Version classiqueVersion mobile

Saillance. Volume 2

 | 
Maryvonne Boisseau
, 
Albert Hamm

Une approche automatique pour l’identification de référents saillants en discours

An Automatic Detection Approach of Salient Referents in Discourse

Laurence Longo et Amalia Todiraşcu

Résumé

Nous présentons un système de détection automatique de thèmes pour le français qui utilise deux marqueurs de cohésion : les marqueurs lexicaux de surface et les marqueurs référentiels, tels que les chaînes de référence. Notre étude se focalise plus spécifiquement sur l’identification automatique des chaînes de référence qui permet de déterminer le référent le plus saillant dans une portion textuelle. Dans la lignée de méthodes symboliques de calcul de la référence, nous proposons une nouvelle méthode de calcul basée sur la saillance des expressions référentielles. Pour chaque candidat, la saillance est fixe et la méthode de calcul prend en compte trois éléments : une hiérarchie d’expressions référentielles basée sur la théorie de l’accessibilité, des paramètres liés au genre textuel et la fonction syntaxique de chaque expression. De plus, les candidats antécédent-anaphore vérifient une série de contraintes lexicales, morpho-syntaxiques et sémantiques. L’identification des thèmes d’un document s’effectue alors en regroupant les chaînes de référence dont la tête lexicale est similaire.

Texte intégral

Introduction

  • 1 Partenariat entre LiLPa et l’entreprise RBS.

1Les travaux présentés ici s’inscrivent dans le cadre d’un projet industriel visant à optimiser l’indexation et la recherche des documents rédigés en français dans les archives internes d’une entreprise1. Pour améliorer les performances du moteur de recherche et aider à la navigation de l’utilisateur, nous proposons une méthode hybride (statistique et linguistique) basée sur la détection automatique des thèmes des documents.

2La notion de thème n’est pas clairement définie en linguistique : les thèmes sont considérés au niveau phrastique (Halliday 1985) ou au niveau discursif (Dijk 1977). Pour relier les deux niveaux, plusieurs facettes sont prises en compte : la structure informationnelle (Brown et Yule 1983), les procédés de réalisation de la progression thématique (Givon 1983), le mode pragmatique, mais aucun point de vue n’est suffisant pour proposer des critères valables d’identification automatique. Du point de vue du Traitement Automatique des Langues (TAL), dans un souci de modélisation et d’opérationnalisation, le thème d’un document est considéré comme une agrégation ou une composition de thèmes phrastiques (Bilhaut 2006). Ainsi, pour définir les thèmes, nous utilisons la formulation de Goutsos (1997) qui considère les thèmes textuels comme des agrégats de thèmes phrastiques.

3La détection automatique des thèmes est une tâche devenue courante en TAL. Différentes méthodes d’analyse thématique automatique permettent de découper le texte en une succession de segments thématiquement proches. Selon Bilhaut (2006), on identifie généralement deux « familles » de méthodes pour caractériser les différentes approches proposées pour la segmentation en thèmes. On trouve ainsi d’un côté les méthodes quantitatives (ou statistiques), fondées sur la notion de cohésion lexicale (Halliday et Hasan 1976). Ces méthodes utilisent la répétition des mots comme indication d’homogénéité thématique (méthode de TextTiling de Hearst 1994). D’un autre côté, on trouve les méthodes linguistiques qui exploitent les marqueurs et indices linguistiques (tels que les cadres thématiques de Charolles 1997) indiquant la structure thématique d’un document (Bilhaut 2006). Certains systèmes hybrides tels que celui d’Hernandez (2004), utilisent les deux méthodes pour découper le texte en segments proches thématiquement et extraire ensuite les descripteurs de la structure des documents à partir de règles heuristiques. C’est cette approche hybride que nous avons choisi d’utiliser pour détecter automatiquement les thèmes des documents.

4Notre système hybride applique d’abord une méthode de segmentation thématique automatique à base de cohésion lexicale (Choi et al. 2001) pour découper les documents en segments thématiquement homogènes (qui traitent du même thème). Ensuite, la méthode symbolique identifie des marqueurs linguistiques de cohésion tels que les introducteurs de cadres de discours de Charolles (1997) (d’abord, concernant), les anaphores (Kleiber 1994a) et les chaînes de référence (Cornish 1995, Schnedecker 1997). Parmi ces marqueurs participant à la cohérence textuelle, nous nous focalisons, dans cet article, sur l’identification automatique des chaînes de référence, permettant de déterminer le référent le plus saillant. Ainsi, nous considérons les chaînes de référence comme des indices de cohésion textuelle fiables pour révéler les thèmes (Victorri 1999). Un référent commun à plusieurs chaînes indique une continuité thématique sur plusieurs paragraphes et représente un candidat thème potentiel.

5Après avoir circonscrit les notions de chaîne de référence et de saillance dans notre approche automatique, nous présentons la méthode que nous avons mise en place pour identifier les chaînes de référence. Le calcul de saillance proposé prend en compte divers paramètres tels qu’une hiérarchie d’expressions référentielles (Ariel 1990), le genre textuel (Biber 1994), la fonction syntaxique et une série de contraintes lexicales, morpho-syntaxiques et sémantiques à valider entre les candidats anaphoriques et leurs antécédents. Nous évaluons notre système en testant les paramètres du genre textuel pour démontrer la pertinence de leur prise en compte dans le calcul de la saillance. Nous discutons enfin les résultats obtenus et proposons de nouvelles pistes de travail.

1. Chaînes de référence et saillance

  • 2 On compte divers types d’expressions référentielles : les pronoms (il), les noms propres (Enki Bila (...)

6Suivant Schnedecker (1997), nous considérons qu’une chaîne de référence est une relation qui s’établit entre trois maillons au moins (trois expressions référentielles2). Ainsi, l’exemple suivant compte une seule chaîne de référence composée de trois maillons (en gras) :

(1) Moins virulent, Patrick Devedjian a lui aussi manifesté son soutien à Michèle Alliot-Marie.
(Le Figaro)

7Les chaînes de référence sont des marques linguistiques de la cohérence du texte permettant d’identifier la continuité ou la rupture thématique (Cornish 1995, Vonk et al. 1992, Goutsos 1997). Les éléments d’une chaîne de référence indiquent le même référent, qui constitue l’élément le plus saillant pour une partie de discours. La saillance du référent est restaurée à chaque redénomination (dans le cas d’un nom propre) ou réinstanciée à chaque nouvelle mention dans le texte. Les liens référentiels permettent au lecteur de se focaliser sur un référent unique, qui peut ainsi constituer le thème du paragraphe.

8En analyse du discours, la saillance est une des propriétés d’une entité considérée comme privilégiée pour une reprise. Dans l’énoncé suivant,

(2) Finalement, M. Giscard d’Estaing a proposé une série d’économies. Il s’est demandé s’il était " urgent " de créer une chaîne éducative, il s’est interrogé sur le financement des interventions militaires ou humanitaires de la France dans le monde.
(Le Monde)

9M. Giscard d’Estaing possède les caractéristiques suivantes :

  • entité située en tête de phrase, qui occupe la position de sujet grammatical,
  • entité en position de thème de paragraphe (introduite par le cadre de discours finalement),
  • référent dénommé par un nom propre (en première mention),
  • référent dénoté comme animé et humain.

10Cette entité fait alors l’objet de reprises dans la suite de l’énoncé (par le biais du pronom il) et elle sera ainsi considérée comme saillante.

11La saillance est une propriété des éléments du discours qui permet de les hiérarchiser. Nous exploitons cette propriété pour identifier automatiquement les chaînes de référence. La saillance permet de rendre plus attractif un référent parmi d’autres, par l’utilisation d’expressions référentielles particulières (on préfèrera employer le nom propre Paul plutôt que le groupe nominal simple défini l’homme si l’on souhaite que ce référent joue un rôle dans la suite de l’énoncé). Ainsi, est saillant l’élément le plus présent à l’esprit du lecteur dans le segment textuel (saillance à effet immédiat, Landragin 2005) ou dans l’ensemble du document (saillance à effet continu). Les pronoms de l’exemple (2) réfèrent au même élément saillant M. Giscard d’Estaing.

12Divers modèles pour hiérarchiser les éléments en terme de saillance ont été proposés : la théorie de l’accessibilité d’Ariel (2001), la théorie du centrage de Grosz et al. (1995), la hiérarchie du donné (Giveness Hierarchy) de Gundel, Hedberg et Zacharsky (1993). Ces modèles ont été exploités par les systèmes d’identification automatique de relations de coréférence. Certaines limites ont été identifiées : ces théories prédisent l’apparition des pronoms ou des démonstratifs, mais aucune prédiction n’est formulée pour d’autres catégories d’expressions référentielles. Pour ces systèmes, la saillance est utilisée pour identifier les candidats qui introduisent la première fois une entité dans le discours, mais aussi pour classer les antécédents possibles d’un candidat anaphorique. La relation de coréférence est établie en appliquant des règles qui repèrent les antécédents possibles classés suivant leur saillance (tel que le système de Victorri 2005), après vérification de critères de compatibilité des propriétés (morphosyntaxiques, syntaxiques, sémantiques) des antécédents et des anaphores. Cependant, bien que la structure des chaînes de référence et le choix des expressions référentielles qui les constituent soient dépendants du genre textuel (Schnedecker 2005), peu de modèles opérationnels de calcul de la référence utilisent ces propriétés.

13Du point de vue computationnel, la saillance d’une entité peut être fixe, évolutive (modèle du contexte), prédite (modèle des attentes) ou bien située dans une plage d’admissibilité. La saillance d’une entité peut être seulement réduite à sa position dans la phrase (on parlera de « récence ») ou bien être multidimensionnelle (Landragin 2010), multicritères (Schnedecker 2009) et multiniveaux (Landragin 2004). Landragin (2010) identifie cinq dimensions binaires : la saillance visuelle, la saillance cognitive, la saillance à effet immédiat, la saillance préalable, la saillance informative qui peuvent se lier ou se recouper suivant le domaine. Mais, comme le fait remarquer Landragin (2010 : 1) :

[…] considérer la saillance comme un concept multicritère et multidimensionnel conduit facilement à intégrer le maximum de facteurs sous ce terme, et, éventuellement à lui faire perdre toute limite, donc toute possibilité de modélisation (cognitive, formelle ou computationnelle).

  • 3 Un score dynamique qui évalue la saillance d’un élément est un score qui évolue au fil du texte. Pa (...)

14Dans le même ordre d’idée, même si Alshawi (1987), Lappin et Leass (1994) ou Victorri (2005) utilisent des scores dynamiques3 pour rendre compte de la variation de la saillance au fil du texte, l’attribution des valeurs reste arbitraire et difficile à justifier : pourquoi une entité en position sujet n’a-t-elle pas le même poids dans une phrase et la suivante ? pourquoi la saillance d’une entité doit-elle se dégrader à chaque fin de phrase ? Bien que cette gestion dynamique des scores de saillance des entités soit tout à fait intéressante, il nous paraît pour le moment relativement difficile d’en tenir compte à grande échelle dans notre calcul de saillance. En ce sens, nous avons fait le choix d’attribuer un score fixe aux différentes expressions référentielles car il nous semble prématuré d’intégrer cette variété de facteurs à notre calcul de saillance.

2. Une nouvelle méthode de calcul de la référence

15Dans la lignée de méthodes symboliques de calcul de la référence, nous proposons une nouvelle méthode de calcul basée sur la saillance des expressions référentielles. Pour chaque candidat, la saillance est fixe et la méthode de calcul prend en compte trois éléments : une hiérarchie d’expressions référentielles basée sur la théorie de l’accessibilité d’Ariel (2001), des paramètres liés au genre textuel et la fonction syntaxique de chaque expression. Les candidats sont triés selon leur saillance. De plus, les candidats antécédent-anaphore vérifient une série de contraintes lexicales, morphosyntaxiques et sémantiques. L’identification des thèmes d’un document s’effectue alors en regroupant les chaînes de référence coréférentes (Schnedecker 1997) (dont le premier maillon possède la même tête lexicale).

16Matériau linguistique retenu

17Nous travaillons sur les relations mono référentielles s’établissant entre des expressions coréférentes dans un même paragraphe. Par exemple :

(3) Barack Obama… il… il

(4) Les changements climatiques… ces changements… ils

18Parce que nous utilisons une méthode robuste à base de peu de connaissances (Mitkov 2002), nous ne traitons pas les cas d’anaphores plurielles, comme dans (5) :

(5) Barack et Michelle Obama… le couple présidentiel… Michelle

19où les deux éléments (Barack et Michelle) sont d’abord instanciés par le groupe nominal le couple présidentiel, puis un des deux noms propres (Michelle) est extrait du groupe pluriel.

20De plus, nous traitons les situations de coréférence directe (Manuélian 2002) où les groupes nominaux coréférents possèdent la même tête nominale (e.g. le changement climatique/ce changement). Les cas de coréférence indirecte (hyponymes/hyperonymes) et les cas d’anaphores associatives (relation méronymique, fonctionnelle ou partie/tout) seront considérés dans les futures extensions du système.

21Nous utilisons également des listes de noms de fonction qui nous permettent d’établir des liens de coréférence entre les noms de personne et leur fonction, comme par exemple :

(6) Barack Obama a promu lundi l’entrepreneuriat, dans le but de doper la création d’emplois. Le président des États-Unis a également dit qu’il demanderait au Congrès de rendre permanentes les exemptions d’impôt sur les revenus du capital pour les PME, et de voter d’autres allégements fiscaux pour ce secteur.
(portail Google actualités, 10 février 2011).

22Outre le matériau lexical permettant d’obtenir une échelle d’éléments saillants, d’autres éléments à prendre en compte sont les propriétés des chaînes de référence. Des travaux comme ceux de Schnedecker (2005) ou de Goutsos (1997) insistent sur un aspect peu étudié ou exploité par les systèmes de détection automatique de thèmes ou de coréférence, à savoir le genre textuel. En effet, les chaînes de référence sont dépendantes du genre textuel, quant au matériau lexical utilisé, à la distance entre les maillons ou à la longueur de la chaîne. Nous revenons sur l’étude de ces propriétés des chaînes de référence dans la section suivante.

2.1. Étude en corpus des chaînes de référence

23Lors d’une précédente étude (Longo et Todiraşcu 2010), nous avons vérifié l’hypothèse suivant laquelle les chaînes de référence possèdent des propriétés linguistiques particulières selon le genre textuel (Schnedecker 2005, Goutsos 1997).

24Pour mener cette étude, un corpus de 50 000 tokens (formes et signes de ponctuation) issu de cinq genres textuels a été constitué. Nous avons sélectionné des textes de taille comparable pour les 5 genres :

  • des articles politiques du Monde (2004),
  • des éditoriaux du Monde Diplomatique (1980-1988),
  • le roman Les trois Mousquetaires (Dumas 1884)4,
  • des textes de lois européennes issues de l’Acquis Communautaire (Steinberger et al. 2006)
  • des rapports publics de La Documentation Française (2001).

25En suivant la typologie de Schnedecker (2005), nous avons comparé les chaînes de référence de notre corpus en retenant plusieurs critères (voir Tableau 1) :

  • la longueur moyenne des chaînes de référence : est comptabilisé le nombre moyen de maillons contenus dans une chaîne de référence suivant le genre textuel ;
  • la distance moyenne entre les antécédents : nous avons déterminé ici le nombre de phrases séparant chacun des maillons d’une même chaîne de référence ;
  • la catégorie grammaticale privilégiée du premier maillon d’une chaîne de référence suivant le genre textuel ;
  • la catégorie grammaticale la plus fréquente des maillons des chaînes de référence suivant le genre textuel ;
  • la correspondance entre le thème phrastique et le premier maillon des chaînes de référence suivant le genre textuel.

Tableau 1 – Synthèse de l’étude des chaînes de référence issues de genres textuels divers

Tableau 1 – Synthèse de l’étude des chaînes de référence issues de genres textuels divers

26Par exemple, nous avons constaté que la longueur des chaînes de référence était de 3 maillons en moyenne pour les lois européennes (7) alors qu’elle était trois fois plus élevée en moyenne pour le roman (8).

27(7) un État Membre… cet État Membre… l’État Membre

(8) un bidet du Béarn… ses (huit lieues)… ce cheval… son (poil étrange)… son (allure incongrue)… du susdit bidet… il… son (cavalier)… le don

28La distance moyenne entre les divers maillons est aussi importante : pour certains genres comme le roman, les expressions qui font partie de la même chaîne sont assez rapprochées (un nom propre suivi des pronoms réfléchis et personnels dans la même phrase). Pour les rapports publics, les maillons sont plutôt espacés et on constate une densité de syntagmes nominaux qui ne sont pas repris par la suite, donc les maillons sont plus éloignés. Aussi, de même que Schnedecker (2005), nous avons constaté que la catégorie des noms propres était privilégiée dans les premiers maillons des chaînes de référence des textes journalistiques (39,5 %) alors qu’il s’agissait plutôt des groupes nominaux indéfinis pour les lois européennes (40 %), comme par exemple un Etat Membre, une décision, une loi. Enfin, un dernier critère utile pour identifier le thème du document, le premier maillon d’une chaîne de référence, coïncide peu avec le thème phrastique (40 %) pour les rapports publics mais plus souvent (80 %) pour les textes journalistiques.

  • 5 5 Une étude portée sur des corpus plus grands permettrait de confirmer nos résultats.

29Ainsi, à l’issue de cette étude, nous avons dégagé des propriétés des chaînes de référence issues d’un genre textuel particulier. Nous utilisons ces propriétés dans notre calcul de saillance pour identifier les référents saillants selon le genre textuel. Notons bien que les résultats obtenus dans cette étude sont des tendances5 que notre système va interpréter en tant qu’indices pour le guider à rechercher certains éléments plutôt que d’autres.

2.2 Calcul de saillance référentielle

30Notre calcul de saillance combine trois éléments : une classification des expressions référentielles basée sur l’échelle d’accessibilité d’Ariel, des règles heuristiques qui prennent en compte des contraintes morpho-syntaxiques et les paramètres des chaînes dépendants du genre textuel.

31La classification des expressions est utile pour trouver une première mention possible d’une chaine de référence, mais aussi pour rechercher des paires antécédent-anaphore.

2.2.1 Identification des premiers maillons des chaînes de référence

32Au départ, les valeurs de saillance pour chaque expression référentielle sont définies de manière fixe pour identifier les premiers maillons potentiels des chaînes de référence. La saillance globale de chaque candidat est calculée suivant trois poids :

33poids dans l’échelle d’accessibilité,

34poids pour la fonction syntaxique (position sujet/objet),

35poids lié aux paramètres du genre textuel (préférence pour une catégorie d’expressions référentielles).

36Pour calculer la saillance de chaque candidat au poste de premier maillon, nous avons adapté l’échelle d’accessibilité d’Ariel (2001) qui permet de hiérarchiser les expressions référentielles selon trois critères : l’informativité (les descriptions définies longues ou les noms propres complets sont plus informatifs qu’un groupe nominal simple), la rigidité (indication précise du référent) et l’atténuation (réalisation phonétique de l’élément). Pour chacun des degrés, nous attribuons un score de 10 à 110 (voir Tableau 2). Ainsi, l’accessibilité globale d’une expression référentielle constitue la somme des trois scores. Par exemple, l’accessibilité globale d’un nom propre complet (Président Barack Obama) est de 220 (100+100+20), l’accessibilité globale du pronom elle est de 150.

Tableau 2 – Accessibilité globale pour chaque expression référentielle

Tableau 2 – Accessibilité globale pour chaque expression référentielle

37En plus de l’accessibilité globale, des règles heuristiques identifient la fonction syntaxique du candidat. Ces règles déterminent la position du candidat par rapport au verbe principal (sujet, objet direct, objet indirect, complément du nom). Un poids supplémentaire est alors affecté pour la fonction (e.g. 100 pour la position sujet, 50 pour la position objet) et rajouté à l’accessibilité globale pour le calcul de saillance. Un paramètre lié au genre textuel (préférence d’un type d’expression référentielle particulier pour le premier maillon d’une chaîne de référence) est enfin utilisé pour augmenter le poids (+50) de certains candidats. Ainsi, le candidat ayant le score de saillance totale (accessibilité globale + fonction syntaxique + paramètre du genre textuel) le plus élevé est sélectionné comme premier maillon potentiel d’une chaîne de référence.

2.2.2 Identification des paires antécédent-anaphore possibles

38Pour trouver les autres maillons des chaînes de référence, le système construit toutes les paires antécédent-anaphore possibles présentes dans un intervalle correspondant à la distance moyenne entre les maillons (paramètre dépendant du genre). Les antécédents ont une saillance haute alors que les anaphores ont une saillance basse.

39Puis, pour départager les antécédents potentiels, nous adaptons l’approche de Gegg-Harrison et Byron (2004) qui ont identifié une liste de contraintes (morpho-syntaxiques, sémantiques) à satisfaire pour chaque paire de candidats. Dans notre approche, les paires antécédent-anaphore doivent satisfaire plusieurs contraintes syntaxiques (accord en genre et en nombre), lexicales (lemmes identiques) et sémantiques. Nous utilisons ces informations pour éliminer les paires antécédent-anaphore invalides.

  • 6 6 Nous appliquons la méthode proposée par Dagan et Itai (1991).

40Deux types de contraintes sont appliqués : des contraintes fortes (éliminatoires si elles ne sont pas validées) et des contraintes faibles (non éliminatoires). Les contraintes fortes permettent d’éliminer certaines paires impossibles. Par exemple, la contrainte forte d’imbrication permet d’éliminer des paires où les deux candidats sont imbriqués (e.g. une description définie et son complément de nom : [les répercussions [du changement climatique]]) car ils ne peuvent pas être coréférents. Chaque paire doit valider le plus de contraintes faibles possibles pour être retenue (mais certaines de ces contraintes peuvent être violées). Par exemple, la contrainte de proximité est validée si l’antécédent et l’anaphore sont des proches voisins (pour les possessifs et les démonstratifs). De son côté, la contrainte sémantique permet de contrôler s’il existe une relation sémantique entre l’antécédent et l’anaphore : un nom propre de personne et un nom de fonction ({B. Obama – le président des Etats-Unis}) par exemple. Aussi, lorsque plusieurs antécédents potentiels valident le même nombre de contraintes pour un pronom, nous utilisons une liste de cooccurrences des verbes principaux et de leurs sujets (ces verbes sont extraits à partir d’un corpus de revues scientifiques de 500 000 tokens) pour les départager6. L’antécédent choisi pour un pronom est alors celui dont la fréquence est la plus élevée.

41Nous reprenons ci-dessous l’exemple (1) et nous y appliquons les contraintes :

(1) Moins virulent, [Patrick Devedjian]i a [lui]j aussi manifesté [son]k soutien à [Michèle Alliot-Marie]l.

42Les premiers maillons potentiels sont [Patrick Devedjian]i, [Michèle Alliot-Marie]l . L’entité i est sujet, donc elle sera considérée comme premier maillon d’une chaîne. Les candidats anaphoriques possibles sont j et k. Les paires qui satisfont le plus de contraintes sont [i, k] et [i, j] (contrainte de proximité). La paire [l, k] s’avère impossible car les entités sont les arguments du même verbe.

43Une fois les relations anaphoriques établies, les anaphores ayant un antécédent commun sont regroupées dans une même chaîne de référence, en utilisant la propriété de transitivité (si A est un antécédent de B et B un antécédent de C, alors ces trois éléments font partie de la même chaîne de référence). En reprenant l’exemple ci-dessus, à partir des paires Patrick Devedjian – son ; Patrick Devedjian – lui ; l’application de la propriété de transitivité permet d’obtenir une chaîne de référence de 3 maillons : {Patrick Devedjian, lui, son}.

3. Évaluation

44Notre système a été évalué sur un corpus de rapports publics issus de la Commission Européenne manuellement annoté. L’extrait choisi porte sur le changement climatique et compte 9230 tokens. Il contient 118 relations anaphoriques (impliquant surtout des anaphores nominales, démonstratives ou définies) et 24 chaînes de référence. Nous avons comparé les paires et les chaînes de référence retrouvées de manière automatique à celles annotées manuellement (voir Tableau 3).

Tableau 3 – Évaluation du système d’identification des chaînes de référence

Tableau 3 – Évaluation du système d’identification des chaînes de référence

45Ont été considérées comme valides les paires et les chaînes de référence retrouvées de manière automatique identiques à celles annotées manuellement. Nous obtenons une f-mesure de 0,73 pour les paires et 0,63 pour les chaînes de référence. Certaines paires invalides sont identifiées parce que plusieurs antécédents d’un même candidat ont satisfait un nombre identique de filtres alors qu’ils n’étaient pas coréférents. Les erreurs d’identification des chaînes de référence sont par conséquent liées aux fausses paires antécédent-anaphore retrouvées. Par exemple, dans (9), hormis les paires valides (i, k), (l, m), (j, l) le système propose aussi les paires (j, k) et (k, m). Cette situation pourrait être évitée en accordant des poids différents aux diverses contraintes.

(9) [Le présent livre blanc]i établit [un cadre visant à réduire la vulnérabilité de l’Union européenne aux effets du changement climatique]j. [Il]k se fonde sur les réponses à la consultation lancée à grande échelle en 2007 dans [le cadre du livre vert intitulé « Adaptation au changement climatique en Europe »]l. [Ce cadre]m a vocation à évoluer à mesure que de nouvelles données seront disponibles.

46Nous avons ensuite procédé à la modification de certains paramètres (Tableau 4) pour tester la pertinence de la prise en compte des paramètres spécifiques au genre textuel dans notre calcul de la référence. Ainsi, nous avons pris en compte les paramètres d’un autre genre textuel, le genre journalistique, et nous les avons appliqués à notre corpus d’évaluation. Nous obtenons une performance similaire pour les paires mais une baisse significative pour les chaînes de référence (f-mesure = 0,54).

47Enfin, nous avons totalement supprimé les paramètres du genre textuel dans notre calcul de la référence. Ici, nous obtenons une performance comparable pour les paires (f-mesure = 0,71) mais une baisse importante de la f-mesure pour la détection des chaînes (0,51). Le nombre de paires est quasiment le même (quelques paires sont rajoutées entre des candidats éloignés). En revanche, parce que certaines chaînes identifiées regroupent des chaînes plus courtes, nous obtenons peu de chaînes valides.

Tableau 4 – Évaluation du système d’identification des chaînes de référence avec modification des paramètres liés au genre textuel

Tableau 4 – Évaluation du système d’identification des chaînes de référence avec modification des paramètres liés au genre textuel

48Ainsi, toutes ces modifications ont mené à une baisse des performances de notre système, ce qui nous permet de valider l’importance de la prise en compte des spécificités liées au genre textuel pour le calcul de la référence.

4 Discussion

49Dans l’état actuel, notre système de détection automatique des chaînes de référence est capable d’identifier les chaînes monoréférentielles, où un seul référent est réinstancié soit par un groupe nominal (simple ou complexe), soit par un pronom. La prise en compte des paramètres spécifiques au genre textuel dans notre calcul de la référence permet d’obtenir de meilleurs résultats. Pour le moment, l’évaluation que nous avons menée a été effectuée manuellement. Pour évaluer automatiquement les résultats obtenus par notre système, nous avons fait annoter notre corpus multi genres par un second annotateur humain à l’aide de la plate-forme d’annotations de corpus Glozz de Widlöcher et Mathey (2009). Il nous sera alors possible de comparer les sorties de Glozz en format SemEval (Doddington et al. 2004) avec les sorties de notre système (disponibles au même format). Cela nous permettra aussi d’utiliser les mesures d’évaluation de SemEval existantes pour évaluer notre système.

50Notre système est flexible, dans le sens où il nous est possible de rajouter d’autres contraintes pour améliorer la qualité de nos résultats. D’autres catégories de coréférence telles que les reprises anaphoriques indirectes ou plurielles (Schnedecker et Bianco 1995) nous semblent importantes à traiter tant elles sont présentes dans nos corpus. La prise en compte de ces catégories nécessite quelques rajouts de contraintes (au niveau de l’identification des premiers maillons des chaînes mais aussi au niveau des paires antécédent-anaphore), ainsi que la mise en place de listes lexicales (noms d’humains de relation, de parenté, d’agents (Kleiber 1994b)). Par exemple, la reprise plurielle, qu’elle soit pronominale ou nominale, peut regrouper deux éléments disjoints, qui n’occupent pas la même position phrastique et syntaxique. On trouvera par exemple :

(10) Pierre a connu Marie il y a 10 ans. Ils ont eu trois enfants.

51Dans (10), Pierre est situé en tête de phrase et occupe la position sujet. On pourrait prévoir que seule cette entité fasse l’objet de reprises dans la suite. Or, dans (10), le sujet et l’objet sont repris par un pronom pluriel. Cela sous-entend que nous devrons prendre en compte ce phénomène dans notre calcul de la référence et offrir la possibilité de regrouper deux antécédents possibles en un seul : si la phrase n+1 contient un pronom pluriel, alors c’est une reprise potentielle d’un antécédent « dispersé » formé de deux entités de type « nom de personne » de la phrase n.

52Notre système évalue la saillance d’un élément à l’aide de trois paramètres. Les valeurs numériques affectées à chacun des paramètres sont fixes, mais arbitrairement définies (la présence de ce caractère arbitraire des valeurs affectées à chacun des paramètres a été constatée dans la plupart des systèmes automatiques). Pour étudier l’influence de ces paramètres sur les résultats du calcul, il serait intéressant de modifier les valeurs de l’accessibilité globale.

5. Conclusion et perspectives

53Nous avons présenté un système de détection automatique de thèmes et plus spécifiquement le module d’identification automatique des chaînes de référence. L’identification des chaînes de référence permet de pointer le référent le plus saillant dans une portion du discours.

54L’évaluation que nous avons menée est encourageante et permet d’apprécier la plus-value apportée par la prise en compte de nos trois paramètres (accessibilité, paramètres du genre textuel et contraintes) pour l’identification automatique des chaînes de référence.

55Dans les futures extensions du système, nous allons traiter d’autres catégories de coréférence telles que les reprises anaphoriques indirectes ou plurielles. Nous pensons aussi utiliser des connaissances externes (listes de synonymes, ontologies) pour éliminer certaines paires antécédent-anaphore.

56Notre système d’identification des chaînes de référence pourra être utilisé comme outil de pré-annotation d’un corpus de plusieurs millions de mots sur les relations de coréférence. Notre système pourra enfin participer au développement d’un corpus de référence pour le français (qui n’existe pas encore à l’heure actuelle), comparable à ceux présents dans les campagnes d’évaluation de SemEval (pour l’anglais, l’italien, l’espagnol…).

Notes

1 Partenariat entre LiLPa et l’entreprise RBS.

2 On compte divers types d’expressions référentielles : les pronoms (il), les noms propres (Enki Bilal), les descriptions définies (le Président de la République), les démonstratifs (ce), les possessifs (son).

3 Un score dynamique qui évalue la saillance d’un élément est un score qui évolue au fil du texte. Par exemple, le score d’un élément sujet en position initiale est de 100, puis ce score diminue de moitié (dégradation de la saillance) à la fin de la phrase en cours (phrase 1). Ce score peut revenir à 100 si l’élément de la phrase 1 est repris (par un pronom par exemple) dans la phrase 2 et qu’il occupe encore la position sujet. Il diminue encore de 50 au passage à la phrase suivante (phrase 3).

4 Nous avons sélectionné le roman de Dumas (1884), bien qu’il ne soit pas contemporain. Ce texte est libre de droits et comporte de nombreux personnages. Nous envisageons d’étendre l’étude à d’autres romans plus récents.

5 5 Une étude portée sur des corpus plus grands permettrait de confirmer nos résultats.

6 6 Nous appliquons la méthode proposée par Dagan et Itai (1991).

Table des illustrations

Titre Tableau 1 – Synthèse de l’étude des chaînes de référence issues de genres textuels divers
URL http://books.openedition.org/pufc/docannexe/image/43995/img-1.jpg
Fichier image/jpeg, 25k
Titre Tableau 2 – Accessibilité globale pour chaque expression référentielle
URL http://books.openedition.org/pufc/docannexe/image/43995/img-2.jpg
Fichier image/jpeg, 33k
Titre Tableau 3 – Évaluation du système d’identification des chaînes de référence
URL http://books.openedition.org/pufc/docannexe/image/43995/img-3.jpg
Fichier image/jpeg, 16k
Titre Tableau 4 – Évaluation du système d’identification des chaînes de référence avec modification des paramètres liés au genre textuel
URL http://books.openedition.org/pufc/docannexe/image/43995/img-4.jpg
Fichier image/jpeg, 17k

Auteurs

Université de Strasbourg, ea 1339 LiLPa Fonctionnements Discursifs et Traduction

Université de Strasbourg, ea 1339 LiLPa Fonctionnements Discursifs et Traduction

© Presses universitaires de Franche-Comté, 2015

Licence OpenEdition Books

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search