URL originale : https://books.openedition.org/pufc/30057

Cascade de transducteurs pour INTEX. Un nouvel outil
p. 209-223
Résumé
Les automates à états finis et particulièrement les transducteurs sont très utilisés dans le traitement automatique des langues. Un certain nombre de travaux ont développés des cascades de transducteurs profitant des avantages en termes de robustesse, précision et rapidité apportés par les transducteurs. Nous avons créé un extracteur de noms propres pour le français sur ce même principe en utilisant le système INTEX. INTEX propose une suite complète pour le traitement du langage et permet d’utiliser tous les avantages de la description de grammaires par des transducteurs. Les noms propres (lieux, personnes, organisations) ne sont pas égaux face à leur extraction : les noms de personnes et d’organisations sont plus faciles à extraire que les noms de lieux (trouvés grâce à des dictionnaires). Notre système permet de décrire une grammaire d’extraction de noms propres composées de transducteurs passés en cascade. Les résultats de l’extraction de noms propres sont un rappel de 91 % et une précision de 96 %.
Entrées d’index
Mots-clés : cascades de transducteurs, Extraction de noms propres, Grammaire locale
Keywords : cascades of transducers, Proper names, Extraction, Local grammar
Texte intégral
Introduction
1L’extraction de noms propres est une sous-tâche de la tâche relative à l’extraction des entités nommées décrite dans les évaluations MUC (Message Understanding Conferences). Notre travail sur l’extraction des noms propres nous a menés à la réalisation d’un outil qui permet de générer une cascade de transducteurs en utilisant les fonctionnalités d’INTEX. L’outil de cascade de transducteurs que nous présentons ici peut, au-delà de l’extraction de noms propres, être utile dans différents domaines du traitement automatique des langues. Nous présentons les principes liés aux cascades de transducteurs ainsi que différents systèmes basés sur une cascade pour faire de l’analyse syntaxique, de l’extraction d’information ou de la traduction. Nous présentons ensuite notre propre système d’extraction des noms propres et ses résultats, ainsi qu’une étude en corpus des noms propres.
1 – Les cascades de transducteurs
1.1 – Principes
2Les automates à états finis, et particulièrement, les transducteurs sont très utilisés dans le traitement automatique des langues [Roche, Schabes, 1995]. Un transducteur est un automate ayant un alphabet et un alphabet de sortie. L’alphabet d’entrée décrit un motif à reconnaître, tandis que l’alphabet de sortie transforme le texte d’entrée. Chaque transducteur est en fait une grammaire locale Gi. Une cascade de transducteurs va nous permettre de reconnaître un langage indépendant du contexte [Chomsky, Miller, 1963].
3Une cascade de transducteurs est une succession de transducteurs appliqués sur un texte. [Abney, 1996] pose les principes de toute cascade de transducteurs en la décrivant comme une suite de strates ("sequence of strata") passées sur le texte : on passe une grammaire locale Gi sur le texte Ti qui sera transformé en un texte Ti+1, puis une grammaire Gi+1 transformera le texte Ti+1 en Ti+2 et ainsi de suite. L’application de chaque transducteur utilise donc les résultats des précédents.
4Les transducteurs sont passés dans un ordre précis afin de repérer, en premier, les motifs les plus certains qu’Abney propose de nommer ilots de certitudes ("islands of certainty"). La reconnaissance des clauses les plus simples et évidentes permet de restreindre l’espace de recherche des motifs les plus incertains.
5Un certain nombre de travaux ont développé des cascades de transducteurs profitant de leurs avantages en termes de robustesse, précision et rapidité.
1.2 – Différents usages des cascades
6De nombreux systèmes de cascades ont été développés, prouvant leur grand intérêt pour le traitement automatique des langues. Nous présentons ici un état de l’art des différents systèmes de cascade existants (en analyse syntaxique, extraction d’information et traduction).
Analyse syntaxique
7[Abney, 1996] a créé le système Cass (Cascaded Analysis of Syntactic Structure) pour réaliser l’analyse syntaxique de textes en anglais et en allemand. Reprenant ses idées, un analyseur syntaxique pour le suédois a aussi été créé par [Kokkinakis, Kokkinakis, 1999].
8Le Système IFSP (Incremental Finite State Parser), développé à Xerox [Aït Mokthar, chanod, 1997] permet de réaliser des analyses syntaxiques constructivistes (des contraintes sont ajoutées pendant l’analyse). IFSP permet de passer une séquence de transducteurs sur un texte en utilisant des opérateurs de remplacement. Chaque transducteur permet d’ajouter des informations syntaxiques. [Gala Pavia, 1999] utilise IFSP pour réaliser une analyse syntaxique de l’espagnol.
Extraction d’information
9Le système FASTUS d’extraction d’information en anglais et japonais utilise lui aussi une cascade. FASTUS [Hobbs et al., 1996] est un système d’extraction d’information depuis des textes anglais et japonais, sponsorisé par le DARPA.
10Ce système analyse les textes en des phrases de plus en plus larges dans le but de l’extraction d’information. Il commence par repérer les mots complexes (noms composés, lieux, dates et noms propres). Ensuite, FASTUS reconnaît les groupes nominaux et verbaux simples puis complexes. Les motifs précédents sont utilisés pour découvrir tous les événements et relations qui les lient afin de remplir des modèles (« templates ») répondant aux questions : qui fait quoi à qui ? quand ? et où ?. Ce système a été présenté aux évaluations MUC-6, et obtient des scores de 44 % de rappel et 61 % de précision.
Mémoire de traduction
11Les systèmes à mémoire de traduction sont des traducteurs basés sur l’exemple. [Vogel, Ney, 2001] proposent un système à mémoire de traduction pour l’allemand et l’anglais. Il travaille sur un corpus bilingue grâce auquel chaque mémoire de traduction contient une phrase en entrée et sa traduction en sortie. Une phrase en langue source se trouve sur les transitions du transducteur, la phrase en langue cible est émise par l’état final.
1.3 – Réaliser une cascade de transducteurs sous Intex
12Des plate-formes telles que GATE propose des outils permettant le traitement de la langue. Nous avons choisi d’utiliser le système INTEX proposé par le LADL [Silberztein, 1993] ; celui-ci permet de décrire les textes et les grammaires à l’aide d’automates à états finis d’utiliser le formalisme des transducteurs pour le traitement de textes. De plus, INTEX dispose d’un très grand nombre de ressources linguistiques : des dictionnaires à très large couverture [Courtois, Silberztein, 1990]. Nous avons aussi créé et utilisé des ressources du projet Prolex [Maurel et al, 1996].
13INTEX permet l’écriture de grammaires locales qui sont, d’un point de vue informatique, des transducteurs. INTEX permet de réaliser 2 opérations sur les textes avec les sorties des transducteurs :
Les sorties peuvent être fusionnées aux motifs trouvés dans le texte : la fusion du motif et de sa sortie correspondante apparaissent dans le texte (mode merge d’Intex).
Les sorties peuvent aussi remplacer le motif trouvé dans le texte (mode replace d’Intex).
14Ces 2 opérations permettent de transformer un texte pour y ajouter des informations ou remplacer certains motifs par d’autres.
15La cascade est basée sur une idée simple : passer les transducteurs sur le texte dans un ordre précis pour le transformer ou en extraire des motifs. Un transducteur ne permet pas de couvrir des phénomènes linguistiques complets mais chaque transducteur participe à la couverture d’une partie des phénomènes de la langue.
16L’outil que nous avons créé peut être utilisé dans le but de l’extraction de noms propres mais aussi dans n’importe quel autre but d’utilisation de la cascade : analyse syntaxique par exemple. Son utilisation est indépendante du résultat que l’on veut obtenir.
2 – Extraction des noms propres
17Notre cascade de transducteurs permet d’extraire les noms propres et leurs contextes dans des textes en français.
18La détection des noms propres se fait en 2 étapes :
1ère étape : extraction par grammaire
On passe une cascade de transducteurs pour reconnaître les noms propres. Les grammaires (transducteurs) sont fortement lexicalisées
2ème étape : extraction par « apprentissage »
Une cascade de transducteurs est générée automatiquement à partir des noms propres trouvés dans l’étape 1. Il s’agit d’un apprentissage assez « simpliste » mais qui donne des résultats assez intéressants.
2.1 – Grammaire de localisation des noms propres
19La grammaire de localisation des noms propres est plus lexicale que syntaxique.
20Deux problèmes se posent :
Impossibilité de faire une grammaire lexicalisée complète
N’importe quel mot peut faire partie d’un nom propre !
21Les noms propres peuvent être trouvés grâce à une première lettre en majuscule mais les indices les plus surs pour les détecter et surtout les catégoriser sont leurs contextes d’apparitions droits ou gauches ou leur composition interne. Ces deux sortes d’indices de la présence de noms propres sont appelées preuve interne et preuve externe par [McDonald, 1996].
22La preuve interne se trouve à l’intérieur du nom propre. Exemples :
Bill Clinton
Organisation des Nations Unies
Bourse de Paris
Mont Blanc
23La preuve externe est un contexte d’apparition du nom propre. Exemples :
la ville de Marseille
le professeur Tournesol
le groupe Vivendi
24Les différents types de noms propres n’ont pas les mêmes preuves. Dans la suite, nous décrivons les preuves externes et internes trouvées en corpus selon le type des noms propres.
2.2 – Etude en corpus pour la mise au point des grammaires
25Les journaux contiennent un grand nombre de noms propres : ceux ci portent une information plus importante que les mots communs sur le contenu des textes. [Coates-Stephens, 1993] précise que les noms propres représentent 10 % des textes journalistiques anglais. Une étude sur corpus nous permet de dire que les proportions de noms propres sont très similaires pour le français : les noms propres représentent de 8 à 11 % des mots d’un texte journalistique.
26Nous souhaitons mettre au point une grammaire d’extraction des noms propres en utilisant des connaissances linguistiques. Il nous a semblé intéressant de voir quelles étaient les possibilités d’extraction des noms propres selon leur type (nous n’étudions que les principaux types de noms propres : lieux, personnes, organisations). Le but était de recenser les types de motifs qui permettent l’extraction des noms propres, leur quantité. En fait nous voulions savoir si la tâche d’extraction des noms propres est linguistiquement réalisable ou si elle doit être associée à d’autres méthodes (apprentissage, statistiques…).
27Cette étude porte sur 128 articles d’un même journal Le Monde (318 Ko, 53623 mots simples). Une telle quantité de noms propres est difficile à lire et étudier à la main. Ce travail a été semi-automatisé grâce à notre système d’extraction qui nous a permis de trouver une grande partie des noms propres. Les résultats de cette extraction ont été vérifiés à la main et les noms propres qui n’ont pas été trouvés par le système sont localisés à l’aide d’INTEX en recherchant simplement les mots commençant par une majuscule dans les textes.
28Nous avons trouvé 2081 noms propres dans ce corpus. Les résultats sur les différents types de noms propres sont résumés dans le Tableau 1 . Nous avons distingué 2 cas :
Les noms propres que l’on peut espérer trouver par une grammaire,
Les noms propres qu’on ne peut pas repérer par une grammaire (indices trop faibles comme la majuscule ambiguë en début de phrase). Parmi ces noms propres, une certaine proportion peut être connue car ils ont été reconnus à d’autres endroits du texte par une grammaire. Les noms propres restants ne peuvent pas être trouvés (Seule la connaissance du monde permet de les repérer).
Type d’entité | Nombre total d’occurrence de noms propres dans le corpus | Noms propres que l’on peut trouver par | Noms propres qu’on peut trouver car ils ont été | Pas trouvés |
Personnes | 816 | 704 (85 %) | 102 (12.3 %) | 22 (2.4 %) |
Organisations | 340 | 260 (76.5 %) | 44 (12.9 %) | 36 (10.6 %) |
Lieux | 913 | 873 (95.6 %) | 7 (0.8 %) | 33 (3.6 %) |
Les 3 types de noms propres | 2081 | 1837 (88.2 %) | 153 (7.3 %) | 91 (4.3 %) |
Tableau 1 : Résultats d’une étude sur un journal Le Monde complet
Personnes
29Les noms de personnes représentent 39,8 % des noms propres dans nos textes. Nous avons trouvé environ 36 % de formes de noms de personnes détectables grâce à leurs contextes droits et gauches mais la plus grande part des noms de personnes sont présents dans les textes sans contextes (sans preuve externe). Nous notons que les contextes gauches permettent de découvrir plus de 90 % des noms de personnes, ceci est certainement du aux impératifs stylistiques des textes journalistiques.
Ex : premier ministre Viktor Tchernomyrdine,
Ex : Itzhak Mordehaï, ministre de la défense
30Les noms de personne ont souvent pour preuve externe une civilité, ex : M., Mme, une fonction ou un métier, ex : premier ministre, président, inspecteur, juge…
31En fait 47 % des occurrences de noms propres apparaissent avec un prénom connu par notre dictionnaire des prénoms (preuve interne).
Ex : Boris Eltsine, Jacques Chirac
32La seconde étape de notre système d’extraction permettrait de retrouver plus de 12 % des noms propres.
33Dans une étude précédente nous avons obtenu 96,9 % de rappel et plus de 99,1 % de précision sur les noms de personnes précédés par un contexte et/ou un prénom [Friburger, Maurel, 2001].
34Les autres noms propres (lieux, noms d’organisations, …) sont plus difficiles à trouver car leurs contextes sont plus rares.
Organisations
35Les noms de compagnies ou d’organisations représentent environ 16,3 % des noms propres dans notre corpus. Ce sont les noms propres les moins nombreux des 3 catégories que nous étudions.
3647 % des noms d’organisations sont composés avec un premier mot capitalisé qui dénote d’un nom d’organisation (preuve interne).
Ex : Banque centrale européenne
376,2 % de ces noms sont en fait des noms étrangers. C’est pourquoi nous avons intégrer des transducteurs décrivant les noms d’organisations étrangères.
Ex : Mellon Foundation, Bank of America
3812,6 % des noms d’organisation possèdent un contexte droit et gauche (preuve externe).
Ex : filiale de Vivendi
39Certains noms d’organisation inconnus (0.6 %) sont trouvés grâce à leur morphologie, par exemple, la présence d’une esperluette.
Ex : AT & T
4016.2 % des noms d’organisations sont finalement découverts par notre dictionnaire des acronymes et un contexte syntaxique très limité (présence de pronoms, …) qui permet d’éviter des problèmes d’ambiguïté entre certains mots (par exemple, EU peut être le verbe avoir ou l’abréviation de Etats-Unis).
4116.2 % des noms d’organisations sont finalement découverts par notre dictionnaire des acronymes et un contexte syntaxique très limité (présence de pronoms, …) qui permet d’éviter des problèmes d’ambiguïté entre certains mots (par exemple, EU peut être le verbe avoir ou l’abréviation de Etats-Unis).
42Le total des noms d’organisations pouvant être localisé est de 76.5 %. 12.9 % peuvent être trouvés par notre 2eme étape d’extraction, ce qui n’est pas négligeable.
Lieux
43Les noms de lieux représentent 46.9 % des noms propres dans nos textes. Ce type de nom propre est très spécial : ce sont des noms propres très statiques (les noms de lieux ne changent pas très souvent et de nouveaux noms de lieux n’apparaissent pas tous les jours). De plus, les noms de lieux sont connus par un grand nombre de personnes. Dans les textes, ils ont rarement un contexte qui permet de les catégoriser comme lieux (peu de preuve externe). La plus grande part des contextes de noms de lieux sont à gauche (6.3 %).
Ex : la baie d’Along
Ex : la montagne Sainte-victoire
44Beaucoup de lieux sont présents après la préposition "en" (5.48 %) : ce mot est un très bon indicateur puisque dans notre corpus aucun des noms propres présents derrière ce mot n’était autre chose qu’un lieu. Cependant il vaut mieux rester prudent vis à vis de cet indice !
45En fait, les lieux sont principalement trouvés par le dictionnaire Prolex et une description de leur contexte syntaxique pour éviter des ambiguïtés. Ce type de nom propre est trouvé par des dictionnaires [Mikheev, 1999] mais il y a de nombreuses ambiguïtés avec d’autres noms.
4617.2 % des lieux trouvés sont des adjectifs ou des gentilés ou noms d’habitants d’un pays.
47La seconde étape de notre cascade ne retrouve que 0.7 % des noms propres. Cette seconde étape a de grandes chances de contenir de nombreuses erreurs dues aux erreurs de la première étape.
Tous les noms propres
48Il est possible de trouver 1837 noms propres grâce à leurs contextes, et 153 dans la seconde étape. Il y a donc 88,3 % de noms propres "faciles" à retrouver et catégoriser grâce à leurs contextes et des dictionnaires. 7.3 % des autres noms propres sont trouvés dans la seconde étape. Les autres sont très difficiles à trouver à cause d’un manque d’indices mais on peut les trouver sans les catégoriser (lieux, personnes, organisations) en décrivant une grammaire locale des noms propres utilisant de la syntaxe et la présence de lettres capitales.
49Les 3 principaux types de noms propres ne sont pas égaux devant leur découverte : leurs contextes d’apparitions et leur quantité dans les articles de journaux sont très différentes.
2.3 – Un exemple
50Les textes T1,…, Tn transformés par la cascade sont mémorisés afin de pouvoir visualiser les résultats intermédiaires. Un fichier résultat contient tous les motifs extraits par la cascade. Le texte brut T1 est le suivant :
Le mystère de Pleine-Fougères
UN PORTRAIT-ROBOT et un signalement précis de l’homme suspecté d’avoir violé et tué Caroline Dickinson, le 18 juillet 1996, dans l’auberge de jeunesse de Pleine-Fougères (Ille-et-Vilaine), devaient être diffusés vendredi 13 février. L’enquête, reprise de zéro par le juge Renaud Van Ruymbeke, a permis de surmonter l’accumulation de négligences et d’erreurs commises par son prédécesseur. Elle s’oriente vers un violeur en série.
51Texte intermédiaire T2 après extraction des noms de personnes. Les noms des grammaires qui ont trouvé les noms de personnes sont insérés comme balise et remplacent les noms propres trouvés : ce sont les grammaires person14 et person1
{S} Le mystère de Pleine-Fougères
{S} UN PORTRAIT-ROBOT et un signalement précis de l’homme suspecté d’avoir violé et tué <$person14 : 122$>, le 18 juillet 1996, dans l’auberge de jeunesse de Pleine-Fougères (Ille-et-Vilaine), devaient être diffusés .{S} L’enquête, reprise de zéro par le <$person1 : 33$>, a permis de surmonter l’accumulation de négligences et d’erreurs commises par son prédécesseur.{S} Elle s’oriente vers un violeur en série.{S}
52Chaque motif que nous découvrons est remplacé dans le texte par une étiquette qui nous permet de le retrouver dans un index. Nous éliminons les motifs découverts du texte pour éviter qu’un transducteur passé ultérieurement ne les extraie à nouveau.
53Texte intermédiaire T3 après extraction des noms de personnes. Les dates sont trouvées par la grammaire nommée dates.
{S} Le mystère de Pleine-Fougères
{S} UN PORTRAIT-ROBOT et un signalement précis de l’homme suspecté d’avoir violé et tué <$person14 : 122$>, le <$dates : 272$>, dans l’auberge de jeunesse de Pleine-Fougères (Ille-et-Vilaine), devaient être diffusés .{S} L’enquête, reprise de zéro par le <$person1 : 33$>, a permis de surmonter l’accumulation de négligences et d’erreurs commises par son prédécesseur.{S} Elle s’oriente vers un violeur en série.{S}
54On obtient finalement le texte T4 suivant avec les différents noms propres extraits et catégorisés. Trois noms de lieux ont été repérés par les grammaires loc_ttop et loc_tsocial.
{S} Le mystère de <$loc_ttop : 355$>
{S} UN PORTRAIT-ROBOT et un signalement précis de l’homme suspecté d’avoir violé et tué <$person14 : 122$>, le <$dates : 272$>, dans l’<$loc_tsocial : 188$> (<$loc_ttop : 400$>), devaient être diffusés .{S} L’enquête, reprise de zéro par le <$person1 : 33$>, a permis de surmonter l’accumulation de négligences et d’erreurs commises par son prédécesseur.{S} Elle s’oriente vers un violeur en série.{S}
55Les noms propres extraits sont regroupés dans un même fichier qui a la forme suivante :
<person><ctxt : titre+metier>juge</ctxt><prenom>Renaud</prenom><n om>Van Ruymbeke</nom></person>
<person><prenom>Caroline</prenom><nom>Dickinson</nom></perso n>
<lieu : social> <ctxt> auberge de jeunesse </ctxt> de <nom> Pleine-Fougères </nom> </lieu>
<date><j>18</j><m>juillet</m><a>1996</a></date>
<lieu : top><nom>Pleine-Fougères</nom></lieu>
<lieu : top><nom>Ille-et-Vilaine</nom></lieu>
Conclusion
56L’outil de cascade de transducteurs proposé ici est indépendant de ce que l’on veut lui faire faire. Nous avons présenté une cascade de transducteur pour l’extraction des noms propres. Notre travail sur l’extraction des noms propres pour le français donne de bons résultats : 91 % de rappel et 96 % de précision. Le problème de l’extraction des noms propres est du à la forte lexicalisation nécessaire pour les extraire avec le plus de précision possible.
Bibliographie
Des DOI sont automatiquement ajoutés aux références bibliographiques par Bilbo, l’outil d’annotation bibliographique d’OpenEdition. Ces références bibliographiques peuvent être téléchargées dans les formats APA, Chicago et MLA.
Format
- APA
- Chicago
- MLA
Cette bibliographie a été enrichie de toutes les références bibliographiques automatiquement générées par Bilbo en utilisant Crossref.
Bibliographie :
10.1017/S1351324997001599 :Abney S., 1996, Partial Parsing via Finite-State Cascades, In Workshop on Robust Parsing, 8th European Summer School in Logic, Language and Information, Ed., Prague, Czech Republic, 8-15.
Ait-Mokhtar S., Chanod J.P.,1997. Incremental finite state parsing. In ANLP’97.
Coates-Stephens S., 1993, The Analysis and Acquisition of Proper Names for the Understanding of Free Text, Kluwer Academic Publishers, Hingham, MA.
Courtois B., Silberztein M., 1990, Dictionnaire électronique des mots simples du français, Larousse, Paris.
Friburger N., Maurel D., 2001, Finite State Transducer Cascade to Extract Proper Nouns in French Text, In 2nd Conference on Implementing and Application of Automata Ed., à paraître. Pretoria, South Africa.
Friburger N., Maurel D., 2001, Elaboration d’une cascade de transducteurs pour l’extraction de motifs : l’exemple des noms de personnes, In TALN 2001 : 8eme conférence annuelle sur le traitement informatique des langues naturelles, Ed., Tours, France, 183-192.
Gala Pavia N., 1999, Using the Incremental Finite-State Architecture to create a Spanish Shallow Parser, Proceedings of XV Congres of SEPLN, Lleida, Spain.
10.3115/1075671 :Hobbs J.R., Appelt D., Bear J., Israel D., Kameyama M., Stickel M., Tyson M., 1996, FASTUS : A Cascaded Finite-State Transducer for Extracting Information from Natural-Language Text, In Finite State Devices for Natural Language Processing, Ed., MIT Press. Cambridge, MA.
Kokkinakis D., Kokkinakis S.J., 1999, A Cascaded Finite-State Parser for Syntactic Analysis of Swedish, In Proceedings of the 9th EACL, Ed., Bergen, Norway.
Maurel D., Beleil C., Eggert E., Piton O., 1996, Le projet PROLEX : réalisation d’un dictionnaire électronique relationnel des noms propres du français, In GDR-PRC Communication Homme-Machine Séminaire Lexique, Ed., Grenoble, 174-175.
McDonald D.D., 1996, Internal and External Evidence in the Identification and Semantic Categorisation of Proper Names, In Corpus processing for lexical acquisition, Ed., 32-43.
Miller G.A., Chomsky N., 1963, Finitary Models of Language Users. In R.D. Luce, R.R. Bush & E. Galanter (Eds.), Handbook of Mathematical Psychology, Vol. II. New York : Wiley.
Mohri M., 1997, Finite-State Transducers in Language and Speech Processing, Computational Linguistics, (23) 2, 269-312.
10.7551/mitpress/3007.001.0001 :Roche E., Schabes Y., 1995, Deterministic Part-Of-Speech Tagging with Finite State Transducers, Computational Linguistics, (21) 2, 227-253.
10.3115/991886 :Silberztein M., 2000, INTEX : an FST toolbox, Theoretical Computer Science, (234) 33-46.
Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
INTEX
Ce livre est diffusé en accès ouvert freemium. L’accès à la lecture en ligne est disponible. L’accès aux versions PDF et ePub est réservé aux bibliothèques l’ayant acquis. Vous pouvez vous connecter à votre bibliothèque à l’adresse suivante : https://freemium.openedition.org/oebooks
Si vous avez des questions, vous pouvez nous écrire à access[at]openedition.org
Référence numérique du chapitre
Format
Référence numérique du livre
Format
1 / 3