolowski, et Nigel Collier. The choice of features
for classification of verbs in biomedical texts. Dans Proceedings of the 2008
COLING conference, pages 449–456, Manchester, 2008.
Anna Korhonen, Yuval Krymolowski, et Zvika Marx. Clustering polysemic
subcategorization frame distributions semantically. Dans Proceedings of the
Meeting of the Association for Computational Linguistics (ACL), pages 64–71,
Sapporo, 2003.
Anna Kupść. Extraction automatique de cadres de sous-catégorisation verbale pour le français à partir d’un corpus arboré. Dans Actes de la 14ème
Conférence sur le traitement automatique des langues naturelles (TALN), Toulouse, June 2007.
Anna Kupść. Adjectives in treelex. Dans S. Wierzchoń et K. Trojanowski
M. Klopotek, A. Przepiórkowski, éditeur, Proceedings of the 16th International Conference Intelligent Information Systems, pages 287–296, Zakopane,
Poland, 2008. Academic Publishing House EXIT.
Anna Kupść et Anne Abeillé. Growing treelex. Dans A. Gelbukh, éditeur,
Proceedings of the 9th International Conference, CICLing 2008, pages 28–39,
Haifa, Israel, 2008a. Lecture Notes in Computational Linguistics no 4919.
Anna Kupść et Anne Abeillé. Treelex : A subcategorisation lexicon for french
verbs. Dans Proceedings of the First International Conference on Global Interoperability for Language Resources, Hong Kong, 2008b.
Eric Laporte. Mots et niveau lexical. Dans Jean-Marie Pierrel, éditeur, Ingénierie des langues, pages 25–49. Hermés, 2000.
Christian Leclère. The lexicon-grammar of french verbs : a syntactic database. Linguistic Informatics - State of the Art and the Future, pages 29–45,
2005.
Lilian Lee. On the effectiveness of the skew divergence for statistical language analysis. Dans Proceedings of the Workshop on Artificial Intelligence
and Statistics, Key west, Florida, 2001.
Alessandro Lenci, Barbara McGillivray, Simonetta Montemagni, et Vito Pirrelli. Unsupervised Acquisition of Verb Subcategorization Frames from
Shallow-Parsed Corpora. Dans Proceedings of the Sixth International Language Resources and Evaluation (LREC’08), Marrakech, Morocco, may 2008.
European Language Resources Association (ELRA).
Beth Levin. English Verb Classes and Alternations : a preliminary investigation.
University of Chicago Press, Chicago and London, 1993.
Beth Levin et Malka Rappaport Hovav. Argument Realization. Cambridge
university Press, Cambridge, 2005.
164
Bibliographie
Hang Li et Naoki Abe. Generalizing case frames using a thesaurus and the
mdl principle. Computational Linguistics, 24 :239–248, 1998.
Jianguo Li et Chris Brew. Which are the best features for automatic verb classification. Dans Proceedings of the Meeting of the Association for Computational
Linguistics (ACL–HLT), pages 434–442, Columbus, Ohio, 2008.
John Lyons. Introduction to Theoretical Linguistics. Cambridge University
Press, Cambridge, 1968.
Christopher D. Manning. Automatic acquisition of a large subcategorization
dictionary from corpora. Dans Proceedings of the 31st Annual Meeting of the
Association for Computational Linguistics (ACL), pages 235–242, Columbus,
Ohio, 1993.
Christopher D. Manning. Probabilistic syntax. Dans MIT Press, éditeur,
Probabilistic Linguistics, pages 289–341. R. Bod, J. Hay, S. Jannedy, 2003.
M. Maragoudakis, K. Kermanidis, N. Fakotakis, et G. Kokkinakis. Learning Automatic Acquisition of Subcategorization Frames Using Bayesian
Inference and Support Vector Machines. Data Mining, IEEE International
Conference on, 0 :623, 2001.
Svetoslav Marinov. Automatic Extraction of Subcategorization Frames for
Bulgarian. Dans Proceedings of the Ninth ESSLLI Student Session, Edinburgh,
2004.
Diana McCarthy. Lexical Acquisition at the Syntax-Semantics Interface : Diathesis
Alternations. PhD Thesis, University of Sussex, 2001.
Marina. Meila. The multicut lemma. Rapport technique, University of Washington, 2001.
Marina Meila et Jianbo Shi. A random walks view of spectral segmentation.
Dans AISTATS, 2001.
Igor Mel´cuk. Verbes supports sans peine. Lingvisticae Investigationes, 27(2) :
203–217, 2004.
Paola Merlo, Suzanne Stevenson, Vivian Tsang, et Gianluca Allaria. A multilingual paradigm for automatic verb classification. Dans Proceedings of
ACL, 2002.
Piet Mertens. Restrictions de sélection et réalisations syntagmatiques dans
dicovalence. conversion vers un format utilisable en tal. Dans Actes de la
17ème Conférence sur le traitement automatique des langues naturelles (TALN),
Montreal, Canada, juillet 2010.
Cédric Messiant, Anna Korhonen, et Thierry Poibeau. LexSchem : A Large
Subcategorization Lexicon for French Verbs. Dans Proceedings of the Language Resources and Evaluation Conference (LREC), Marrakech, 2008.
Cédric Messiant. A Subcategorization Acquisition System for French Verbs.
Dans Proceedings of the ACL-08 : HLT Student Research Workshop, pages 55–
60, Columbus, Ohio, June 2008. Association for Computational Linguistics.
165
Bibliographie
Cédric Messiant, Kata Gábor, et Thierry Poibeau. Acquisition de connaissances lexicales à partir de corpus : la sous-catégorisation verbale en français. Traitement Automatique des Langues, 2010.
Cédric Messiant, Takuya Nakamura, et Stavroula Voyatzi. La complémentarité des approches manuelle et automatique en acquisition lexicale. Dans
Actes de la 16ème Conférence sur le traitement automatique des langues naturelles (TALN), Senlis, 2009.
George A. Miller. Wordnet : a lexical database for english. Communications
of the ACM, 1995.
Philip Miller. Compléments et circonstants : distinction syntaxique ou sémantique ? Dans J.-C.Souesme, éditeur, Actes de l’Atelier de Linguistique.
SAES 1997. Cycnos, volume 15, Nice, 1997.
Erwann Moreau, Isabelle Tellier, Antonio Balvet, Grégoire Laurence, Antoine
Rozenknop, et Thierry Poibeau. Annotation fonctionnelle de corpus arborés avec des champs aléatoires conditionnels. Dans Actes de la 16ème
Conférence sur le traitement automatique des langues naturelles (TALN), Senlis,
2009.
Ruth O’Donovan, Michael Burke, Aoife Cahill, Josef van Genabith, et Andy
Way. Large-scale induction and evaluation of lexical resources from the
penn-ii and penn-iii treebanks. Computational Linguistics, 31(3) :329–366,
2005.
Diarmuid Ó Séaghdha et Ann Copestake. Semantic Classification with Distributional Kernels. Dans Proceedings of COLING, pages 649–656, 2008.
Martha Palmer, Daniel Gildea, et Paul Kingsbury. The proposition bank : An
annotated corpus of semantic roles. Computational Linguistics, 3(1) :71–106,
2005.
Thierry Poibeau et Cédric Messiant. Do We Still Need Gold Standard for
Evaluation ? Dans Proceedings of the Language Resources and Evaluation
Conference (LREC), Marrakech, 2008.
Carl Pollard et Ivan A. Sag. Information-based syntax and semantics. Fundamentals. CLSI Lecture Notes 13, 1, 1987.
Judita Preiss, Ted Briscoe, et Anna Korhonen. A system for large-scale acquisition of verbal, nominal and adjectival subcategorization frames from
corpora. Dans Proceedings of the Meeting of the Association for Computational
Linguistics, pages 912–918, Prague, 2007.
James Pustejovsky. The generative lexicon. The MIT Press, Cambridge, 1995.
Philip Resnik. Selectional preference and sense disambiguation. Dans Proceedings of the SIGLEX Workshop on Tagging Text with Lexical Semantics : Why,
What, and How ?, pages 52–57, Washington, DC, 1997.
Benoît Sagot. Analyse automatique du français : lexiques, formalismes, analyseurs.
PhD thesis, Université Paris VII, 2006.
166
Bibliographie
Benoît Sagot. The lefff, a freely available, accurate and large-coverage lexicon
for french. Dans Proceedings of LREC 2010, La Valette, Malte, 2010.
Benoît Sagot, Lionel Clément, Eric de La Clergerie, et Pierre Boullier. The
lefff 2 syntactic lexicon for French : architecture, acquisition, use. Dans Proceedings of the Language Resources and Evaluation Conference (LREC), Genua
(Italy), 2006.
Benoît Sagot et Laurence Danlos. Améliorer un lexique syntaxique à l’aide
des tables du lexique-grammaire. Dans Actes du colloque DLTAF 2006 (Description Linguistique pour le Traitement Automatique du Français) du congrès
de l’ACFAS, Montréal, Canada, 2006.
Benoît Sagot et Eric de La Clergerie. Error mining in parsing results. Dans
Proceedings of ACL-CoLing 06, pages 329–336, Sydney, Australie, 2006.
Benoît Sagot et Elsa Tolone. Intégrer les tables du lexique-grammaire à un
analyseur syntaxique robuste à grande échelle. Dans Actes de la 16ème
Conférence sur le traitement automatique des langues naturelles (TALN), Senlis,
France, 2009.
Benoît Sagot et Darja Fiser. Construction d’un wordnet libre du français à
partir de ressources multilingues. Dans Actes de la 15ème Conférence sur le
traitement automatique des langues naturelles (TALN), Avignon, France, 2008.
Patrick Saint-Dizier. Verb semantic classes based on ’alternations’ and
wordnet-like criteria. Dans Patrick Saint-Dizier, éditeur, Predicative Forms
in Natural language and lexical Knowledge Bases, pages 247–279. Kluwer Academic, 1998.
Morris Salkoff. Analyse syntaxique du français. Grammaire en chaîne. John
Benjamins, Amsterdam, 1979.
Morris Salkoff et André Valli. A dictionary of french verbal complementation. Dans Actes de Language and Technology Conference. Human Language
and Technologies as a Challenge for Computer Science and Linguistics. In memory of M. Gross and A. Zampolli, Poznan, Poland, 2005.
Anoop Sarkar et Daniel Zeman. Automatic extraction of subcategorization frames for czech. Dans Proceedings of the 18th International Conference
on Computational Linguistics (COLING), pages 691–697, Saarbrücken, Germany, 2000.
Helmut Schmid. Probabilistic Part-of-Speech Tagging Using Decision Trees.
Dans International Conference on New Methods in Language Processing, Manchester, UK, 1994.
Sabine Schulte im Walde. Clustering verbs semantically according to their
alternation behaviour. Dans Proceedings of COLING, Saarbrücken, 2000.
Sabine Schulte im Walde. A Subcategorisation Lexicon for German Verbs
induced from a Lexicalised PCFG. Dans Proceedings of the 3rd Conference on
Language Resources and Evaluation, volume IV, pages 1351–1357, Las Palmas
de Gran Canaria, Spain, 2002.
167
Bibliographie
Sabine Schulte im Walde. Experiments on the automatic induction of german
semantic verb classes. Computational Linguistics, 32(2) :159–194, 2006.
Sabine Schulte im Walde. The induction of verb frames and verb classes
from corpora. Dans Corpus Linguistics. An International Handbook, Berlin,
2009. Mouton de Gruyter.
Sabine Schulte im Walde et Chris Brew. Inducing German Semantic Verb
Classes from Purely Syntactic Subcategorisation Information. Dans Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics, pages 223–230, Philadelphia, PA, 2002.
András Serény, Eszter Simon, et Anna Babarczy. Automatic acquisition of
hungarian subcategorization frames. Dans Proceedings of the 9th International Symposium of Hungarian Researchers on Computational Intelligence, 2008.
Lei Shi et Rada Mihalcea. Putting Pieces Together : Combining FrameNet,
VerbNet and WordNet for Robust Semantic Parsing. Dans Proceedings of
CICLing, pages 100–111, 2005.
Harold Somers. On the validity of the complement-adjunct distinction in
valency grammar. Linguistics, 22 :501–530, 1984.
Karen Sparck-Jones et Julia R. Galliers. Evaluating Natural Language Processing Systems : An Analysis and Review. Springer, Oxford University Press,
Berlin, 1996.
Suzanne Stevenson et Xavier Carreras, éditeurs. Proceedings of the Thirteenth
Conference on Computational Natural Language Learning. ACL, Boulder, Colorado, 2009.
Lin Sun et Anna Korhonen. Improving Verb Clustering with Automatically
Acquired Selectional Preferences. Dans Proceedings of EMNLP, pages 638–
647, 2009.
Lin Sun, Anna Korhonen, et Yuval Krymolowski. Verb class discovery from
rich syntactic data. LNCS, 4919 :16, 2008.
Lin Sun, Thierry Poibeau, Anna Korhonen, et Cédric Messiant. Investigating the Cross-Linguistic Potential of VerbNet-Style Classification. Dans
Proceedings of CoLing, 2010.
Mihai Surdeanu, Sanda M. Harabagiu, John Williams, et Paul Aarseth. Using
predicate-argument structures for information extraction. Dans ACL,
pages 8–15, 2003.
Yoshimi Suzuki et Fumiyo Fukumoto. Classifying Japanese Polysemous
Verbs based on Fuzzy C-means Clustering. Dans Proceedings of TextGraphs4, pages 32–40, 2009.
Robert Swier et Suzanne Stevenson. Unsupervised Semantic Role Labelling.
Dans Proceedings of EMNLP, 2004.
Lucien Tesnière. Éléments de Syntaxe structurale. Klincksieck, Paris, 1959.
168
Bibliographie
Akira Ushioda, David A. Evans, Ted Gibson, et Alex Waibel. The automatic
acquisition of frequencies of verb subcategorization frames from tagged
corpora. Dans Proceedings of the SIGLEX ACL Workshop on the Acquisition of
Lexical Knowledge from Text, pages 95–106, Columbus, Ohio, 1993.
Karel van den Eynde et Claire Blanche-Benveniste. Syntaxe et mécanismes
descriptifs : présentation de l’approche pronominale. Cahiers de Lexicologie,
32 :3–27, 1978.
Karel van den Eynde et Piet Mertens. La valence : l’approche pronominale
et son application au lexique verbal. French Language Studies, 13(1) :63–104,
2003.
Karel van den Eynde et Piet Mertens. Le dictionnaire de valence Dicovalence :
manuel d’utilisation. Manuscript, Leuven, 2006.
Gloria Vázquez, Ana Fernández, Irene Castellón, et M. Antonia Martí. Clasificación verbal : Alternancias de diátesis. Dans Quaderns de Sintagma.
Universitat de Lleida, 2000.
Deepak Verma et Marina Meila. A comparison of spectral clustering algorithms. Rapport technique, Department of CSE University of Washington
Seattle, 2005.
Andreas Vlachos, Anna Korhonen, et Zoubin Ghahramani. Unsupervised
and constrained dirichlet process mixture models for verb clustering. Dans
Proceedings of the Workshop on on GEMS, pages 74–82, 2009.
Ulrike von Luxburg. A tutorial on spectral clustering. STAT COMPUT, 17 :
395 – 416, 2007.
Piek Vossen. EuroWordNet : A Multilingual Database with Lexical Semantic
Networks. Kluwer Academic Publishers, Dordrecht, 1998.
Wendy Wilkins, éditeur. Thematic relations, volume 21. Academic Press, 1988.
Beñat Zapirain, Eneko Agirre, et Lluís Màrquez. Robustness and Generalization of Role Sets : PropBank vs. VerbNet. Dans Proceedings of ACL,
2008.
Lihi Zelnik-Manor et Pietro Perona. Self-tuning spectral clustering. NIPS, 17
(1601-1608) :16, 2004.
Ce document a été préparé à l’aide des éditeurs de texte Geany et Kile et du
logiciel de composition typographique LATEX.
169
Titre Acquisition automatique de schémas de sous-catégorisation
à partir de corpus bruts
Résumé Cette thèse de doctorat traite de l’acquisition automatique d’informations lexicales à partir de corpus. Nous nous intéressons en particulier
à l’acquisition de schémas de sous-catégorisation de verbes pour le français.
Nous avons mis au point un système permettant d’acquérir automatiquement ce type d’informations. L’utilisation de ce système sur un corpus de
très grande taille a permis d’acquérir un lexique de sous-catégorisation pour
le français. L’évaluation de cette ressource et sa comparaison à d’autres ressources montre l’apport des méthodes automatiques dans la constitution de
lexiques. Nous montrons par ailleurs l’adaptabilité de tels systèmes et leur
aptitude à acquérir des ressources « spécialisées » rapidement. Nous explorons enfin l’utilisation de telles ressources pour l’acquisition de classes sémantiques de verbes dans la lignée des travaux de Beth Levin, ce qui permet
d’étudier les liens entre syntaxe et sémantique.
Mots-clés verbe, sous-catégorisation, lexique, acquisition automatique,
syntaxe, classes sémantiques
Title Automatic acquisition of subcategorization frames from raw corpora
Abstract This thesis deals with the automatic acquisition of lexical information from corpora. We are especially interested in the acquisition of subcategorization frames for French verbs. We designed and developed a system
to acquire automatically such information. Using this system on a very large
corpus, we produced a subcategorization lexicon for French. The evaluation
of this resource and its comparison with other resources shows the interest of of automatic methods for the creation of lexicons. We show that the
adaptability of such systems and their ability to acquire quickly “specialized” linguistic resources. Finally, we explore the use of such resources for
the acquisition of Levin style semantic verb classes, therefore we study the
relationship between syntax and semantics.
Keywords verb, subcategorization, lexicon, automatic acquisition, syntax,
semantic classes
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