Analyse syntaxique profonde sur corpus Alpage Barcelone 2007

Analyse syntaxique profonde sur corpus « Alpage à Barcelone 2007 » Benoit Crabbé 1

2 Plan de l’exposé Motivations et objectifs de recherche Motivations générales Inadéquation des grammaires symboliques pour l’analyse de corpus et préférence aux modèles statistiques Analyse syntaxique statistique du Français Algorithmes d’analyse Développement de grammaire sur le FTB Premiers résultats Perspectives Collaborations et Intégration dans ALPAGE

3 Motivations générales Spécificité dans ALPAGE ? Linguiste Idéologie : « Computational linguistics » Utilisation de l’informatique pour apporter un éclairage nouveau sur l’étude de la langue française En retour : volonté d’exprimer une théorie formalisée « computer friendly » du Français Question générale Que tirer comme généralités de la linguistique de corpus ? Volonté de (contribuer à) formuler une grammaire du français informée explicitement par les données empiriques (stats) Inspiration type Claire Blanche-Benveniste (GARS): (Variationnisme) Contrastes de différents registres de langage : oral vs écrit Confronter théorie introspective vs approche empirique

4 Besoin premier Données structurées Produire un observatoire sur la langue Française en particulier Produire des ressources Corpus annotés en syntaxe Différents genres (oral/écrit) Produire les moyens de les exploiter Méthode qualitative (concordances) Méthodes quantitatives (stats) N’existe à peu près pas pour le français… Et pas en syntaxe…

5 Quels types de données ? Corpus annotés et corrigés suivant une grammaire explicite Au moins constituants et fonctions Bonnes propriétés informatiques Bonne expressivité linguistique La partie essentielle dans l’annotation d’un corpus c’est la conception des guides d’annotation (= de la grammaire) : = Explicitation de la théorie = Revient à décrire explicitement une grammaire de performance (!) Conséquence = favorise la cohérence de l’annotation Pour le Français on pourrait s’inspirer de la GGF et du FTB

6 Plan de l’exposé Motivations et objectifs de recherche Motivations générales Inadéquation des grammaires symboliques pour l’analyse de corpus et préférence aux modèles statistiques Analyse syntaxique statistique du Français Algorithmes d’analyse Développement de grammaire sur le FTB Premiers résultats Perspectives Collaborations et Intégration dans ALPAGE

7 Problèmes du parsing symbolique pour l’analyse de corpus Trois problèmes de l’analyse symbolique : Ambiguité Non Robustesse Ouverture des données Admettons que l’ambiguité puisse être résolue par des heuristiques de préférences (ex. Frazier & Fodor 78) La non robustesse est fondamentale : Distinction grammatical ~ non-grammatical ex. Accord (Point fort de TAG) : En théorie : La fille que le gars qui est venu hier a estimé que Pierre imagine que le frère de Julie pense que le garçon a aperçue En corpus : Le professeur de français que le frère de Paul a vue hier s’en est allée. Mais c’était bien une femme !

8 Propriété formelle d’un corpus : loi de Zipf Les objets d’un corpus sont en distribution de Zipf : Les mots Les règles de grammaire … La distribution pour le LN est une distribution de rang/fréquence, pour chaque mot : Rang (r) = fonction du Nbre d’occurrences du mot (ordre décroissant) Fréquence f(r) = Nbre de d’occurrences du mot de rang Loi de Zipf (version intuitive) : Conséquences : Très peu de mots très fréquents Très grand nombre de mots de basse fréquence

9 Loi de Zipf Distribution Rang/Fréquence d’une PCFG extraite du FTB (treebank 3+)

10 Conséquences L’analyse automatique de la langue naturelle à large couverture demande de gérer le mieux possible les objets inconnus Méthodes de lissage en Stats Méthodes de prétraitement en analyse symbolique Problème grammaire symbolique pour anal. corpus : Env. 2/3 des règles n’apparaissent que 1 ou 2 fois Ecrire une grammaire exhaustive est inenvisageable Demande d’écrire « indéfiniment » des règles aussi générales que les autres pour un nombre infini de cas rarissimes --> Crée ambiguité Nécessité de distinguer le vraiment général du rarissime Idem pour les lexiques

11 La grammaire sur corpus Annoter = écrire une grammaire Avantage sur la méthode symbolique : Les cas rares sont associés à l’exemple annoté Induction d’une grammaire de treebank Probabilités associées aux règles Surgénéralisation -> robustesse Robustesse intéressante Produit généralement des arbres complets Facilite le calcul sémantique (ex. RMRS)

12 Plan de l’exposé Motivations et objectifs de recherche Motivations générales Inadéquation des grammaires symboliques pour l’analyse de corpus et préférence aux modèles statistiques Analyse syntaxique statistique du Français Algorithmes d’analyse Développement de grammaire sur le FTB Premiers résultats Perspectives Collaborations et Intégration dans ALPAGE

13 Paradigmes d’analyse syntaxique Paradigme génératif* Modèles bayésiens de type PCFG « La grammaire engendre une chaine de surface » Paradigme discriminatif Modèles de type Maximum d’entropie et CRF « Etant donnée une chaine de surface et l’ensemble des analyses possibles, l’application d’un ensemble de contraintes ordonne les modèles pour garder le meilleur » Modèles mixtes Génératif : rapide mais expressivité réduite Discriminatif : expressif mais lent ==> Mixte : reranking (Charniak 05, Collins 06): (1) Générer un sous-ensemble des solutions (2) Appliquer des contraintes pour les ordonner entre elles Machine learning Arbres de décision (Magerman 94); SSN (Henderson & Titov 03)

14 Paradigme génératif Modèles non lexicalisés Vanilla PCFG Bit. Par (CKY all paths) Algos de Johnson (CKY Best First, 90 s) Problème formel de PCFG : Hypothèse d’indépendance conditionnelle est trop forte ==> Réintroduire des dépendances conditionnelles Parent Transformation : (Johnson 99) Accurate Unlexicalised Parsing (Klein and Manning 2003) Berkeley Parser : Algorithme de Petrov (2006 -2007) Modèles lexicalisés (Collins 96 -99, Bikel 2004 -5, Charniak 2000 -5) Problème de PCFG pour la langue nat : Interaction avec le lexique Idée : combiner un modèle de langage en dépendances lexicales avec un modèle de langage en constituants Problème à addresser : dispersion des données

15 PCFG Modèle de langage : CFG dont chaque règle A --> est associée à une probabilité telle que : Une PCFG définit une distribution de probabilité sur l’ensemble des arbres finis générés par la grammaire. Telle que la probabilité d’un arbre (t) : Autrement dit, on calcule la probabilité conjointe d’engendrer cet arbre en posant une hypothèse d’indépendance conditionnelle entre les instances de règles qui interviennent pour dériver cet arbre

16 Modèles non lexicalisés 1 : le split SPLIT Problème PCFG : conditions d’indépendance trop fortes « Coup de codage » (< HMM Trigrammes) Ex. Parent annotation (Johnson 1998) => Transformation (réversible) du Treebank Idée : Un NP^S est un sujet, un NP^VP est un objet Un NP sujet est structurellement différent d’un NP Objet : NP suj. plus court (pronom ou NP défini) qu’un NP objet ==>

17 MERGE Modèles non lexicalisés 2 : le merge Problème du split Spécialise trop les règles -> éparpillement des données Idée du MERGE : lissage Ex. Markovisation des règles (Klein, Manning 2003) = Mise en CNF dégénérée (// hyp. simplif. HMM) Base CNF = Markov(2) Markov(1) Markov(0)

18 Modèles non lexicalisés 3 : split/merge Algorithme de Berkeley (Petrov/Klein 06 -07) Split/merge sur les catégories de la grammaire + Markovisation d’ordre k Utilise EM (< Dedans-Dehors < Baum Welch HMM) Convergence non garantie ! Remarque 1 : L’algorithme apprend tout seul à reconnaître des types de constituants potentiellement intéressants : Grammaires des unités monétaires… Remarque 2 : Algorithme qui repose uniquement s/ propriétés formelles et de l’apprentissage => multilingue

19 Architecture du processus Entrainement : Treebank Transfo Treebank’ Estimation Grammaire Parsing Treebank’ Transfo-1 Treebank Analyse : Raw Text

20 Modèles lexicalisés Collins 96 -99 (Bikel 2004)/ Charniak 97 Intuition : Combiner à la fois modèle PCFG et dépendances lexicales Trois Modèles de langage : Modèle 1 : Head Driven Modèle 2 : Sous-cat (non illustré dans le talk) Modèle 3 : Dépendances à longue distance (non illustré) + Un algorithme de Lissage + Modèle de Repli (Backoff, non illustré) + Modèle de lissage lexical basique (suffixes prédéfinis, non illustré)

21 Lexicalisation motivations Besoin d’informations lexicales ! Sous-catégorisation Coordination (scope) Exemple, PCFG décide arbitrairement : ?

22 Lexicalisation Annotation Annote les têtes (Unité Lexicale + catégorie) Annotation semi-automatique par transduction sur la grammaire (Magerman 95) ==> Problème : données beaucoup trop dispersées, demande d’estimer des probabilités pour des règles du type : VP<lance, V> --> V<lance, V> NP<bille, N> càd : P(V<lance, V>, NP<bille, N> | VP<lance, V)

Modèle 1 (Lecture algorithmique) 23 Pseudo-Markovisation Hypothèse d’indépendance : Un élément de la règle dépend uniquement de la tête et de LHS Exemple : VP<lance, V> --> STOP V<lance, V> NP<bille, N> STOP Vue d’une règle de grammaire : 1) Génération de la tête : P(H|LHS) = P (V<lance, V> | VP<lance, V>) 2) Génération de la partie gauche : P(Li | H, LHS) 3) Génération de la partie droite : P(Ri | H, LHS)

24 Modèle 1 (Lecture probabiliste) Soit : On a le modèle suivant (modèle 1): gauche tête droite Complications supplémentaires : Ajout d’un paramètre de distance par rapport à la tête (Modèle 2) Ajout d’un paramètre ‘cadre de sous-cat’ pour les verbes

25 Vision harissienne… Empruntée à (Pereira 00) Z. Harris 91 : propose informellement une grammaire de dépendances basée sur la théorie de l’information (Collins l’implante largement) Sélection lexico-sémantique (ex. traduits) : L’enfant dort ; Les oiseaux dorment peu; la ville dort ; les arbres dorment en hiver ; le soleil dort… COURANT <<>> INATTENDU Digression (Corrélation probabilité / grammaticalité peu claire) Chomsky 56 : argument prosodique (Pereira 00 : prob) les idées vertes incolores dorment furieusement (Proba haute) * furieusement vertes dorment idées les incolores (Proba basse)

26 Plan de l’exposé Motivations et objectifs de recherche Motivations générales Inadéquation des grammaires symboliques pour l’analyse de corpus et préférence aux modèles statistiques Analyse syntaxique statistique du Français Algorithmes d’analyse Développement de grammaire sur le FTB Premiers résultats Perspectives Collaborations et Intégration dans ALPAGE

27 Grammaire du français But privilégié à long terme : Syntaxe sur corpus : Données quantitatives sur la syntaxe du français Contraste entre grammaire de l’oral et grammaire de l’écrit à partir de corpus annotés en syntaxe But à court/moyen terme : Produire les annotations Outil privilégié : Parser statistique Moyen envisagé : Augmentation du French Treebank Ecrit et Oral (ESTER 2)

28 Analyse du français Utilisation du French Treebank Version très récente Ré-annotation des composants internes de mots composés Fonctions syntaxiques (dépendants verbaux) Spécificités (vs PTB) Annote les mots composés Morphologie Lemmes Cat et sous-cat

29 FTB : Exemple <SENT nb="453"> <w cat="ADV" ee="ADV" ei="ADV" lemma="pourtant"> Pourtant </w> <w cat="PONCT" ee="PONCT-W" ei="PONCTW" lemma=", " subcat="W"> , </w> <w cat="ADV" ee="ADV" ei="ADV" lemma="globalement"> globalement </w> <w cat="PONCT" ee="PONCT-W" ei="PONCTW" lemma=", " subcat="W"> , </w> <NP fct="SUJ"> <w cat="D" ee="D-def-fs" ei="Dfs" lemma="le" mph="fs" subcat="def"> l’ </w> <w cat="N" ee="N-C-fs" ei="NCfs" lemma="économie" mph="fs" subcat="C"> économie </w> </NP> <VN> <w cat="ADV" ee="ADV-neg" ei="ADV" lemma="ne" subcat="neg"> n’ </w> <w cat="V" ee="V--P 3 s" ei="VP 3 s" lemma="être" mph="P 3 s" subcat=""> est </w> </VN> <w cat="ADV" ee="ADV-neg" ei="ADV" lemma="pas" subcat="neg"> pas </w> <AP fct="ATS"> <w cat="A" ee="A-qual-fs" ei="Afs" lemma="apathique" mph="fs" subcat="qual"> apathique </w> </AP> <w cat="PONCT" ee="PONCT-S" ei="PONCTS" lemma=". " subcat="S">. </w> </SENT>

30 Fiche signalétique du FTB Token counts : 385458 Type counts : 24098 Tag token counts : 385458 Non Tag Symbol token counts : 242551 Function token counts : 65055 Sentence counts : 12351 Compound tokens : 55950 (14. 52%)

31 Stats brutes diverses PCFG 45420 PP --> P NP 22828 NP --> D N 14788 VN --> V 13825 NP --> N 11674 NP --> D N PP 10673 AP --> A 4535 NP --> D N AP 4528 VN --> CL V 4204 NP --> PRO 3340 VN --> V V 2972 N --> N A 2510 COORD --> C NP 2511… Fonctions Symboles 20756 MOD 19056 SUJ 15162 OBJ 3320 ATS 2253 A-OBJ 2192 DE-OBJ 1469 P-OBJ 272 obj 245 ATO 124 SUJ/OBJ 64 SUJ/A-OBJ 45 Aobj 32 SUJ/DE-OBJ 27 DEobj 9 OBJ/A-OBJ 8 SUJ/MOD 6 SUJ/ATS 5 SUJ/P-OBJ 2 DE-OBJ/OBJ 1 A-OBJ/DE-OBJ 2 … 88702 NP 48883 PP 28298 VN 13687 AP 12351 SENT 9286 N 8813 COORD 7024 VPinf 4929 VPpart 3636 Srel 3576 ADV 3298 P 3287 Ssub 2395 D 1682 Sint 778 C 732 Ad. P 500 V 352 A 307 PRO 28 ET 5 CL 2 I Tags 96372 N 66102 D 62965 P 50481 PONCT 39841 V 26385 A 15662 ADV 11320 C 8433 CL 6116 PRO 1502 ET 235 PREF 44 I

32 Construction de l’outil d’annotation Analyseur syntaxique dérivé du French Treebank comme outil d’annotation Buts de l’outil d’annotation : Doit être aussi ‘correct ? ’ (angl. accurate) que possible => peu d’intérêt pour les questions d’efficacité Sorties aussi riches que les données d’entraînement => But non standard en stat parsing : Categories (+sous-cats) Morphologie + lemmes Mots composés (originalité du FTB : 14% des tokens !) Fonctions syntaxiques En cours… deux étapes : Analyse en constituants Analyse en fonctions syntaxiques (prospectif) Corollaire : proposer des améliorations à la grammaire existante

33 Cinq+ expériences Génération de treebanks opérationnels à partir du FTB Treebank 1 Baseline Treebank 2 But : interface avec analyseur morphologique Variante : Treebank 2+ (mots composés) Treebank 3 (en cours) But : maximiser la correction de la grammaire induite Variante : Treebank 3+ (mots composés) Treebank 4 (prospectif) But : maximiser la correction de la grammaire induite Variante prévue : Treebank 4+ (mots composés) Treebank 5 (prospectif, non illustré dans le talk) But : extraction de fonctions syntaxiques Variante prévue : Treebank 5+ (mots composés)

34 Tree. Bank 1 But Fournit une baseline indicative Contenu Utilise uniquement les catégories majeures Mots composés sont ignorés (Catégories des composés ont même statut que les autres) Fusion des traces Ex : du/P -None-/D --> du/P+D Fusion des nombres en chiffres arabes : 19 000 , 8 --> 19000, 8 Exemple :

35 Treebank 2 But Produire un jeu de tags interfacé avec un analyseur morpho (ex. FLEMM) Contenu = Treebank 1 + : Ajout des infos du trait subcat + morphologie sur les Terminaux Enrichissement artificiel des annotations de mots composés (traits de souscat non annotés) pour éviter les biais Variante (Treebank 2+) Fusion des mots composés = 1 seul Token

36 Treebank 2 Jeu de tags compatible avec FLEMM-TT =>> Inférence de morphologie =>> ‘Many to one’ mapping sur FLEMM-TT 67354 49341 46337 40623 20950 10941 10372 10337 9738 8839 7612 7059 NC DET PONCT P ADJ NPRP VP 3 SG VPP P+D ADV CC VINF 4153 4081 3918 3544 2630 2424 2018 2011 1506 1407 1354 1027 CLS VP 3 PL ADVNEG PROREL CS CLR VIPF PRO CLO VPR VF VC 360 VSP 311 VP 234 PREF 225 VPAST 196 ET 82 PROWH 58 P+PRO 44 VIMP 43 I 28 DETWH 9 VSIPF

37 Treebank 3 But Améliorer la correction de l’analyse Contenu Modifications des catégories non terminales (heuristiques) Se rappeler de la parent transfo de Johnson ! 1) Enrichissement du jeu de tags de traits : MODE, WH, REL… 2) Propagation des traits dans les arbres //grammaires symboliques

38 Treebank 4 (Prospectif) But : Améliorer la correction de l’analyse Contenu : Modifications structurelles des arbres Identifier un/des constituants S clairs (vs SENT) Introduction d’un niveau SBAR vs S Introduction d’un trait INV (inversion) Mise en évidence des structures à extraction (WH, REL) Mise en évidence des complémenteurs Gérer la coordination … [à voir] Normalisation de la ponctuation Cause d’éparpillement des données Idée générale : remonter la ponctuation Ponctuation « parenthétique » : descendue au niveau du constituant parenthésé si possible Traiter le ‘: ’ comme une CS Problème: Difficile de garantir la correction automatisée des modifications Suggère des extensions/modifs du schéma d’annotation

39 Plan de l’exposé Motivations et objectifs de recherche Motivations générales Inadéquation des grammaires symboliques pour l’analyse de corpus et préférence aux modèles statistiques Analyse syntaxique statistique du Français Algorithmes d’analyse Développement de grammaire sur le FTB Premiers résultats Perspectives Collaborations et Intégration dans ALPAGE

40 But : Evaluations I Décider quel algorithme d’analyse est le mieux adapté pour parser le français (Charniak ignoré, trop spécifique au PTB) Protocole : Concertation avec S. Petrov Vieux Treebank d’Edinburgh (composés fusionnés): 80% entrainment 10% dev 10% test Unlexicalised Parsing : Berkeley parser : sans modifications Tagging accurracy : bug < schéma d’annotation Parsing : Labelled F 1 -Score : bug < schéma d’annotation Parsing coverage : bug < schéma d’annotation Lexicalised Parsing : Bikel (Collins emulation, Abishek Arun Edinburgh) Tagging accurracy : 95. 20% (Tagger = TNT) Parsing : Labelled F 1 -Score : 79. 13 Parsing coverage : 99. 97%

41 Evaluations II But : Comparer différents schémas d’annotation Protocole French Treebank récent 80% entrainement 10% dev 10% test Berkeley parser : évaluation par evalb avec paramètres Collins Expériences : Treebank 1 : Tagging accurracy : 97. 84% Parsing : Labelled F 1 -Score : 82. 16 Parsing coverage : 100% Treebank 2 : Tagging accurracy : 91. 49% Parsing Labelled F 1 -Score : 82. 43 Parsing coverage : 99. 9% Treebank 2+ : Tagging accurracy : 96. 40 Parsing Labelled F 1 -Score : 83. 57 Parsing coverage : 99. 9% Treebank 3+: Tagging accurracy : 96. 73 Parsing Labelled F 1 -Score : 84. 23 Parsing coverage : 99. 9%

42 Commentaires On choisit l’analyseur de Berkeley Hypothèse : Bikel biaisé par des heuristiques X-BAR type PTB. FTB ne suit pas X-BAR. --> suggère : modif. sérieuses de l’algo Bikel pour le Français Mise en place d’un ‘Vanilla PCFG’ : TNT + LNCKY de Johnson Avec Treebank 3+, on obtient F = 84. 23 ; meilleur résultat en constituants obtenu à ce jour pour le français : Edinburgh-fr : F = 79. 13 Dublin-mft : F = 83. 5 Avec Treebank 1 on obtient les meilleurs résultats en tagging ? Comparaison avec autres langues : Anglais : F = 90. 6 (Charniak 05 = 92. 0) Allemand : F = 80. 75 (Berkeley) Chinois : F = 86. 3 (Berkeley) Espagnol : F = 85. 1 (Collins 05) Italien : F = 68. 49 (Corazza 04 , mini treebank de 1500 phrases)

43 Améliorations envisagées Il y a encore pas mal de marge pour améliorer… >> Thématique de recherche (Mots composés) : On voit que les mots composés sont mal gérés (Treebank 2 vs 2+): Suggère une stratégie en pipeline avec dico + apprentissage endogène à la Bourigault Suggère une stratégie originale en pipeline inversé : augmentation de l’annotation du FTB (subcat) pour les mots composés. Parsing d’abord avec détection des mots composés à postériori. Expériences à venir avec Treebank 4 et 5 Error mining Meilleur modèle de langage pour estimer les mots inconnus Réutilisation de l’algo de Brants /Samuelsson (TNT)

44 Remarque choix des transformations Comment trouver les bonnes transformations ? Deux aspects Théorie linguistique sert de guide Théorie de l’information aussi : Faire baisser l’entropie croisée de la grammaire Mais pas le F-Score : Dépendant d’un+ algorithme Synthèse : En modifiant le Treebank, on fait « tourner un EM à la main » en cherchant à converger vers le modèle d’entropie minimale (en fait l’entropie croisée pour des raisons techniques)

45 Remarque implémentation Travail d’implantation sous-jacent : Architecture ciblée = pipeline UNIX Python + lib NLTK Format de travail = PTB/Brown Permet la réutilisation d’outils de la communauté Parsers (Berkeley, Johnson), evalb, tgrep 2, etc. Taggers : Brill/MXPOST Segmenteur : MXTERMINATOR Format IMS CWB, TNT, Tree. Tagger Commandes ciblées : convert (= recode) tsed (= sed) tdiff (= diff) tgrep (= grep) twc (= wc) treeviewer Analyse de données : R

46 Screenshot

47 Plan de l’exposé Motivations et objectifs de recherche Motivations générales Inadéquation des grammaires symboliques pour l’analyse de corpus et préférence aux modèles statistiques Analyse syntaxique statistique du Français Algorithmes d’analyse Développement de grammaire sur le FTB Premiers résultats Perspectives Collaborations et Intégration dans ALPAGE

48 Perspective Analyse fonctionnelle Tâche connue : Functional Role Labelling Intérêt : Comparaison avec l’état de l’art français (Syntex/PASSAGE) Annotation en fonctions ‘de surface’ Pas très utile pour le TAL (--> dépendances sémantiques) Jeu de fonctions envisagé : Jeu de RASP (= GDE++ de Caroll et. Al. ) Plus fin que Passage et FTB, possible de le dégrader pour comparaisons Annotation : Relationnelle ou sur constituants ? => les deux mais préférence pour annotation sur constituants

49 Techniquement Deux options : Approche intégrée Le parser annote directement en fonctions = Usage de catégories complexes Problème attendu : éparpillement des données Approche en pipeline Le parser annote uniquement en constituants Tagger fonctionnel en seconde passe

50 Pipeline : Tagger Fonctionnel Stat (voir Blaheta et Charniak, Merlo et Henderson) (Proposition) symbolique : Adapter l’algo d’annotation de Collins à des fins d’annotation fonctionnelle Identifier têtes (Magerman 95) Identifier arguments Extraire relations (n-tuples avec n = 3 or 4), exemple : Jean demande à Marie de partir à quatre heures (sujet, Jean, demander) (objet, à, Marie, demander) (xcomp, de, partir, demander) (sujet, Marie, partir) //optionnel dans un premier temps (mod, à, heures, partir) // dépend de la désambig.

51 Exemple Source S ==> NP[SUJ] VN[H] NP[OBJ] NP ==> D ADJ N[H] NP ==> D N[H] Annotation constituants (Tête/arg) (sujet, garçon, lance) (objet, balle, lance) Extraction de tuples Propagation

52 Plan de l’exposé Motivations et objectifs de recherche Motivations générales Inadéquation des grammaires symboliques pour l’analyse de corpus et préférence aux modèles statistiques Analyse syntaxique statistique du Français Algorithmes d’analyse Développement de grammaire sur le FTB Premiers résultats Perspectives Collaborations et Intégration dans ALPAGE

53 Sujets de recherche Vital : Mots composés et expressions multi-mots (traitement algo) Capital pour l’analyse du Français (Bcp Prépositions + Conj sub composés) Bonus : Ajout d’un tagger sémantique Sémantique lexicale (voir Gildea-Palmer & cie) Sémantique formelle (voir Bos, Clark, Curran & cie) Sortent des (U-)DRS Discours et Anaphores Résolution d’anaphores Relations de discours Super Bonus : Algo d’analyse syntaxique stat (ATOLL) Dériver des treebanks pour d’autres cadres E. g. grammaires de dépendances

54 Collaborations envisageables : Abeillé + LLF : syntaxe du Français (+ oral) Amsili ? : Sémantique formelle Candito : (grammaire ? Mots composés ? Sémantique lex. ? ) Sagot : mots composés ? + interfaces lexique LEFFF Seddah : comparaisons algos parsing (Bikel/Collins) Manuélian : anaphores Nasr : algos parsing (modèles discriminatifs) Student friendly Autres ? Prix Diderot Valorisation : Financement

55 En marge… Grammaires TAG XMG : Développements de grammaires du français (fini) KMG : Sinwon Yoon : Grammaire TAG du coréen FTAG S. Barrier : Adjectifs MLV Grammaire TAG du français Chinois ? Segmentation et parsing : P. Magistry pour le DEA