La terminologie de chaque domaine constitue des systèmes et des sous-systèmes qui s’appuient sur les concepts et sur les référents de ce domaine. Par conséquent, la structure sémantique de la terminologie est plus prononcée, plus compliquée et mieux définie que la structuration du lexique usuel (Kocourek 1991 :193).

Repousser les limites...

1Les techniques d’extraction examinées dans le chapitre 6 rendent des services au terminographe, puisqu’elles traitent des corpus volumineux d’une manière systématique. Cependant, même si elles ramenaient tous les termes d’un domaine et uniquement ces termes — et nous avons vu que ce n’est pas le cas—, elles ne vont pas chercher toute l’information que les corpus spécialisés recèlent.

2Les techniques en question se concentrent premièrement sur une partie des unités lexicales, à savoir celles qui peuvent prétendre au statut de terme. Qui plus est, elles focalisent sur les termes de nature nominale. Elles mettent ainsi de côté d’autres données terminologiques intéressantes, comme les adjectifs, les verbes ou les collocations. Deuxièmement, elles ont pour effet de couper le terme du réseau de relations sémantiques ou conceptuelles dont il fait partie. Le terminographe doit souvent retrouver leur trace lui-même en menant différentes interrogations manuelles.

3Le présent chapitre décrit quelques travaux qui cherchent à repousser les limites de l’exploration automatique des corpus de différentes manières.

4Nous verrons d’abord qu’il est possible d’appliquer les techniques d’extraction de termes à l’acquisition de collocations. Bien qu’elles aient été conçues pour la lexicographie, elles présentent un intérêt indéniable pour la terminographie. Ensuite, une autre série de travaux particulièrement ambitieux exploitent des corpus bilingues et cherchent à établir des équivalences entre deux listes de candidats-termes. Enfin, nous verrons que certains outils informatiques arrivent à dégager de l’information sémantique sur les termes, soit en construisant des classes, soit en identifiant une relation spécifique.

5La plupart des techniques décrites dans le présent chapitre sont encore expérimentales et rares sont celles qui ont quitté les laboratoires. Toutefois, elles présentent un immense intérêt et trouveront certainement leur place en recherche terminographique dans un avenir rapproché.

Extraction de collocations

6Les différentes techniques linguistiques ou statistiques étudiées au chapitre 6 ne sont pas utilisées uniquement pour extraire des termes complexes. On y a aussi recours pour ramener des collocations. En fait, il conviendrait de dire, pour respecter la chronologie des événements, que la mise au point des techniques d’extraction de collocations a précédé celle des termes complexes. Mais il vrai que le terminographe s’intéresse d’abord aux termes, ensuite il s’attarde sur les combinaisons dans lesquelles ils se trouvent.

7L'extraction de collocations comporte aussi son lot de difficultés, puisqu’il s’agit de groupes d’unités lexicales se définissant par des affinités sémantiques et des questions d’usage. Il s’agit là de paramètres que ne peut exploiter directement un extracteur qui devra s’aligner sur d’autres indices.

8Ces indices sont principalement : 1) la fréquence ; et 2) les parties du discours entrant dans la formation d’une collocation. On reconnaît ici les indices utilisés en extraction de termes. Toutefois, les collocations, comme il s’agit d’assemblages différents, soulèvent des problèmes d’une autre amplitude. Nous en examinons quelques-uns ci-dessous.

9• Les unités faisant partie d’une collocation peuvent appartenir à différentes parties du discours et donnent lieu à des groupes de natures variées. Le terminographe s’intéresse le plus souvent aux groupes dans lesquels entrent un terme de nature nominale et une autre unité adjectivale (ex. maladie grave), verbale (ex. administrer un médicament, enrayer une maladie) ou nominale (ex. administration d’un médicament). Il s’intéresse aussi aux groupes dans lesquels entre un adverbe, notamment les groupes dans lesquels un adverbe modifie un verbe (ex. tourner légèrement) ou un adjectif (ex. cliniquement mort). Ainsi, contrairement à l’extraction de termes qui focalise sur les syntagmes nominaux, il faudra retenir ici des syntagmes verbaux et des syntagmes adjectivaux.

10• Certaines collocations ont la même forme que les termes complexes, notamment les collocations composées d’un adjectif et d’un nom et celles comprenant un nom, une préposition et un autre nom. La distinction entre la collocation et le terme complexe, déjà difficile à pratiquer pour le terminographe, est pratiquement impossible à automatiser.

11• La variation flexionnelle est plus importante dans les collocations, notamment celles qui comportent un verbe (ex. administrer un médicament, administrons un médicament, administrez des médicaments).

12• Les mots grammaticaux servant à relier les unités de certaines collocations varient (ex. administrer ce médicament, administrer le médicament, administrer un médicament).

13• Les unités qui constituent une collocation sont fréquemment disjointes (ex. administrer ce médicament, administrer le médicament, administrer le nouveau médicament). Il est vrai que certains termes complexes présentent également cette difficulté. Toutefois, elle est plus importante pour les collocations, notamment celles qui comportent un verbe.

14• L’ordre des éléments entrant dans la formation de certaines collocations peut varier (ex. administrer ce médicament, ce médicament doit être administré).

15Pour extraire automatiquement des collocations, on peut adapter les techniques linguistiques ou statistiques abordées au chapitre 6 et les rendre aptes à reconnaître ce nouveau type de groupement :

16• La définition de patrons typiques permettra de retrouver des séquences correspondant à des collocations. Par exemple, si on s’intéresse aux groupes dans lesquels entrent un verbe et un terme de nature nominale, il suffira de définir des patrons correspondants.

17• Le calcul des segments répétés ramène des unités qui s’utilisent souvent ensemble, où figureront vraisemblablement les collocations. Une liste d’exclusion adaptée servira à mettre de côté d’autres types de séquences.

18• Les techniques statistiques servant à mesurer le degré d’association entre les mots graphiques extraient également des collocations. Les extracteurs de collocations les plus couramment utilisés font généralement converger différentes mesures statistiques pour évaluer la pertinence des groupes extraits.

19Enfin, on peut combiner statistiques et linguistique. Smadja (1993) a exploité cette approche mixte dans un extracteur de collocations appelé Xtract. Nous avons choisi de décrire cet extracteur particulier, car il met bien en lumière les différents paramètres à prendre en compte pour ramener des collocations de façon automatique.

20Nous donnons, ci-dessous, un aperçu de la technique proposée par le chercheur qui est divisée en trois étapes distinctes. Soulignons que Smadja n’a pas conçu son extracteur pour la terminographie. Toutefois, il en a fait l’évaluation sur un corpus de textes portant sur la bourse.

21Étape 1 :

22• L’extracteur construit d’abord des couples dans une fenêtre contenant 11 mots graphiques à partir d’un texte qui lui est soumis. La fenêtre comprend un nœud ainsi que 5 mots placés à sa gauche et 5 autres, placés à sa droite (ces 10 mots sont définis comme des collocatifs).

23• La fréquence de chacun des couples est notée et tient compte du couple tel quel, mais également des positions respectives du nœud et du collocatif. Le tableau 7.1 illustre la notation des fréquences des couples (takeover, possible) et (takeover, corporate).

24• Les couples ainsi extraits sont soumis à une évaluation de leur degré d’association. Il est estimé au moyen de calculs statistiques s’apparentant à ceux que nous avons déjà décrits dans le chapitre 6.

TABLEAU 7.1. Fréquences des couples et position du collocatif (Smadja 1993 :154)

25• Des collocations sont éliminées en fonction de critères comme la faible fréquence de certains collocatifs ou la faible fréquence de collocatifs dans une position spécifique.

26Après cette première série de traitements, l’extracteur propose une liste de couples dont le degré d’association est significatif. Les couples sont accompagnés de l’information sur leur fréquence et la position des mots qui les composent. Toutefois, à cette étape, il ne relève que des couples. Une seconde étape permet de déterminer si ces couples ne font pas partie en réalité de séquences plus longues.

27Étape 2 :

28• L’extracteur retrouve les contextes dans lesquels apparaissent les couples retenus à la suite de la première étape.

29• Il produit de nouvelles concordances à partir des couples et fait des relevés de fréquence des mots qui y apparaissent.

30• Il retient de nouveaux groupements significatifs. Ceux-ci sont parfois plus longs que les couples retenus préalablement. Ils sont relevés s’ils apparaissent avec une fréquence supérieure à un certain seuil.

31Cette seconde séquence de tâches retient toujours les couples significatifs, mais ramène également des groupements plus longs. De plus, l’extracteur peut déterminer si les couples produits au cours de l’étape 1 font systématiquement partie de groupes plus longs. Toutefois, il ne sait rien encore de la relation syntaxique qui lie les mots faisant partie des groupes extraits. Par exemple, si les deux premières étapes produisent un couple composé de médicament et administrer, rien n’indique si médicament est le sujet ou l’objet direct du verbe administrer. C’est ce qui intervient à l’étape 3.

32Étape 3 :

33• L’extracteur fait une analyse syntaxique des contextes dans lesquels apparaissent les groupes extraits pour déterminer la nature de la relation entretenue par les éléments. Par exemple, le couple (rose, price) produit les concordances annotées syntaxiquement comme celles qui apparaissent dans le tableau 7.2.

34• L’extracteur tient compte de la fréquence d’un groupe extrait assorti de l’annotation syntaxique et détermine au moyen d’un calcul statistique si cet ensemble a une distribution significative. Ce calcul devrait—pour le couple (rose, price) cité un peu plus haut—conserver le couple annoté SV et rejeter le couple annoté VO, si la première annotation est nettement supérieure à la seconde. Cette dernière analyse permet d’éliminer de nombreuses collocations préalablement retenues, mais qui ne sont pas significatives.

FIGURE 7.1. Sortie de Xtract (d'après Smadja 1993 : 165)

35Après avoir appliqué ces différents traitements répartis en trois étapes, l’extracteur propose à l’utilisateur une sortie dont un exemple est reproduit à la figure 7.1.

36La première ligne présente un couple avec l’indication de la distance entre les deux mots. Il s’agit des résultats des traitements de l’étape 1. La deuxième ligne indique le nombre de fois où le groupe est extrait dans cette forme. Le groupe (sales fell) a été retrouvé 158 fois dans cette forme et n’a pas été retrouvé régulièrement dans un groupe plus long. La deuxième ligne présente en fait les résultats de l’étape 2. La troisième ligne donne l’annotation syntaxique attribuée lors de l’étape 3. Enfin, un exemple tiré du corpus dans lequel se trouve la collocation extraite est proposé.

37Les sorties de Xtract ont été évaluées par un lexicographe qui devait se prononcer sur la qualité des résultats livrés par les trois étapes de traitement. Cette évaluation révèle que 94 % des collocations identifiées comme de bons candidats par le lexicographe l’ont également été par l’extracteur (montrant que l’extracteur produit peu de silence). Par ailleurs, 80 % des collocations extraites automatiquement ont également été considérées par le lexicographe comme de bons candidats (les listes produites comportent peu de bruit). Ces résultats sont impressionnants surtout si on les compare aux résultats obtenus en extraction de termes.

Extraction bilingue

38Nous avons déjà vu que la terminographie bilingue ou multilingue doit appuyer ses observations sur des corpus représentatifs de chacune des langues visées par la description. Elle peut avoir recours à des corpus alignés ou à des corpus comparables.

39Des chercheurs proposent d’étendre les stratégies d’extraction de termes décrites dans le chapitre 6 aux corpus bilingues. L’idée ici est de proposer non seulement dés candidats-termes au moyen de techniques qui s’apparentent à celles auxquelles on fait appel en extraction unilingue, mais deux séries de candidats dans chacune des langues faisant l’objet du traitement. À cela s’ajoute un travail supplémentaire qui consiste à établir des équivalences entre les deux séries de candidats. Ces différentes techniques sont regroupées sous le générique extraction de termes bilingue. L’extraction de candidats et la recherche d’équivalents ne s’ordonnent pas de la même manière d’un extracteur à l’autre.

40L’extraction bilingue présente, on s’en doute bien, de nombreuses difficultés. À celles que nous avons déjà signalées pour l’extraction unilingue— la définition du statut terminologique, le découpage du terme, la coordination, l’élision, etc. — se greffent celles qui concernent l’établissement d’équivalences. Nous examinons quelques cas de figure ci-dessous.

41• Un terme dans une langue A a plusieurs équivalents dans le corpus de la langue B. Par exemple, intelligent terminal peut se rendre par terminal intelligent, terminal programmable et terminal avec mémoire dans un corpus français. De plus, ces équivalences multiples, lorsqu’elles sont observées dans un corpus bilingue, s’établissent dans les deux directions, comme le montre la figure 7.2.

FIGURE 7.2. Équivalences multiples entre deux langues

42• Les termes complexes ont, dans chacune des langues, des structures ou des longueurs différentes. Par exemple, portable life support System, qui comporte quatre noms, se traduit par équipement de survie composé de deux noms et d’une préposition.

43• Un terme complexe dans une langue équivaut à un terme simple dans l’autre langue. Computer-assisted terminography se rend en français par terminotique. De même, base de données est rendu par database en anglais.

44• Un syntagme nominal s’exprime dans l’autre langue par un syntagme d’une autre nature. Par exemple, law suit peut se traduire par poursuite en justice. Mais dans d’autres phrases, il donnera lieu à poursuivre en justice.

45• Il arrive qu’une phrase d’un texte source comporte une mention explicite à un terme complexe, mais que la phrase du texte cible utilise plutôt une anaphore. Par exemple,... the disk drive is identified... peut se rendre parce dispositif est identifié... ou encore... celui-ci est identifié...

46Il reste encore fort à faire avant qu’un extracteur bilingue puisse résoudre tous ces problèmes. Les techniques utilisées repèrent des séquences qui se ressemblent dans les langues traitées, mais arrivent encore difficilement à établir des équivalences avec certitude. Ces imperfections sont liées en partie aux techniques utilisées. Toutefois, si les corpus sont suffisamment volumineux, l’extracteur devrait arriver à produire une partie des équivalents corrects pour un terme donné.

47L’extraction bilingue s’appuie le plus souvent sur des corpus alignés limitant ainsi la recherche des équivalences aux segments qui ont été préalablement mis en correspondance. La figure 7.3 montre comment ces segments servent de point de référence.

48Une première technique d’extraction bilingue produit d’abord des listes de candidats-termes au moyen de techniques linguistiques, statistiques ou mixtes décrites dans le chapitre 6. À cette étape, l’extraction se fait sur chacune des langues séparément. Elle tente par la suite d’établir des équivalences en s’appuyant sur les textes alignés. La figure 7.4 illustre le fonctionnement de ce type d’extraction.

49Cette première méthode présente l’avantage de n’avoir à traiter que les termes et à faire abstraction (dans une certaine mesure) de ce qui se trouve ailleurs dans les segments alignés. Toutefois, comme les équivalences sont établies à partir d’une liste de candidats, seuls les termes correspondant aux séquences recherchées par l’extracteur seront pris en considération. Par exemple, s’il recherche uniquement des syntagmes nominaux, les syntagmes verbaux (par lesquels les termes peuvent parfois se traduire) seront mis de côté.

50Une seconde technique focalise en premier lieu sur l’établissement d’équivalences. Au moyen de techniques statistiques, on aligne tous les mots apparaissant dans les segments alignés. L’idée est de produire des alignements à un niveau plus fin que la phrase. On identifie par la suite les séquences pouvant correspondre à des termes dans la première langue et on recherche des équivalences dans la seconde. Cette méthode est plus souple que la première puisqu’elle admet des équivalences qui ne correspondent pas à des séquences de termes de base. Toutefois, elle repose en très grande partie sur la qualité de l’alignement des mots fait au préalable.

FIGURE 7.3. Extraction bilingue à partir d'un corpus aligné

FIGURE 7.4. Une technique d’extraction bilingue

Trouver de l’information sémantique

51Les différentes techniques dont nous avons parlé dans le chapitre 6 et dans les premières sections du présent chapitre produisent des listes de candidats de différentes natures. Qu’il s’agisse de termes simples ou complexes, de collocations ou d’équivalents, les candidats sont présentés tels quels et ne sont reliés entre eux d’aucune manière.

52La présentation de termes par ordre alphabétique ou par fréquence décroissante a pour effet d’occulter les indices révélateurs d’une relation sémantique ou conceptuelle. Par exemple, une liste alphabétique fait perdre le lien sémantique entre des séquences : courrier électronique et messagerie électronique figureraient à des endroits forts différents dans une liste.

53De même, l’ordonnancement par fréquence décroissante aura pour effet d’éloigner des termes complexes partageant des composantes communes. Par exemple, comment retrouver rapidement, à la suite du traitement d’un corpus médical, tous les candidats dans lesquels apparaît conduction, à savoir temps de conduction, conduction auriculo-ventriculaire, trouble de conduction, etc. ?

54Certains programmes proposent des solutions à ces problèmes et tentent d’établir une relation entre deux ou plusieurs termes extraits au préalable de façon automatique. Nous verrons dans ce qui suit que la nature de la relation recherchée diffère d’un extracteur à l’autre.

Établir des relations à partir de la forme

55Le chapitre 3 a montré que la forme des termes constitue parfois le symptôme d’une parenté sémantique. La construction de séries de termes simples ou complexes peut s’appuyer sur leurs composantes (un affixe ou un radical en ce qui concerne les termes simples ; la tête ou un modificateur en ce qui concerne les termes complexes). De même, certaines relations sémantiques régulières engagent des termes formellement semblables, mais appartenant à des parties du discours différentes (la dérivation syntaxique, les relations actancielles ou circonstancielles, etc.).

56La parenté formelle est un indice que peut exploiter un outil informatique puisqu’il s’agit de retrouver des chaînes de caractères semblables. La forme sert d’amorce à la construction de séries de termes ou à l’établissement d’une relation spécifique. Deux ensembles de techniques sont décrits ci-dessous.

a) Séries de termes complexes

57Une première technique cherche à construire des séries de termes complexes en s’appuyant exclusivement sur la similitude formelle de leurs composantes. À partir d’une liste de termes préalablement extraits, un programme réordonne les candidats et propose différents regroupements. Ces derniers permettent au terminographe de visualiser l’ensemble des termes qui ont des composantes identiques sans avoir à parcourir la liste manuellement.

58L’exemple de la figure 7.5 montre comment des termes extraits d’un corpus juridique et triés alphabétiquement sont reliés à d’autres candidats. Dans l’exemple, le regroupement est illustré à partir du candidat droit constitutionnel. L’extracteur retrouve dans la liste les autres termes ayant des composantes communes, soit droit ou constitutionnel.

59Certains extracteurs vont un peu plus loin et font une analyse syntaxique des groupes extraits en distinguant la tête et les modificateurs. Lexter (Bourigault 1994), dont nous avons déjà parlé au chapitre 6, fait ce genre d’analyse.

60Le regroupement des termes par composantes, qu’il soit ou non assorti d’une analyse syntaxique, offre un point de vue fort différent sur les termes extraits. Il permet d’abord au terminographe de réunir les termes complexes qui partagent probablement des composantes sémantiques. Le terminographe peut ainsi se pencher sur des classes sémantiques et analyser les termes qui en font partie en parallèle. Par ailleurs, il pourra utiliser cette organisation pour amorcer une analyse distributionnelle afin de dégager des classes sémantiques pour des termes qui n’ont pas la même forme (l’analyse distributionnelle est abordée plus loin dans ce chapitre).

61Le regroupement des termes permet également de valider, dans une certaine mesure, leur statut terminologique. Un candidat faisant partie d’une classe comportant de nombreux membres est plus susceptible d’être un terme qu’un autre candidat isolé.

FIGURE 7.5. Termes ayant des mêmes composantes que droit constitutionnel

b) Variantes terminologiques

62D’autres techniques font appel à une analyse linguistique un peu plus élaborée et proposent des regroupements de variantes terminologiques. Nous avons déjà vu que la forme des termes simples ou complexes subit différents types de variations. Certaines d’entre elles sont plus régulières que d’autres et sont par conséquent décelables automatiquement.

63Pour bien comprendre le problème posé par les variantes terminologiques pour un extracteur, voyons d’abord comment des variantes relativement simples, à savoir les variantes flexionnelles, sont traitées. Comme la plupart des extracteurs recherchent des noms et des syntagmes nominaux, la flexion n’est déterminée que par le genre et le nombre.

64Examinons, en premier lieu, les entrées que produirait un extracteur qui ne peut interpréter les variantes flexionnelles comme des formes différentes du même mot graphique. Le terme examiné est IMPRIMANTE À JET D’ENCRE. La figure 7.6 montre les différentes formes que prennent la tête imprimante et le nom dans le modificateur, à savoir jet, dans un texte portant sur les imprimantes.

65L’extracteur qui n’est pas apte à reconnaître les formes fléchies considère que chacune des séquences présentées dans la figure 7.6 est différente et propose donc un nombre équivalent de candidats-termes. En outre, s’il mesure la fréquence des candidats, il le fera pour chacune des séquences prise séparément.

66Pour faire reconnaître les variantes flexionnelles comme des réalisations différentes du même terme, les extracteurs font appel à des corpus étiquetés dans lesquels le lemme est indiqué. Cette technique permet d’appliquer les règles d’extraction non plus à la forme qui apparaît réellement dans le texte, mais à son lemme. De cette manière, l’extracteur est en mesure de traiter les formes fléchies comme des formes différentes de la même séquence. L’intérêt de l’indication du lemme est illustré à la figure 7.7.

FIGURE 7.7. Indication du lemme et conséquences en extraction de termes

67On peut aller un peu plus loin et neutraliser non seulement les variantes flexionnelles mais les mots grammaticaux entrant dans la formation des termes complexes. L’extracteur mis au point par Daille (1994), ACABIT, neutralise les variantes syntaxiques faibles en ramenant les séquences apparaissant dans le corpus sous forme de couples où les mots grammaticaux sont gommés. La figure 7.8 montre comment les couples sont formés.

68Cette technique permet de traiter de la même manière (par exemple, de comptabiliser comme des occurrences du même terme) des termes complexes dont les différences ne tiennent que dans la forme des mots grammaticaux. Cependant, elle fait le pari que le gommage des mots grammaticaux n’a pas de conséquences sur le sens des termes.

69D’autres extracteurs font appel à des connaissances linguistiques plus riches encore et établissent des liens entre des variantes morphosyntaxiques. Nous examinerons une variante qui appartient à cette catégorie, à savoir celle dans laquelle se retrouve un adjectif relationnel. Toutefois, d’autres méthodes de représentation des variantes morphosyntaxiques, par exemple un verbe et sa nominalisation, sont proposées dans Jacquemin (2001)1.

70Daille (2001) a mis au point une technique qui réunit un terme dans lequel apparaît un adjectif relationnel et un autre terme dont le modificateur est de forme préposition + nom en faisant l’hypothèse qu’ils ont le même sens. La technique exploite une propriété déjà évoquée de l’adjectif relationnel, à savoir que son sens se ramène à celui d’un nom. Quelques exemples sont donnés ci-dessous.

71Pour réunir ces paires de termes de façon automatique, l’extracteur mise en premier lieu sur la parenté formelle entre l’adjectif relationnel et le nom dont il est dérivé. Il table ensuite sur la coexistence des deux termes dans le même corpus spécialisé. Voyons concrètement de quelle manière la reconnaissance se fait :

• L’identification des adjectifs relationnels se fait à la suite de l’extraction, c’est-à-dire à partir de la liste de candidats-termes ;

• Les couples dans lesquels se trouve un adjectif sont examinés afin de déterminer lesquels contiennent un adjectif relationnel ;

• L’identification des adjectifs relationnels repose sur une liste de suffixes productifs (par exemple,-al,-estre,-ier,-ique) ;

• Les adjectifs relationnels sont ramenés à une forme nominale (la plus probable) au moyen de règles de transformation. Par exemple, la règle -ien/-ie permet de ramener bactérien à bactérie (Daille 2001).

72Il arrive que plusieurs noms soient générés à partir des règles de transformation appliquées à l’étape précédente. En effet, l’analyse des suffixes rattachés aux adjectifs relationnels peut donner lieu à plusieurs noms plausibles. Par exemple, l’adjectif alimentaire peut être rattaché à alimentation et à aliment (allergie alimentaire -> allergie à un aliment ; habitude alimentaire -> habitude d’alimentation). L’extracteur épure ces résultats en s’appuyant sur la coexistence, dans le corpus, de termes complexes apparentés. Il s’y prend de la manière suivante :

• L’extracteur parcourt la liste des candidats-termes extraits ;

• Il recherche un couple qui comporte la même tête que celui dans lequel se trouve l’adjectif relationnel. Par exemple, nous avons vu que l’adjectif alimentaire pouvait être associé à alimentation et à aliment. S’il se trouve dans la séquence allergie alimentaire, l’extracteur devrait rejeter alimentation lorsque allergie aux aliments se retrouve ailleurs dans la liste de candidats ;

• L’extracteur déduit que les candidats dans lesquels apparaît un adjectif relationnel (ex. allergie alimentaire) et les candidats qui sont liés aux premiers selon les stratégies déployées aux étapes précédentes (ex. allergie aux aliments) constituent des variantes terminologiques ;

• Il propose à l’utilisateur les deux variantes ramenées dans la même entrée.

73Les techniques d’identification des variantes terminologiques font appel à des traitements linguistiques élaborés, du moins si on les compare à certaines méthodes d’extraction de termes décrites au chapitre 6. Elles sont donc fortement rattachées à la langue.

74Toutefois, elles présentent un intérêt de premier plan pour la terminographie. Lorsque les variantes sont regroupées, il est plus facile de les envisager toutes en parallèle et éviter ainsi de perdre des paires synonymiques précieuses.

Établir des relations à partir du contexte

75La forme des termes n’est pas le seul moyen de repérer une relation sémantique dans un corpus spécialisé. Une partie de cette information se trouve dans les contextes où apparaissent les termes.

76Un second ensemble de techniques qui font l’objet des sections suivantes recherche les traces de l’information sémantique dans les contextes. Tout comme les premières méthodes qui tablaient sur la forme, ces techniques ont deux finalités : construire des ensembles de termes en faisant l’hypothèse qu’ils sont sémantiquement apparentés ou établir une relation sémantique spécifique.

a) Explorer la combinatoire

77Une première méthode d’exploration contextuelle consiste à construire des classes de termes en étudiant leur combinatoire dans un corpus spécialisé. Les termes qui ont les mêmes cooccurrents risquent fort de former des classes sémantiques.

78Les méthodes de construction automatique de classes de termes s’appuient toutes, de façon plus ou moins rapprochée, sur Y analyse distrïbutionnelle décrite par Harris (1971,1991) qui cherche à vérifier l’hypothèse selon laquelle la distribution des unités linguistiques constitue un reflet de leurs propriétés sémantiques.

79L’analyse automatique de la distribution procède généralement à partir d’une liste de termes de nature nominale. Il peut s’agir d’une liste de candidats proposés par un extracteur ou d’une liste de termes déjà sanctionnée.

80Les termes de nature nominale donnent accès à des cooccurrents de nature adjectivale, nominale ou verbale. L’identification automatique des cooccurrents est plus ou moins difficile à mettre en œuvre en fonction de leur nature grammaticale. Par exemple, l’adjectif est moins difficile à repérer que le verbe, puisque le premier se retrouve souvent placé à la droite du nom en français alors que le verbe en est parfois éloigné. Toutefois, si l’identification repose sur une analyse syntaxique, la relation entre le terme de nature nominale et son cooccurrent est dégagée avec plus d’assurance.

81Nous allons illustrer l’intérêt que présente l’exploration de la combinatoire pour constituer des classes sémantiques à partir d’extrasystole qui désigne un « trouble du rythme ». Parmi les cooccurrents avec lesquels le terme se combine dans un corpus médical d’environ 500 000 mots, on retrouve auriculaire. Utilisons cet adjectif pour retrouver les autres noms qu’il modifie. Ceux-ci sont reproduits dans le tableau 7.3.

82Cette première liste permet effectivement de mettre en évidence des noms appartenant à la même classe sémantique, à savoir arythmie, fibrillation et tachycardie. Toutefois, elle présente des noms rattachés à d’autres classes, étage, fibre, myocarde, nœud, rythme, par exemple.

83Pour valider une classe sémantique potentielle, il convient de pousser plus avant l’exploration contextuelle et de trouver d’autres contextes communs aux termes relevés dans cette première étape. On peut supposer que plus le nombre de contextes communs partagés par deux termes est élevé, plus ceux-ci sont susceptibles d’appartenir à la même classe.

84Nous allons voir maintenant si les noms dégagés dans le tableau 7.3 partagent d’autres contextes avec extrasystole. Nous nous en tiendrons aux adjectifs et aux verbes. Les résultats sont reproduits dans le tableau 7.4.

85Ces résultats partiels permettent d’exclure nœud d’une classe sémantique à laquelle appartiendrait extrasystole puisqu’il ne partage aucun autre adjectif ou verbe avec lui. Par ailleurs, étage, excitabilité, fibre et myocarde n’ont que trois contextes en commun avec extrasystole. Il est donc permis de s’interroger sur leur parenté sémantique avec le terme d’origine.

86D’une manière générale, cette seconde liste permet de valider la corrélation entre le nombre de contextes communs et la parenté sémantique. Extrasystole, tachycardie, extrasystolie et arythmie, qui partagent un nombre élevé de cooccurrents, appartiennent effectivement à une même classe.

87Cependant, des termes échappent au test de la cooccurrence puisqu’il peut arriver que, dans un corpus, un terme spécifique soit peu fréquent ou n’ait pas été utilisé avec un cooccurrent productif. C’est ce qui se produit ici avec flutter et tachysystolie qui ont un petit nombre d’occurrences dans le corpus traité. En outre, certains cooccurrents moins spécialisés se combinent avec de vastes ensembles de termes (ex. des verbes comme apparaître, présenter). Enfin, nous n’avons pas mentionné le phénomène de la polysémie de certains cooccurrents qui pose inévitablement des problèmes importants dans ce genre d’approche.

88La construction de classes sémantiques fondée sur l’analyse distributionnelle permet effectivement de ramener des termes sémantiquement apparentés. Toutefois, comme on peut l’inférer à partir des fragments de résultats présentés au tableau 7.4, elle repose obligatoirement sur un corpus volumineux et homogène. En outre, il faut généralement faire intervenir des critères de fréquence ou des mesures statistiques pour valider des classes sémantiques. Par exemple, le système Zellig (Habert et al. 1996, Nazarenko et al. 2001), dont l’analyse porte sur les cooccurrents adjectivaux et nominaux, regroupe les noms qui ont au moins neuf contextes en commun. Ce seuil variera en fonction de la manière dont les classes sont construites et de la taille du corpus. Dans un autre système, appelé Sextant (Grefenstette 1994), le nombre de contextes significatifs partagés par des termes est calculé en fonction du nombre total de contextes dans lesquels les termes en question apparaissent. Enfin, peu importe la méthode de calcul utilisée, les regroupements établis automatiquement font toujours l’objet d’une validation par un expert.

89Si l’hypothèse formulée plus haut et selon laquelle la distribution constitue un reflet des propriétés linguistiques des termes fait une relative unanimité et semble compatible avec l’intuition qu’on peut avoir sur les classes sémantiques, elle semble assez difficile à vérifier concrètement au moyen de procédures entièrement automatiques.

b) Dégager une relation à partir d’un marqueur linguistique

90Outre la construction de classes sémantiques, le contexte est mis à contribution pour dégager une relation sémantique spécifique entre deux termes. Nous examinons ici des techniques qui s’appuient sur la notion de marqueur, qui a déjà été examinée au chapitre 5. Il s’agit d’une nouvelle forme d’exploitation des marqueurs comme est un, est un type de, une forme de qui indiquent l’hyperonymie ou comprend, est composé de qui annoncent une relation de méronymie.

91Des applications informatiques utilisent ces marqueurs pour dégager automatiquement des relations sémantiques entre termes. À partir d’une liste préalablement constituée, elles balaient les contextes dans lesquels des termes apparaissent pour voir si certains de ces termes partagent un lien sémantique.

92La figure 7.9 montre comment un contexte est repéré à partir de marqueurs d’hyperonymie et d’hyponymie. L’identification est faite pour des termes apparaissant dans une liste de candidats et n’est autorisée que si les termes en question figurent dans la même phrase.

93Comme pour la construction automatique de classes sémantiques que nous avons examinée à la section précédente, il faut généralement faire intervenir ici des critères de fréquence. Par exemple, une relation sémantique entre deux termes est validée si elle est exprimée par au moins deux contextes comportant un marqueur.

94Cette approche repose principalement sur l’exhaustivité de la liste de marqueurs et sur la qualité de leur définition. Or, si certains marqueurs se retrouvent dans la plupart des corpus spécialisés, d’autres sont spécifiques à un domaine ou à un corpus. Plus grave encore, les marqueurs peuvent expliciter des relations de nature différente d’un corpus à l’autre.

FIGURE 7.9. Identification automatique d’une relation sémantique

95Pour contrer une partie de ces problèmes, certains systèmes font d’abord émerger les marqueurs productifs d’un corpus avant de procéder à l’identification proprement dite. Cette approche, d’abord proposée par Hearst (1992), a par la suite été implémentée avec des variantes par Morin (1999) dans un extracteur appelé Promothée et par Séguéla (1999) dans un outil appelé Caméléon.

96On procède généralement de la manière suivante.

• À partir d’une ressource externe (par exemple, un thésaurus ou une liste de termes déjà approuvée, voir la section suivante) où une relation sémantique a déjà été identifiée, l’extracteur recherche les contextes dans lesquels apparaissent les termes.

• À partir de ces contextes, l’extracteur dégage les marqueurs de relations les plus productifs et en constitue une liste.

• Cette liste est ensuite projetée sur le corpus pour retrouver les contextes où apparaissent d’autres termes.

97Même si la recherche de marqueurs ne permet pas de dégager toutes les relations sémantiques entre les termes d’un corpus, elle a au moins le mérite d’étiqueter la relation qu'elles mettent au jour. L’analyse de la combinatoire, comme on l’a vu, permet de construire des classes, mais ne dit rien de la relation sémantique existant entre ses membres.

Utiliser des ressources externes

98Certaines relations sémantiques échappent aux analyses qui s’appuient sur la forme du terme et sur des indices contextuels. La synonymie, par exemple, peut lier deux termes aux formes très éloignées. En outre, il est fort peu probable que des synonymes apparaissent dans le même contexte ou que la relation soit annoncée par un marqueur explicite.

99Les remarques qui précèdent ne s’appliquent pas uniquement à la synonymie. D’autres termes peuvent partager une relation sémantique sans que cette dernière soit signalée dans le texte.

100Pour pallier ce problème, on utilise de plus en plus des ressources externes, c’est-à-dire des dictionnaires généraux ou spécialisés ou, encore, des thésaurus en format électronique. Ceux-ci varient en fonction de l’application en vue et de la nature de la relation sémantique recherchée mais, d’une manière générale, ils servent à guider l’exploration automatisée du corpus spécialisé.

101Un dictionnaire général, appelé WordNet, est fréquemment sollicité pour ce type de tâche puisqu’il décrit, pour un nombre relativement élevé de mots anglais, une multitude de liens sémantiques. En ce qui concerne les noms, par exemple, le dictionnaire explicite formellement tout un réseau de liens d’hyperonymie, d’hyponymie, de méronymie, d’holonymie, de synonymie et de co-hyponymie. Nous reparlerons de ce dictionnaire particulier au chapitre 8.

102Les ressources externes sont exploitées pour dégager différents types de relations sémantiques. La section précédente a montré comment elles servaient à retrouver des contextes contenant les indices d’une relation sémantique. Nous présentons dans cette section une technique un peu différente qui vise à retrouver des liens de synonymie. La méthode, développée par Hamon et al. (1999) fait intervenir différentes ressources lexicales et notamment un dictionnaire général, à savoir, Le Robert. Voici comment on procède :

• Le système utilise comme point de départ une liste de candidats produite par un extracteur de termes et contenant, par conséquent, des syntagmes nominaux.

• Il a accès aux liens entre synonymes décrits dans le dictionnaire Le Robert. Les synonymes doivent obligatoirement appartenir à la même partie du discours (par exemple, commande donné comme synonyme d’ordre). Les liens établis dans le dictionnaire serviront à guider le regroupement éventuel des candidats.

• D’une manière générale, si la tête ou le modificateur est défini comme étant un synonyme d’une composante correspondante dans un autre terme complexe, les deux termes complexes sont définis comme étant des synonymes. Les cas de figures admis par le système sont les suivants (les exemples sont tirés de Hamon et al., 1999).

• Les composantes synonymes apparaissent comme têtes des syntagmes nominaux. En vertu de ce principe, la séquence commande manuelle est définie comme étant synonyme d’ordre manuel.

• Les composantes synonymes sont des modificateurs. Ainsi, action de protection et action de sauvegarde sont considérés comme des synonymes.

• Deux composantes dans une séquence sont définies comme étant des synonymes, ce qui permet de traiter classement d’équipement et classification de matériel comme synonymes.

103Cette méthode permet effectivement de relier des termes synonymes de façon automatique. Toutefois, les résultats annoncés par les chercheurs révèlent que certaines paires de termes identifiées comme synonymes partagent en fait une autre relation sémantique (un lien d’hyperonymie, par exemple). En outre, certains synonymes échappent à cette forme d’identification automatique puisque les termes ne sont pas tous répertoriés dans les ressources lexicales consultées. Ainsi, dans ce type d’approche, le regroupement dépend non seulement de la qualité de l’extraction de termes et de la couverture du corpus, mais aussi de l’exhaustivité des ressources externes mises à contribution.

104On peut également faire appel à des ressources lexicales plus spécialisées pour détecter d’autres types de relations sémantiques, mais il ressort que les répertoires ont tous des lacunes lorsqu’on les envisage du point de vue de l’établissement des relations sémantiques à partir de corpus. Ils ont souvent été conçus en vue d’une application spécifique qui n’a rien à voir avec l’exploitation qu’on peut en faire sur des textes. Toutefois, il semble que la combinaison de différentes ressources externes constitue une avenue plus prometteuse.

Conclusion

105Ce chapitre a montré qu’on pouvait faire beaucoup plus aujourd’hui qu’extraire des termes simples ou complexes et les organiser en listes triées alphabétiquement ou par fréquence décroissante.

106Des outils informatiques retrouvent des collocations et permettent au terminographe de s’attarder sur les combinaisons dans lesquelles entrent les termes. D’autres extracteurs établissent des équivalences entre les termes à partir de corpus alignés.

107En outre, différentes techniques sont mises à contribution pour mettre au jour une partie de la structure terminologique d’un domaine telle quelle est décrite dans un corpus spécialisé. Un nombre croissant d’extracteurs prennent en charge les variantes terminologiques. D’autres construisent des classes de termes en s’appuyant sur leur forme ou leur combinatoire. Des outils informatiques dégagent des relations sémantiques spécifiques entre deux termes ou plus en faisant appel à des inventaires de marqueurs ou en tentant de les faire émerger d’un corpus spécialisé. Enfin, l’exploration automatique des corpus est de plus en plus souvent guidée par une ressource externe.

108Lorsque les termes simples ou complexes, les collocations, les équivalents et l’information sémantique s’y rapportant ont été extraits—à l’aide ou non de logiciels—et qu’ils ont été validés, ils peuvent être consignés et organisés sur support informatique. Les outils autorisant cette gestion font l’objet du huitième et dernier chapitre.

Suggestions de lectures

109Un numéro spécial de la revue Terminology (2004) est consacré aux techniques qui ont fait l’objet du présent chapitre, à savoir l’extraction bilingue et la structuration des termes.

110Une synthèse des méthodes d’extraction bilingue est présentée dans Gaussier (2001) et Hull (2001). En ce qui concerne l’extraction de collocations, l’article de Smadja (1993) est une lecture incontournable. Kilgariff et Tugwell (2001) présentent différentes mesures statistiques utilisées pour identifier des collocations dans les textes.

111Le problème posé par les variantes terminologiques et leur traitement est abordé dans Daille et al. (1996) et dans Jacquemin (2001). Daille (2001) présente une méthode d’identification des adjectifs relationnels.

112On trouvera dans Zweigenbaum et Grabar (2000) et Grabar et Zweigenbaum (2004) une méthode de regroupement de variantes morphologiques dans le domaine de la médecine.

113La construction de classes de termes au moyen d’analyses distributionnelles est abordée dans Grefenstette (1994), Habert et al. (1996) et Nazarenko et al. (2001).

114Des méthodes d’identification de relations sémantiques à partir de marqueurs linguistiques sont décrites dans Hearst (1992), Morin (1999) et Séguéla (1999). Garcia (1997) aborde la question des marqueurs de la causalité.

115Des travaux d’identification de liens de synonymie sont présentés dans Hamon et al. (1999) et Hamon et Nazarenko (2001).