• Contenu principal
  • Menu
OpenEdition Books
  • Accueil
  • Catalogue de 15448 livres
  • Éditeurs
  • Auteurs
  • Facebook
  • X
  • Partager
    • Facebook

    • X

    • Accueil
    • Catalogue de 15448 livres
    • Éditeurs
    • Auteurs
  • Ressources numériques en sciences humaines et sociales

    • OpenEdition
  • Nos plateformes

    • OpenEdition Books
    • OpenEdition Journals
    • Hypothèses
    • Calenda
  • Bibliothèques

    • OpenEdition Freemium
  • Suivez-nous

  • Lettre d’information
OpenEdition Search

Redirection vers OpenEdition Search.

À quel endroit ?
  • Presses universitaires de Franche-Comté
  • ›
  • Les Cahiers de la MSHE Ledoux
  • ›
  • INTEX
  • ›
  • Applications en TAL
  • ›
  • Intex comme environnement logiciel pour ...
  • Presses universitaires de Franche-Comté
  • Presses universitaires de Franche-Comté
    Presses universitaires de Franche-Comté
    Informations sur la couverture
    Table des matières
    Liens vers le livre
    Informations sur la couverture
    Table des matières
    Formats de lecture

    Plan

    Plan détaillé Texte intégral Introduction1 - Intex pour la fouille de textes2 - Constitution d’une base de données lexicales du domaine financier3 - Lizard, une interface entre Intex et d’autres outils linguistiques4 - Application à une tâche de filtrage d’information par cascades de transducteursConclusion et perspectives Bibliographie Notes de bas de page Auteur

    INTEX

    Ce livre est recensé par

    Précédent Suivant
    Table des matières

    Intex comme environnement logiciel pour la fouille de textes. L’exemple d’un corpus financier

    Antonio Balvet

    p. 225-247

    Résumé

    Pour la majorité de ses utilisateurs, Intex constitue une plate-forme ouverte permettant l’exploration des textes à des fins d’études sur corpus. Nous proposons de montrer qu’Intex constitue également un véritable environnement logiciel pour la fouille de textes, applicable aussi bien sur des fonds documentaires stables (pull) que dynamiques (push). Nous prendrons l’exemple d’un corpus de dépêches financières pour lequel nous détaillerons la constitution d’une base de données lexicales : les expressions typiques du domaine financier. Puis, nous montrerons comment interfacer Intex avec d’autres applications, telles qu’un thesaurus électronique générique, et comment réutiliser les données extraites des corpus dans le cadre de la recherche d’information. Enfin, nous montrerons quelles performances les grammaires locales appliquées en cascades permettent d’atteindre sur une tâche de classification automatique de textes en temps contraint.

    Texte intégral Bibliographie Bibliographie : Notes de bas de page Auteur

    Texte intégral

    Introduction

    1Intex est un outil précieux pour le linguiste à la recherche de constructions propres à un domaine, une langue, ou un style particulier. En effet, grâce à la couverture des dictionnaires disponibles pour plusieurs langues européennes, ainsi qu’à la possibilité de décrire des requêtes complexes, ou patrons de recherche, sous la forme de grammaires locales graphiques, Intex offre des fonctionnalités plus puissantes que bien des logiciels comparables.

    2Toutefois, les possibilités qu’offre ce logiciel dépassent le cadre de l’utilisation traditionnelle décrite ici, celui de la linguistique de corpus.

    3En effet, les fonctionnalités de Intex, telles que la recherche de patrons complexes utilisant aussi bien des étiquettes syntaxiques (ex : A, V…) que des étiquettes de plus bas niveau (ex : MOT, NB…), sont disponibles en-dehors de l’interface utilisateur classique. Il est ainsi possible de mettre au point de véritables applications, basées sur Intex, dépassant le cadre des études sur corpus. Par exemple, il est possible d’envisager la mise au point de systèmes de recherche d’information (extraction et filtrage d’information) fiables, souples, extensibles et contrôlables en intégrant les fonctionnalités Intex (ex : indexation, concordances, étiquetage et levée d’ambiguïtés syntaxiques).

    4Dans la suite de notre exposé, nous nous pencherons sur l’utilisation de Intex comme véritable outil pour la fouille de textes. Nous nous baserons sur un corpus de spécialité du domaine financier, pour lequel nous exposerons le processus de constitution d’une base de données des expressions typiques. Nous présenterons également LIZARD (LInguistic wiZARD, assistant linguistique), un logiciel-compagnon visant à automatiser certaines tâches du travail sur corpus. Enfin, nous présenterons une application de la méthode décrite à une tâche de filtrage, pour laquelle nous comparerons une approche manuelle et une approche intégrant LIZARD.

    1 - Intex pour la fouille de textes

    5Par fouille de textes, nous entendons une activité systématisant l’analyse distributionnelle traditionnelle sur corpus. Une telle étude systématique des textes vise à extraire des éléments linguistiquement cohérents et cohésifs1, dans une perspective terminologique. Le but poursuivi est donc conforme à l’objectif exposé dans (Harris, 1951) : constituer des « systèmes », autrement dit des classes d’unités linguistiques, en se basant sur leur distribution.

    6Cependant, nous ne restreignons pas l’analyse des distributions des éléments trouvés dans les textes à une analyse basée uniquement sur des règles explicites telles que les grammaires locales. Nous pensons, en effet, que des techniques telles que la stylistique statistique, mais également l’évaluation de proximité sémantique (Dutoit, 2000), permettent d’évaluer la cohésion d’une classe d’éléments lexicaux de façon cohérente avec les objectifs mentionnés plus haut.

    7Ainsi, Intex, qui constitue d’ores et déjà un outil puissant pour la fouille de textes à base de règles explicites, est susceptible de fournir les briques de base de systèmes plus puissants. Dans la suite de notre exposé, nous nous concentrerons sur une étude distributionnelle classique à base de grammaires locales, alimentant un système reposant sur des cascades de transducteurs à états finis telles que décrites dans (Roche & Schabes, 1997). Les développements statistiques seront abordés de façon prospective.

    2 - Constitution d’une base de données lexicales du domaine financier

    2.1 - Le corpus

    8Le corpus employé consiste en un ensemble de dépêches du domaine financier. Le corpus nous a été communiqué par la société Firstinvest, propriétaire d’un portail de services financiers sur Internet. Il est constitué de 2,6 Mo de dépêches (environ 2000 documents) faiblement balisées, rédigées par des experts financiers en français, traitant 19 thèmes (de « rumeurs » à « profit-warning » en passant par « cessions/acquisitions de sociétés »).

    9Nous nous concentrerons sur le thème n° 19 : cessions/acquisitions de sociétés. Nous tenterons de montrer comment, par le biais d’une analyse distributionnelle basée sur Intex, il est possible d’aboutir à un ensemble d’expressions typiques du domaine. Nous décrirons la grammaire de ces expressions typiques sous la forme d’un ensemble de grammaires locales, car ces expressions sont essentiellement constituées de prédicats verbaux et de leurs compléments typiques. En ce sens, ces expressions ne sont pas des termes simples ou composés, mais bien plutôt des unités lexicales complexes, pouvant être rattachées à un thème donné (i.e. le thème 19). Un extrait du corpus est donné ci-dessous, pour le thème 19.

    13566. Pernod Ricard lance une OPA sur Agros. Attendu depuis plus d’un mois l’accord de la COB polonaise accélère les choses. SOC¤2001-04-19 11 : 55 : 00.000¤Le groupe français de vins & spiritueux<b> Pernod Ricard</b> vient de recevoir l’aval des autorités boursières polonaises pour le lancement d’une offre publique d’achat sur sa filiale polonaise. <br>C’est en fait le franchissement de seuil d’une de ses filiales, <b>Santa Lina</b>, qui entraîne le lancement de l’OPA. Santa Lina propose 41,5 zlotys, soient 10,9 euros par action <b>Agros</b>.<br>Pernod Ricard contrôle déjà 37 % du capital d’Agros (et 74 % des droits de vote) et Santa Lina est assurée de se voir apporter 37,4 % du capital de Agros.<br>Agros est l’une des filiales clés de Pernod Ricard . Réalisant un chiffre d’affaires de 282 millions d’euros elle a une activité basée sur deux axes : la transformation de fruits et légumes en produits de marques avec <b>Agros Fortuna</b> et l’exportation de vins & spiritueux, dont la fameuse <b>Wyborowa</b>.<br>Un programme de cessions d’activité non stratégiques est prévu, qui succèdera à la vente des activités Milejow et Pinchow.¤1. PL

    10Exemple 1 : extrait d’un corpus financier

    11Ainsi que noté plus haut, le corpus de référence comporte quelques balises mettant en évidence, respectivement :

    12- - les entités nommées impliquées, autrement dit principalement les personnes ou sociétés explicitement nommées dans le corps de la dépêche (balises : <b></b>) ;

    13- - les propos rapportés par le rédacteur de la dépêche (balises : <i></i>) ;

    14- - le découpage en unités textuelles (balises : <br>, marques de paragraphe).

    15En plus de ces informations, chaque dépêche est accompagnée d’un identifiant unique (ex : 13582), ainsi que d’informations concernant la date à laquelle le document a été publié (ex : 2001-04- 19 16 : 16 : 00.000) et de codes d’indexation (ex : PR, IT…).

    2.2 - Description de la méthode

    16La méthode d’analyse des corpus que nous décrivons s’inspire largement de celle décrite dans (Harris, 1951). Elle vise essentiellement à constituer des classes d’éléments lexicaux en fonction de leur distribution, autrement dit de l’ensemble de leurs contextes d’occurrence. La notion de contexte est doublement centrale pour notre méthode : en effet, nous ne considérons jamais des éléments seuls (ex : achat) mais toujours en contexte (ex : Dassault procède au rachat de EADS). Ceci permet d’éviter d’intégrer dans la base lexicale des expressions gardant une part d’ambiguïté thématique trop importante. Par ailleurs, le contexte d’occurrence d’un élément donné nous permet à la fois de constituer des classes d’éléments cooccurrents, mais également de (re)trouver des éléments centraux (ex : un verbe plein, comme acquérir) à partir de « contextes d’achats de sociétés ».

    17De ce fait, nous chercherons dans un premier temps les cooccurrents d’éléments dont l’ambiguïté thématique est quasi-nulle (i.e. des termes tels que OPA, mise en vente…). Cette première phase se base sur des cadres de sous-catégorisation fixes (ex : V DET OPA) : nous postulons que l’essentiel des expressions les plus typiques d’un domaine, ou « signatures thématiques », se trouve dans les textes sous la forme de prédicats verbaux entourés de leurs compléments typiques. Dans un deuxième temps, nous essayons d’étendre et de généraliser la liste des éléments possibles pour un cadre de sous-catégorisation donné. Ainsi, par exemple, organiser et tenter une OPA nous amènent à supposer que lancer, ou encore réussir une OPA sont possibles, sur le modèle de organiser ou tenter une attaque. On reste donc bien dans le cadre V DET OPA, toutefois l’analogie entre attaque et OPA n’étant pas directement visible dans un corpus spécialisé, il est alors nécessaire de recourir à des observations faites sur des corpus plus génériques, ou encore hors corpus. Nous reviendrons sur cette étape dans la partie consacrée à LIZARD.

    18Le recours à des corpus plus génériques, ou encore des ressources sémantiques élaborées hors corpus, telles que le réseau sémantique de Memodata, constitue un point de divergence avec l’approche exposée dans (Harris, 1951) : en effet, on sort du cadre strict du corpus de spécialité afin d’assurer un plus grand degré de généralité aux grammaires ainsi construites.

    2.3 - Élaboration d’une base de données lexicales réutilisable

    19La méthode décrite ci-dessus vise à élaborer une grammaire locale du domaine étudié. Cette grammaire générale est, dans les faits, le résultat de l’accumulation de grammaires locales particulières. Cette méthode se heurte donc assez rapidement à des problèmes de maintenance et de gestion des grammaires locales accumulées (plusieurs dizaines).

    20Par ailleurs, les grammaires locales particulières ayant été élaborées à partir du corpus, il s’avère parfois difficile d’étendre les noyaux de grammaire du domaine qu’elles représentent au-delà des quelques cas observés : chaque grammaire particulière étant élaborée au cas par cas, en fonction des éléments présents dans les corpus, elles sont généralement très contraintes aussi bien dans les éléments reconnus (quelques verbes et leurs compléments) que dans la liberté de construction qu’elles autorisent (ex : insertions multiples, mise à la forme passive…).

    21En quelque sorte, ces grammaires sont à la fois trop spécialisées, trop contextuelle et trop dépendantes du corpus étudié pour servir de base à des applications telles que celle décrite plus bas. Se pose donc la question de la réutilisabilité des grammaires particulières élaborées à partir de corpus de spécialité. Cette question trouve un début de solution dans le recours à la fonctionnalité « lexique-grammaire » disponible depuis la version 4.23 de Intex (Silberztein, 1999). En effet, Intex permet d’utiliser des tables du lexique-grammaire proches de celles publiées dans (Gross, 1975), qui constituent des sortes de bases de données lexicales, spécifiant une partie des contraintes syntaxico-sémantiques de chaque entrée. Des requêtes sur ces bases sont possibles, par le biais de grammaires locales particulières : les métagraphes. Ceux-ci décrivent des patrons syntaxiques abstraits (ne contenant pas d’entrées lexicales particulières, par ex. V DET N), qu’il est possible d’associer à une table donnée.

    22Le but de la méthode d’analyse des textes exposée plus haut est donc d’aboutir à de telles bases, proches des tables du lexique-grammaire, dans un format peu contraignant (ASCII). La figure ci-dessous donne un exemple d’une telle base, accompagnée de son métagraphe.

    Image 1000000000000282000001581095D1D461F76C3A.jpg

    Figure 1 : une base de données lexicales du domaine financier, sous la forme d’une table du lexique-grammaire

    23Le format de ces bases, proche de celui des tables du lexique-grammaire telles que décrites dans (Gross, 1975), est relativement libre. En effet, aucune contrainte ne porte, à ce jour, sur le type ou la quantité d’informations lexicales nécessaires. Ce choix a l’avantage de ne pas limiter le champ d’application de cet outil à une langue ou un formalisme donné. En contrepartie, aucun outil de vérification n’étant disponible, une attention particulière est requise de la part du linguiste lors de l’élaboration de telles base de données lexicales. L’adoption d’un format simple (ASCII) présente également l’avantage de permettre l’édition des bases sous la plupart des environnements logiciels. Par ailleurs, la présentation sous forme de tables du lexique-grammaire n’est qu’une mise en forme possible parmi d’autres : on peut envisager de générer des bases lexicales utilisables par d’autres formalismes syntaxiques que celui des grammaires locales (ex : grammaires à unification).

    Image 100000000000028800000051C6114967F14E6048.jpg

    Figure 2 : métagraphe-requête associé à la base de la Figure 1

    24Le fait de spécifier les contraintes syntaxiques et sémantiques sous la forme de tables du lexique-grammaire permet de satisfaire l’exigence de réutilisabilité mentionnée plus haut. En effet, une fois la base constituée, chaque métagraphe permet de générer une sous-grammaire spécifique de la grammaire totale (la base complète). Ainsi, le métagraphe ci-dessus contraint la génération des grammaires locales satisfaisant les contraintes exprimées au moyen de l’opérateur @ suivi d’un identifiant de colonne, et des codes morpho-syntaxiques classiques ( : P, : F, : Kms, <>). Le graphe Intex ci-dessous donne un aperçu de la grammaire locale générée après compilation de la table et du métagraphe ci-dessus.

    Image 100000000000026E0000007C7E86F0CF8B21CE6C.jpg

    Figure 3 : simulation de la grammaire locale engendrée par la compilation de la base et du métagraphe des Figure 1 et 2

    25La figure ci-dessus montre la sélection opérée grâce à la spécification de la contrainte « @I » dans le métagraphe. Cette contrainte signifie que seules les entrées lexicales satisfaisant la condition exprimée par la colonne I (i.e. construction N0 V Const N1) sont intégrées dans la grammaire locale après compilation. Ainsi, on voit dans la simulation que seules les entrées verbales telles que augmenter et s’engager suivis des compléments décrits dans le sous-graphe Capital (ex : capital, DET revenus…) sont sélectionnées. D’autres entrées, telles que acquérir, qui ne satisfont pas la contrainte décrite à la colonne I (i.e., l’intersection de la colonne I et de la ligne 3 comporte le signe -) et appelée par le métagraphe, sont exclues de la grammaire générée après compilation.

    3 - Lizard, une interface entre Intex et d’autres outils linguistiques

    3.1 - Fonctionnalités principales

    26LIZARD (LIguistic wiZARD) est un logiciel compagnon de Intex, que nous avons développé afin d’automatiser une partie des étapes d’analyse des textes présentée plus haut. LIZARD prend notamment en charge la sélection d’un ensemble de candidats signatures thématiques, la génération d’un noyau de base de données lexicales pour un domaine particulier, ainsi que les étapes de généralisation nécessaires afin d’obtenir des collections de grammaires locales cohérentes. Ainsi, tous les noms de société et les noms propres présents dans des patrons syntaxiques associés au thème 19 sont considérés comme des sources (respectivement des cibles) potentielles d’achat (respectivement de vente). Cette généralisation est cohérente avec les phénomènes de métonymie et de métaphore observés dans les textes : le dirigeant d’une entreprise (une partie) sert souvent à faire référence à l’entreprise dans son ensemble (le tout). D’autre part, l’entreprise est souvent prise comme seul actant (ou patient) d’une opération de vente (ou d’achat), alors que les décisions de vente ou d’achat sont généralement prises de façon collégiale par l’ensemble des dirigeants et des actionnaires.

    27La Figure 4 donne un aperçu de l’architecture de l’assistant linguistique, dans laquelle les composants sont représentés sous la forme de boîtes rectangulaires.

    Image 1000000000000213000001AED8C89B72DA231E6C.jpg

    Figure 4 : vue globale de l’architecture de LIZARD

    28Les composants logiciels constituant l’assistant sont : Intex, pour les opérations liées aux corpus2, effectuées grâce à des cascades de transducteurs à états finis, Memodata3, pour les opérations sémantiques telles que le calcul de la distance sémantique entre deux expressions, la comparaison de mots, expressions et phrases. Par ailleurs, un étiqueteur syntaxique générique4, en l’occurrence QTag de O. Mason de l’université de Sheffield est intégré au système, ainsi qu’une interface utilisateur fournissant à l’utilisateur un accès distant (applet Java). Les échanges entre composants sont représentés par des flèches brisées uni- ou bidirectionnelles en fonction des propriétés de chaque objet. La ligne grisée représente la frontière du système ; seule l’interface est accessible à l’utilisateur. L’entrée du système est constituée par les corpus de textes bruts, la sortie est une base de données lexico-grammaticales, codant quelques propriétés syntaxiques de surface ainsi que quelques propriétés lexicales (liens sémantiques) de verbes extraits des corpus : nombre et type de compléments habituels de chaque verbe, transformations possibles, termes sémantiquement reliés. Cette base est le résultat d’une expansion sémantique réalisée par le composant Memodata à partir de schémas de sous-catégorisation rudimentaires extraits des corpus.

    29Dans cette conception modulaire, chaque composant peut être remplacé si l’application le demande : ainsi, on peut envisager de remplacer Memodata par Wordnet, Intex par d’autres outils d’exploration des textes, ou encore d’inclure un nouveau module.

    3.2 - Paramétrages

    30LIZARD applique de façon automatique différents traitements aux corpus étudiés. Ces traitements sont, dans l’ordre :

    • tokenization, c’est-à-dire, découpage en phrases, reconnaissance des mots simples et composés grâce aux dictionnaires électroniques disponibles en standard pour le français ;

    • reconnaissance d’éléments peu ambigus, dont font partie les entités nommées (noms de personnes, de sociétés, de produits, toponymes…). Cette phase de traitement s’appuie sur le travail décrit dans (Poibeau, 2002), sur la reconnaissance d’entités nommées grâce à des cascades de transducteurs à états finis. D’autres éléments peu ambigus sont les dates, ou encore les montants de transactions (ex : X millions de (yens|euros|dollars…) ;

    • généralisation. Cette phase vise à normaliser les phrases du corpus. Ainsi, tous les déterminants ne sont considérés que sous l’angle de leur étiquette (DET), de même que les pronoms (PRO) ou encore les adjectifs (A). Les verbes conjugués sont systématiquement lemmatisés (ex : rachète => <racheter>). Les adverbes, les dates et les montants de transaction ou de variation de cote (ex : +10.5 %), en revanche, sont systématiquement effacés ;

    • extraction des segments de phrases contenant des syntagmes verbaux, dont nous supposons qu’ils renferment la plupart des candidats signatures thématiques ;

    • extraction des segments de phrases correspondant à des patrons syntaxiques particuliers (ex : V DET N, V DET N PREP DET N…).

    31Les figures ci-dessous donnent un aperçu des résultats des traitements opérés.

    Image 1000000000000289000001D541A72D22E4C45452.jpg

    Figure 5 : premières phases de généralisation d’un corpus, après extraction de syntagmes verbaux

    Image 1000000000000276000001C9B5DA8F2A66310E8E.jpg

    Figure 6 : phase de généralisation visant à fournir une liste de candidats pour la base de données lexicales du domaine

    Image 1000000000000264000001A8F62B0C1871535622.jpg

    Figure 7 : extraction de segments de phrases correspondant à deux patrons syntaxiques différents (V DET N, V PREP NPropre)

    3.3 - Intégration de fonctions sémantiques

    32Le recours au réseau sémantique de Memodata permet l’expansion, sémantiquement contrôlée, des embryons de bases de signatures thématiques, élaborés uniquement à partir des corpus traités. Le Dictionnaire Intégral de Memodata, basé pour partie sur la Théorie Sens-Texte, fournit des fonctions de mots, de phrase et de texte5.

    33Les fonctions de mots permettent de récupérer l’ensemble des termes sémantiquement liés à un terme-requête. Les liens entre éléments lexicaux mis en œuvre par LIZARD sont les suivants : génériques, spécifiques, synonymes et dérivés. Ces liens permettent de retrouver, par exemple, l’ensemble des termes suivants, en réponse à une requête portant sur « acheter » :

    générique (acheter) => 0
    spécifique (acheter) => faire l’achat, se payer, se porter acquéreur, s’acheter, acquérir…
    synonyme (acheter) => 0
    dérivé (acheter) => achetable, achat

    34Les fonctions de phrase, notamment la fonction de distance, permettent d’évaluer la proximité sémantique de deux phrases ou parties de phrases données. Ainsi, la requête distance (acheter une société, acquérir l’entreprise) fournit un score de proximité très élevé, alors que le score associé à la requête distance (acheter une société, acheter une baguette) est très bas, ce qui permet d’écarter baguette et société comme synonymes, malgré leur contexte d’occurrence similaire. On voit d’emblée l’utilité de telles fonctions de proximité pour le problème qui nous occupe : établir des classes de lexèmes syntaxiquement et sémantiquement homogènes.

    35Les fonctions de texte ne sont, en l’état actuel, pas intégrées à LIZARD. Celles-ci permettraient, par exemple, de comparer les profils stylistiques de deux parties d’un corpus afin d’en estimer la proximité.

    4 - Application à une tâche de filtrage d’information par cascades de transducteurs

    36Cette partie est consacrée à une application de l’assistant linguistique à une tâche de recherche d’information, en l’occurrence le filtrage d’information. Cette tâche, lorsqu’elle est basée sur une analyse linguistique automatisée comme dans le cas présent, implique un travail sur corpus long et fastidieux. Cette phase d’analyse vise à extraire des descripteurs fiables de chaque domaine, ou thème. Ces descripteurs sont traditionnellement constitués de suites de mots-clés ; nous proposons des descripteurs linguistiques, basés sur les bases de signatures extraites de corpus.

    4.1 - Filtrage par cascades de transducteurs

    37La plupart des systèmes de filtrage d’information repèrent des mots-clés isolés, sans prendre en compte de paramètres linguistiques, tels que l’ordre des mots. En effet, les systèmes les plus répandus sont basés soit sur un moteur d’expressions régulières, soit sur une variante de moteur d’indexation et de recherche.

    38Nous proposons une approche alternative, reprenant le principe des analyses partielles, enchaînées grâce à des cascades de transducteurs à états finis, exposé dans (Abney, 1996) et (Roche & Schabes, 1997), tout en restant fidèle à la définition du filtrage d’information tel que donné par (Lewis & Hill, 1995) : une décision de sélection binaire. Les cascades de transducteurs sont appliquées grâce à Intex, qui prend donc en charge l’ensemble des traitements des corpus : découpage en phrases, tokenization, étiquetage, levée d’ambiguïtés, reconnaissance de signatures thématiques et filtrage d’information, par conjonction (ET), disjonction (OU) ou négation (NON) de signatures thématiques. En vue du filtrage, les tables de signatures thématiques, telles que présentées plus haut, sont associées à des métagraphes puis compilées. Les grammaires locales ainsi engendrées forment la base du système. La figure ci-dessous donne un aperçu d’un métagraphe utilisé pour le thème 19 (cessions/acquisitions de sociétés), la table utilisée étant celle de la Figure 1.

    Image 100000000000028C0000004F677322FB20E31A70.jpg

    Figure 8 : métagraphe des constructions figées du domaine financier

    39Ce métagraphe permet d’engendrer une grammaire locale ne sélectionnant que les constructions figées du domaine financier, telles que mettre la main sur, se porter acquéreur de, conforter sa position, enlever une affaire, entrer au capital de etc…

    40Ci-dessous, nous présentons un extrait des signatures repérées dans le corpus de test (passages soulignés).

    Image 100000000000025C000000C87FCF43E43FE7A401.jpg

    Figure 9 : extrait de séquences pertinentes pour le filtrage d’information

    41Les deux signatures repérées par la grammaire engendrée par la compilation de la table de la Figure 1 et le métagraphe de la Figure 8 sont : Ingenico met la main sur IVI-Checkmate et Ingenico se portera acquéreur de toutes les actions en circulation d’IVI-Checkmate. Ce document contient toutefois, d’autres signatures, qui auraient pu être repérées : le groupe débourse 55,3 million de dollars pour acquérir son homologue américain ainsi que le groupe français de terminaux de paiement Ingenico va lancer une OPA amicale sur son homologue américain IVI-Checkmate. La grammaire engendrée semble comporter quelques manques. Toutefois, les performances, en termes de filtrage, sont satisfaisantes, ainsi que le montre l’évaluation présentée plus bas, grâce à la forte redondance dont font preuve les dépêches financières.

    4.2 - Évaluation

    42L’évaluation des performances de l’approche présentée ici a été menée sur le corpus Firstinvest, décrit plus haut. Les documents dont nous disposons ne constituent que des exemples positifs, en termes d’apprentissage, étant donné que l’ensemble du fonds documentaire nous est parvenu indexé en fonction des thèmes évoqués plus haut. Nous avons donc dû élaborer manuellement un corpus d’exemples négatifs (50 dépêches), constitué de documents attribués à d’autres thèmes que les cessions/acquisitions de sociétés. Dans la suite de notre évaluation, nous nous attacherons exclusivement au thème 19 : cessions/acquisitions de sociétés, qui regroupe 303 documents, répartis en 2/3 pour le corpus de paramétrage et 1/3 pour le corpus de test.

    43Cette évaluation a été menée de façon à mettre en évidence l’apport d’un assistant linguistique dans le processus d’élaboration de filtres sous la forme de grammaires locales. En effet, cette phase de constitution de ressources linguistiques, constitue une étape incontournable, représentant un coût important, en termes d’heures de travail. Par ailleurs, elle nécessite la maîtrise de compétences avérées en analyse de corpus. Nous avons donc choisi de comparer trois types de systèmes : le premier, totalement manuel, suit les grandes étapes d’extraction de signatures thématiques que nous avons décrites. Toutefois, dans cette approche manuelle, la consultation du Dictionnaire Intégral de Memodata n’a pas été systématique. Par ailleurs, les grammaires locales constituées ne sont pas centrées de façon aussi rigoureuse sur les prédicats verbaux et leurs compléments typiques. Le système manuel est basé sur le travail de deux stagiaires6, pour des tâches proches du filtrage d’information.

    44Le deuxième système inclut l’assistant linguistique dans la phase de constitution d’une base de signatures thématiques du domaine financier. L’opérateur humain reste essentiel, toutefois sa tâche est allégée par l’automatisation de certaines phases d’analyse. Dans cette approche, LIZARD propose systématiquement une expansion des termes trouvés dans les signatures retenues.

    45Le troisième système sert de borne inférieure : la sélection des documents est faite de façon aléatoire, indépendamment de leur contenu.

    46La figure ci-dessous donne les scores de Rappel et de Précision calculés sur le thème 19.

    Image 1000000000000276000002026D479223DAC53015.jpg

    Figure 10 : comparaison des performances de trois systèmes de filtrage d’information

    4.3 - Discussion des résultats

    47Les scores présentés semblent fournir une première validation de l’approche décrite ici : les deux systèmes basés sur les signatures thématiques obtiennent des scores nettement supérieurs, tant en rappel qu’en précision, à ceux du système aléatoire (Random). Ce dernier enregistre des taux relativement élevés, que nous attribuons à la nature de la tâche de filtrage : une décision de sélection binaire (oui/non) pour chaque document, qui s’apparente à la prédiction du résultat d’un lancer de pièce (pile/face).

    48L’apport principal du système basé sur LIZARD semble être une meilleure couverture du problème que par l’approche manuelle seule. En effet, le score de rappel de ce système est égal au maximum théorique : 100 %. Cette meilleur couverture semble compatible avec un fort taux de précision (89 %), comparable à celui de l’approche manuelle (88 %). En d’autres termes, la qualité des réponses est préservée par le deuxième système, tout en assurant une couverture maximale du problème.

    49Nous voulons toutefois souligner une difficulté majeure dans ce type d’évaluation, qui pose le problème de la représentativité des données utilisées. En effet, le corpus utilisé ici est représentatif d’une activité authentique de filtrage d’information, réalisée manuellement par des experts financiers. Le corpus fourni par Firstinvest représente plusieurs mois d’activité, sa valeur en tant que référence est donc inestimable. Toutefois, force est de constater les effectifs restreints de documents attribués à chaque sous-thème. Le thème 19, sur lequel nous centrons la présente évaluation, est l’un des plus fournis, avec plus de 300 documents. En raison de la segmentation en corpus de paramétrage versus corpus de test, les effectifs sont d’autant plus restreints : à peine plus de 100 documents, représentant autant de décisions de sélection. Ces effectifs sont manifestement trop réduits pour être statistiquement représentatifs, alors même que leur qualité est incontestable. C’est la raison pour laquelle nous présentons les scores de rappel et précision obtenus pour chaque système comme des indices encourageants, et non pas des mesures absolues de performance. L’intérêt des scores calculés pour le système aléatoire trouve également sa source dans les effectifs réduits de données de référence, toutefois des mesures de représentativité plus fins apparaissent nécessaires (ex : Khi2).

    50Le problème de la représentativité qualitative des données, versus leur représentativité statistique est l’un des plus répandus en évaluation de systèmes automatiques traitant des données complexes (i.e. les indices langagiers d’un thème), il est à mettre en perspective avec le clivage entre linguistiques cumulative-descriptive (ex : Z.S. Harris) et essentialiste-logiciste (ex : N. Chomsky). Cependant, là où l’option essentialiste-cognitiviste est envisageable pour la grammaire de la Langue, elle est impossible pour les domaines liés à la recherche d’information, et pour le filtrage d’information tel que réalisé ici, reposant sur des grammaires locales d’une langue de spécialité.

    Conclusion et perspectives

    51Nous avons présenté une application de l’analyse distributionnelle sur corpus spécialisés à des problèmes de recherche d’information. Dans ce cadre, nous avons présenté LIZARD, un assistant linguistique réalisant de façon automatique certaines étapes de l’analyse des textes en vue de constituer une base de données lexicales d’un domaine de spécialité : le domaine financier, et plus particulièrement les cessions/acquisitions de sociétés. Nous avons exposé une méthode d’extraction d’éléments linguistiques particuliers : les signatures thématiques, utilisées comme des descripteurs documentaires classiques afin d’indexer des documents. Les signatures d’un thème donné, centrées autour d’un prédicat verbal et de ses compléments typiques, sont traduites sous la forme de tables du lexique-grammaire exploitables par Intex, afin d’être traduites en transducteurs à états finis appliqués en cascades.

    52Nous avons présenté quelques mesures de performances pour une tâche de filtrage d’information sur le domaine des cessions/acquisitions de sociétés, par constitution d’une base de signatures sur un corpus professionnel. Les scores mesurés montrent la supériorité d’une approche basée sur notre assistant linguistique, par rapport à une approche complètement manuelle. Par ailleurs, l’utilité de la notion de signature thématique semble confirmée par les bonnes performances tant du système manuel que semi-automatique, par rapport à un système aléatoire, sélectionnant les documents indépendamment de leur contenu.

    53Ces mesures de performances nous ont amenés à l’évocation des problèmes de représentativité des données manipulées pour cette expérience : bien qu’issues d’une pratique authentique de filtrage d’information, leur effectif réduit laisse planer un doute sur la représentativité statistique des scores obtenus. En d’autres termes, nous avons évoqué la difficulté de concilier représentativité qualitative et quantitative des données pour l’évaluation de systèmes traitant des données langagières de façon automatique.

    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
    ABNEY, S. (1996). Partial parsing via finite-state cascades. In Natural Language Engineering (Vols. 2, Issues 4, pp. 337-344). Cambridge University Press (CUP). https://doi.org/10.1017/s1351324997001599
    Roche, E., & Schabes, Y. (Eds.). (1997). Finite-State Language Processing (1–). The MIT Press. https://doi.org/10.7551/mitpress/3007.001.0001
    Silberztein, M. (2000). Traitement des expressions figées avec &amp;lt;I&amp;gt;INTEX&amp;lt;/I&amp;gt;. In Lingvisticae Investigationes (Vols. 22, Issues 2, pp. 425-449). John Benjamins Publishing Company. https://doi.org/10.1075/li.22.26sil
    ABNEY, STEVEN. “Partial Parsing via Finite-State Cascades”. Natural Language Engineering. Cambridge University Press (CUP), December 1996. https://doi.org/10.1017/s1351324997001599.
    Roche, Emmanuel, and Yves Schabes, eds. “Finite-State Language Processing”. []. The MIT Press, June 25, 1997. https://doi.org/10.7551/mitpress/3007.001.0001.
    Silberztein, M. “Traitement Des Expressions figées Avec &amp;lt;I&amp;gt;INTEX&amp;lt; I&amp;Gt”;. Lingvisticae Investigationes. John Benjamins Publishing Company, October 1, 2000. https://doi.org/10.1075/li.22.26sil.
    ABNEY, STEVEN. “Partial Parsing via Finite-State Cascades”. Natural Language Engineering, vol. 2, no. 4, Cambridge University Press (CUP), Dec. 1996, pp. 337-44. Crossref, https://doi.org/10.1017/s1351324997001599.
    Roche, Emmanuel, and Yves Schabes, editors. Finite-State Language Processing. [], The MIT Press, 25 June 1997. Crossref, https://doi.org/10.7551/mitpress/3007.001.0001.
    Silberztein, M. “Traitement Des Expressions figées Avec &amp;lt;I&amp;gt;INTEX&amp;lt; I&amp;Gt”;. Lingvisticae Investigationes, vol. 22, no. 2, John Benjamins Publishing Company, 1 Oct. 2000, pp. 425-49. Crossref, https://doi.org/10.1075/li.22.26sil.

    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, Proceedings of the ESSLLI’96 Robust Parsing Workshop.

    Bizouard S., (2001), Évaluation d’outils d’acquisition de ressources linguistiques pour l’extraction, Mémoire de DESS en Ingénierie Multilingue, INALCO, Centre de Recherche en Ingénierie Multilingue.

    Dutoit D., (2000), Quelques opérations Texte → Sens et Sens → Texte utilisant une sémantique linguistique universaliste apriorique, Thèse de doctorat, Université de Caen.

    Gross M., (1975), Méthodes en syntaxe, Paris, Hermann.

    Harris Z.S., (1951), Structural Linguistics, Interscience Publishers, John Wiley & Sons.

    Lewis D., Hill M., (1995), The TREC-4 filtering track, NIST Special Publications, Gaithersburg MD.

    Poibeau T., (2002), Extraction d’information à base de connaissances hybrides, Thèse de doctorat, Université Paris XIII.

    10.7551/mitpress/3007.001.0001 :

    Roche E., Schabes Y., (1997), Finite State Language Processing, Cambridge, MIT Press.

    10.1075/li.22.26sil :

    Silberztein M., (1999), Traitement des expressions figées avec INTEX, Linguisticae Investigationes, tome XXII, pp. 425-449.

    Notes de bas de page

    1 Autrement dit, des unités lexicales et non pas des « sacs de mots ».

    2 Voir (Silberztein et al., 2001) pour plus de précisions sur la plate-forme Intex.

    3 Les opérations sémantiques sont assurées par le Dictionnaire Intégral (DI), décrit dans (Dutoit, 2000).

    4 Depuis la première version de LIZARD, les fonctionnalités d’étiquetage (linear tagging) de Intex ont progressé au point de remettre en cause le choix de QTag, plus limité (corpus d’apprentissage nécessaire).

    5 Pour plus de détails, voir (Dutoit, 2000).

    6 Voir (Bizouard, 2001).

    Auteur

    • Antonio Balvet

      Université Paris X Nanterre, UMR MoDyCo 200 avenue de la République 92001 Nanterre
      Antonio.balvet@u-paris10.fr

    Précédent Suivant
    Table des matières

    Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

    Voir plus de livres
    La pensée de la race en Italie

    La pensée de la race en Italie

    Du romantisme au fascisme

    Aurélien Aramini et Elena Bovo (dir.)

    2018

    La formation d’une opinion démocratique

    La formation d’une opinion démocratique

    Le cas du Jura, de la révolution de 1848 à la « république triomphante » (vers 1895)

    Pierre Merlin

    2017

    Les mutations récentes du foncier et des agricultures en Europe

    Les mutations récentes du foncier et des agricultures en Europe

    Gérard Chouquer et Marie-Claude Maurel (dir.)

    2018

    Deux frontières aux destins croisés ?

    Deux frontières aux destins croisés ?

    Étude interdisciplinaire et comparative des délimitations territoriales entre la France et la Suisse, entre la Bourgogne et la Franche-Comté (xive-xxie siècle)

    Benjamin Castets Fontaine, Maxime Kaci, Jérôme Loiseau et al. (dir.)

    2019

    Un mousquetaire du journalisme : Alexandre Dumas

    Un mousquetaire du journalisme : Alexandre Dumas

    Sarah Mombert et Corinne Saminadayar-Perrin (dir.)

    2019

    Libertaire ! Essais sur l’écriture, la pensée et la vie de Joseph Déjacque (1821-1865)

    Libertaire ! Essais sur l’écriture, la pensée et la vie de Joseph Déjacque (1821-1865)

    Thomas Bouchet et Patrick Samzun (dir.)

    2019

    Les encyclopédismes en France à l'ère des révolutions (1789-1850)

    Les encyclopédismes en France à l'ère des révolutions (1789-1850)

    Vincent Bourdeau, Jean-Luc Chappey et Julien Vincent (dir.)

    2020

    Le verre du VIIIe au XVIe siècle en Europe occidentale

    Le verre du VIIIe au XVIe siècle en Europe occidentale

    Inès Pactat et Claudine Munier (dir.)

    2020

    Les révolutions du commerce. France, xviiie-xxie siècle

    Les révolutions du commerce. France, xviiie-xxie siècle

    Jean-Claude Daumas (dir.)

    2020

    Le patrimoine industriel au prisme de nouveaux défis

    Le patrimoine industriel au prisme de nouveaux défis

    Usages économiques et enjeux environnementaux

    Marina Gasnier

    2018

    La petite entreprise au péril de la famille ?

    La petite entreprise au péril de la famille ?

    L’exemple de l’Arc jurassien franco-suisse

    Laurent Amiotte-Suchet, Yvan Droz et Fenneke Reysoo

    2017

    Une imagination républicaine, François-Vincent Raspail (1794-1878)

    Une imagination républicaine, François-Vincent Raspail (1794-1878)

    Jonathan Barbier et Ludovic Frobert (dir.)

    2017

    Voir plus de livres
    1 / 12
    La pensée de la race en Italie

    La pensée de la race en Italie

    Du romantisme au fascisme

    Aurélien Aramini et Elena Bovo (dir.)

    2018

    La formation d’une opinion démocratique

    La formation d’une opinion démocratique

    Le cas du Jura, de la révolution de 1848 à la « république triomphante » (vers 1895)

    Pierre Merlin

    2017

    Les mutations récentes du foncier et des agricultures en Europe

    Les mutations récentes du foncier et des agricultures en Europe

    Gérard Chouquer et Marie-Claude Maurel (dir.)

    2018

    Deux frontières aux destins croisés ?

    Deux frontières aux destins croisés ?

    Étude interdisciplinaire et comparative des délimitations territoriales entre la France et la Suisse, entre la Bourgogne et la Franche-Comté (xive-xxie siècle)

    Benjamin Castets Fontaine, Maxime Kaci, Jérôme Loiseau et al. (dir.)

    2019

    Un mousquetaire du journalisme : Alexandre Dumas

    Un mousquetaire du journalisme : Alexandre Dumas

    Sarah Mombert et Corinne Saminadayar-Perrin (dir.)

    2019

    Libertaire ! Essais sur l’écriture, la pensée et la vie de Joseph Déjacque (1821-1865)

    Libertaire ! Essais sur l’écriture, la pensée et la vie de Joseph Déjacque (1821-1865)

    Thomas Bouchet et Patrick Samzun (dir.)

    2019

    Les encyclopédismes en France à l'ère des révolutions (1789-1850)

    Les encyclopédismes en France à l'ère des révolutions (1789-1850)

    Vincent Bourdeau, Jean-Luc Chappey et Julien Vincent (dir.)

    2020

    Le verre du VIIIe au XVIe siècle en Europe occidentale

    Le verre du VIIIe au XVIe siècle en Europe occidentale

    Inès Pactat et Claudine Munier (dir.)

    2020

    Les révolutions du commerce. France, xviiie-xxie siècle

    Les révolutions du commerce. France, xviiie-xxie siècle

    Jean-Claude Daumas (dir.)

    2020

    Le patrimoine industriel au prisme de nouveaux défis

    Le patrimoine industriel au prisme de nouveaux défis

    Usages économiques et enjeux environnementaux

    Marina Gasnier

    2018

    La petite entreprise au péril de la famille ?

    La petite entreprise au péril de la famille ?

    L’exemple de l’Arc jurassien franco-suisse

    Laurent Amiotte-Suchet, Yvan Droz et Fenneke Reysoo

    2017

    Une imagination républicaine, François-Vincent Raspail (1794-1878)

    Une imagination républicaine, François-Vincent Raspail (1794-1878)

    Jonathan Barbier et Ludovic Frobert (dir.)

    2017

    Accès ouvert

    Accès ouvert freemium

    ePub

    PDF

    PDF du chapitre

    Suggérer l’acquisition à votre bibliothèque

    Acheter

    Édition imprimée

    Presses universitaires de Franche-Comté
    • amazon.fr
    • decitre.fr
    • mollat.com
    • leslibraires.fr
    • placedeslibraires.fr
    • lcdpu.fr
    ePub / PDF

    1 Autrement dit, des unités lexicales et non pas des « sacs de mots ».

    2 Voir (Silberztein et al., 2001) pour plus de précisions sur la plate-forme Intex.

    3 Les opérations sémantiques sont assurées par le Dictionnaire Intégral (DI), décrit dans (Dutoit, 2000).

    4 Depuis la première version de LIZARD, les fonctionnalités d’étiquetage (linear tagging) de Intex ont progressé au point de remettre en cause le choix de QTag, plus limité (corpus d’apprentissage nécessaire).

    5 Pour plus de détails, voir (Dutoit, 2000).

    6 Voir (Bizouard, 2001).

    INTEX

    X Facebook Email

    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

    Suggérer l’acquisition à votre bibliothèque Acheter ce livre aux formats PDF et ePub

    Si vous avez des questions, vous pouvez nous écrire à access[at]openedition.org

    INTEX

    Vérifiez si votre bibliothèque a déjà acquis ce livre : authentifiez-vous à OpenEdition Freemium for Books.

    Vous pouvez suggérer à votre bibliothèque d’acquérir un ou plusieurs livres publiés sur OpenEdition Books. N’hésitez pas à lui indiquer nos coordonnées : access[at]openedition.org

    Vous pouvez également nous indiquer, à l’aide du formulaire suivant, les coordonnées de votre bibliothèque afin que nous la contactions pour lui suggérer l’achat de ce livre. Les champs suivis de (*) sont obligatoires.

    Veuillez, s’il vous plaît, remplir tous les champs.

    La syntaxe de l’email est incorrecte.

    Référence numérique du chapitre

    Format

    Balvet, A. (2004). Intex comme environnement logiciel pour la fouille de textes. L’exemple d’un corpus financier. In C. Muller, J. Royaute, & M. Siberztein (éds.), INTEX (1‑). Presses universitaires de Franche-Comté. https://doi.org/10.4000/books.pufc.30067
    Balvet, Antonio. « Intex comme environnement logiciel pour la fouille de textes. L’exemple d’un corpus financier ». In INTEX, édité par Claude Muller, Jean Royaute, et Max Siberztein. Besançon: Presses universitaires de Franche-Comté, 2004. https://doi.org/10.4000/books.pufc.30067.
    Balvet, Antonio. « Intex comme environnement logiciel pour la fouille de textes. L’exemple d’un corpus financier ». INTEX, édité par Claude Muller et al., Presses universitaires de Franche-Comté, 2004, https://doi.org/10.4000/books.pufc.30067.

    Référence numérique du livre

    Format

    Muller, C., Royaute, J., & Siberztein, M. (éds.). (2004). INTEX (1‑). Presses universitaires de Franche-Comté. https://doi.org/10.4000/books.pufc.29912
    Muller, Claude, Jean Royaute, et Max Siberztein, éd. INTEX. Besançon: Presses universitaires de Franche-Comté, 2004. https://doi.org/10.4000/books.pufc.29912.
    Muller, Claude, et al., éditeurs. INTEX. Presses universitaires de Franche-Comté, 2004, https://doi.org/10.4000/books.pufc.29912.
    Compatible avec Zotero Zotero

    1 / 3

    Presses universitaires de Franche-Comté

    Presses universitaires de Franche-Comté

    • Plan du site
    • Se connecter

    Suivez-nous

    • X
    • Flux RSS

    URL : http://pufc.univ-fcomte.fr

    Email : Presses-pufc@univ-fcomte.fr

    Adresse :

    47, rue Mégevand

    25030

    Besançon

    France

    OpenEdition
    • Candidater à OpenEdition Books
    • Connaître le programme OpenEdition Freemium
    • Commander des livres
    • S’abonner à la lettre d’OpenEdition
    • CGU d’OpenEdition Books
    • Accessibilité : partiellement conforme
    • Données personnelles
    • Gestion des cookies
    • Système de signalement