Constitution d'une ressource sémantique arabe à partir de corpus multilingues alignés

357 Pages·2013·2.12 MB·French

THÈSE
Pour obtenir le grade de
DOCTEUR DE L’UNIVERSITÉ DE
GRENOBLE
Spécialité : Informatique et Sciences du Langage
Arrêté ministériel : 7 août 2006

Présentée par
Authoul Abdul Hay

Thèse dirigée par Olivier Kraif
codirigée par Francis Grossmann

préparée au sein du Laboratoire de linguistique et didactique
des langues étrangères et maternelles
dans l'École Doctorale Langues Littératures et Sciences
humaines

Constitution d’une ressource
sémantique arabe à partir de
corpus multilingues alignés

Thèse soutenue publiquement le 23 novembre 2012,
devant le jury composé de :

M. Mathieu LAFOURCADE
MCF, HDR, laboratoire LIRMM, Montpellier, Rapporteur.
M. Jean-Louis Duchet
Professeur émérite, MSHS, Poitiers, Rapporteur et président du
jury.
M. SEMMAR Nasredine
Chercheur, Laboratoire LVIC, Gif-sur-Yvette, Examinateur.
M. Francis Grossmann
Professeur, Laboratoire LIDILEM, Grenoble, Co-directeur de
thèse.
M. Olivier Kraif
Maître de conference, Laboratoire LIDILEM, Grenoble, Directeur
de thèse.
Université Joseph Fourier / Université Pierre Mendès France / Université
Stendhal / Université de Savoie / Grenoble INP

REMERCIEMENTS
J
e tiens à remercier à toutes les personnes grâce auxquelles j'ai pu mener à bien cette
thèse :
Je tiens tout d’abord à remercier mon directeur de thèse, Olivier Kraif, pour m’avoir guidée
tout au long de ces 8 années, une aventure qui a commencé dès la maîtrise et qui s’est
poursuivie jusqu’à la fin de cette thèse. Je lui remercie pour la qualité de son encadrement,
pour sa présence continuelle. Il a toujours su me guider dans mon travail de recherche et
m’a apporté une aide inestimable dans l’élaboration de mon mémoire et de ma thèse. Je le
remercie énormément pour sa patience, sa relecture, ses remarques et ses multiples
corrections scientifiques et linguistiques…
Je remercie également mon co-directeur de thèse, monsieur Francis Grossmann, pour son
assistance, ses conseils précieux, et son soutien indéfectible.
Mes respects et ma gratitude vont également aux membres de jury qui m’ont fait l’honneur
de juger ce travail. Aux rapporteurs de cette thèse, Messieurs Mathieu Lafourcade et Jean-
Louis Duchet dont les remarques m'ont permis d'améliorer le contenu de ce document. A
Monsieur Nasredine Semmar, l’examinateur, pour avoir accepté de participer au jury.
Je tiens ainsi à exprimer ma grande reconnaissance à mes proches pour leur soutien :
Je suis infiniment reconnaissante à mes parents pour leur amour, leur patience, leur
confiance, leur soutien sans faille et à tout ce qu’ils ont pu m’apporter pour franchir les
obstacles les plus difficiles.
Mes sincères remerciements à mes sœurs, Arwa pour ses bons repas, pour ces belles
discussions "détaillées", et surtout pour sa tendresse. Enas, je te remercie également "bien-
sûr" pour ton soutien financier, pour nos grandes balades, pour me partager tous les beaux
et mauvais moments de ma vie et me partager l’obsession de la découverte des nouveaux
restos…
iii
Mon mari, Loai, qui a changé positivement ma vie, qui a toujours cru en moi, même dans
les moments plus difficiles, qui a supporté mes humeurs au gré de cette thèse et qui a du
faire beaucoup des sacrifices et des concessions.
Je tiens à remercier à mon cœur, mon neveu Basil, qui m’a donné toujours l’envie de
continuer et de ne jamais abandonner mes rêves, qui m’a lassé voir le bon coté de la vie,
qui m’a fait vivre des beaux moments inoubliables et qui m’a toujours surpris par son
niveau en philosophie.
Mes remerciements sont aussi adressés à mes amis :
Shefa Abdulhay pour m’avoir toujours soutenue dans mes choix, pour nos discussions sans
fin, parce qu’elle regarde dans la même direction que moi et bien plus encore, pour être
mon ombre et simplement pour le fait qu’elle sera toujours là pour moi.
Chircu Catalina pour tous les moments salutaires de détente, pour tous les sourires que je
lui dois et toute l’aide qu'elle m'a apportée.
Wafa Alkhateeb, ma chère amie, à qui je souhaite la réalisation de ses projets et à qui je
remercie pour tous les moments de joie que j’ai partagés avec elle.
Ali Kobeissi qui m’a appris à connaitre la réalité de la vie, je lui remercie pour tous les
conseils (utiles ou non) qui m’ont encouragé à achever mon rêve, pour tous les beaux
moments partagés et pour toutes les heures qu'il a consacrées à m’expliquer les bases de
l’informatique.
Enfin j’adresse mes remerciements à Kamel Amirou "le grand joueur de guitare", Abeer
Albsool, Nadia Halazoun pour leur gentillesse et pour tout ce qu’ils m’ont offert tout au
long de cette thèse.

iv
v
Résumé :
Cette thèse vise à la mise en œuvre et à l'évaluation de techniques
d'extraction de relations sémantiques à partir d'un corpus multilingue aligné. Ces relations
seront extraites par transitivité de l'équivalence traductionnelle, deux lexèmes possédant les
mêmes équivalents dans une langue cible étant susceptibles de partager un même sens.
D'abord, nos observations porteront sur la comparaison sémantique d’équivalents
traductionnels dans des corpus multilingues alignés. A partir des équivalences, nous
tâcherons d'extraire des "cliques", ou sous-graphes maximaux complets connexes, dont
toutes les unités sont en interrelation, du fait d'une probable intersection sémantique. Ces
cliques présentent l'intérêt de renseigner à la fois sur la synonymie et la polysémie des
unités, et d'apporter une forme de désambiguïsation sémantique. Elles seront créées à partir
de l'extraction automatique de correspondances lexicales, basée sur l'observation des
occurrences et cooccurrences en corpus. Le recours à des techniques de lemmatisation sera
envisagé. Ensuite nous tâcherons de relier ces cliques avec un lexique sémantique (de type
Wordnet) afin d'évaluer la possibilité de récupérer pour les unités arabes des relations
sémantiques définies pour des unités en anglais ou en français. Ces relations permettraient
de construire automatiquement un réseau utile pour certaines applications de traitement de
la langue arabe, comme les moteurs de question-réponse, la traduction automatique, les
systèmes d’alignement, la recherche d'information, etc.
Mots-clés : Corpus multilingue aligné, désambigüisation sémantique, cliques, ressource
sémantique arabe.
vi
Abstract:
This study aims at the implementation and evaluation of techniques for
extracting semantic relations from a multilingual aligned corpus. Firstly, our observations
will focus on the semantic comparison of translational equivalents in multilingual aligned
corpus. From these equivalences, we will try to extract "cliques", which ara maximum
complete related sub-graphs, where all units are interrelated because of a probable
semantic intersection. These cliques have the advantage of giving information on both the
synonymy and polysemy of units, and providing a form of semantic disambiguation.
Secondly, we attempt to link these cliques with a semantic lexicon (like WordNet) in order
to assess the possibility of recovering, for the Arabic units, a semantic relationships already
defined for English, French or Spanish units. These relations would automatically build a
semantic resource which would be useful for different applications of NLP, such as
Question Answering systems, machine translation, alignment systems, Information
Retrieval…etc.
Keywords: Multilingual aligned corpus, semantic disambiguation, cliques, Arabic
semantic resource.
vii
viii
Table des matières
LISTES DES FIGURES ................................................................................................................. XII
LISTE DES TABLEAUX ............................................................................................................... XIII
CONVENTION D’ECRITURE ......................................................................................................... 1
INTRODUCTION ……. ..................................................................................................................... 2
CHAPITRE I : LES RESEAUX SEMANTIQUES (UTILITE, STRUCTURATION ET
LIMITES) ……. ................................................................................................................................ 11
I.1 PRESENTATION GENERALE ................................................................................................... 12
I.1.1 Définition et utilité .......................................................................................................... 12
I.2 TYPOLOGIE DES RESEAUX SEMANTIQUES ............................................................................. 14
I.2.1 La sémantique de la représentation ................................................................................. 14
I.2.2 Structuration des réseaux sémantiques............................................................................ 23
I.2.3 Formalismes de représentation de connaissances sous forme de réseaux sémantiques .. 25
I.2.3.1 Ontologie ..................................................................................................................... 25
I.2.3.2 Graphes conceptuels.................................................................................................... 27
I.2.3.3 Thésaurus .................................................................................................................... 28
I.2.3.4 Taxonomie................................................................................................................... 29
I.2.4 Des réseaux de concepts aux réseaux de sens ................................................................. 30
I.2.4.1 Lexiques sémantiques ................................................................................................. 32
I.2.4.2 Relations multilingues entre lexiques sémantiques..................................................... 32
I.3 LES RESEAUX DE TYPE " WORDNET " ................................................................................... 38
I.3.1 Présentation générale ...................................................................................................... 38
I.3.1.1 Les synsets .................................................................................................................. 39
I.3.1.2 Les relations ................................................................................................................ 40
I.3.2 Wordnets pour d’autres langues que l’arabe ................................................................... 42
I.3.2.1 EuroWordNet (EWN) ................................................................................................. 42
I.3.2.2 BalkaNet ...................................................................................................................... 44
I.3.3 Stratégies pour la construction d’un wordnet multilingue .............................................. 46
I.3.4 La langue arabe ............................................................................................................... 47
I.3.4.1 Particularité de la langue arabe ................................................................................... 47
I.3.4.2 Wordnet arabe ............................................................................................................. 50
I.4 ENJEUX ET LIMITATIONS POUR LA CONSTRUCTION DE WORDNET ......................................... 55
I.4.1 Enjeux et limitations ....................................................................................................... 55
I.5 CONCLUSION ........................................................................................................................ 58
CHAPITRE II : CLIQUES MULTILINGUES ET ORGANISATION DES SENS ................... 61
II.1 INTRODUCTION..................................................................................................................... 62
II.2 DEFINITION GENERALE DES CLIQUES .................................................................................... 63
II.3 L'UTILISATION DES CLIQUES DANS LE DOMAINE DES RESEAUX SEMANTIQUES ...................... 65
II.4 CLIQUES ET DONNEES DICTIONNAIRIQUES ............................................................................ 72
II.4.1 Une étude préliminaire .................................................................................................... 72
ix
II.4.1.1 Cause de l'ambiguïté des cliques ............................................................................ 81
II.4.1.2 Cause de la dispersion des cliques .......................................................................... 81
II.4.1.3 Evaluation ............................................................................................................... 82
II.4.1.4 Bilan ........................................................................................................................ 83
II.5 CORPUS PARALLELES ........................................................................................................... 85
II.5.1 Etat de l’art ...................................................................................................................... 85
II.5.2 Expérimentation .............................................................................................................. 87
II.5.2.1 Choix du corpus parallèle ....................................................................................... 87
II.5.2.2 Prétraitements ......................................................................................................... 89
II.5.2.3 Etiquetage et lemmatisation .................................................................................... 92
II.5.2.3.1 Etiquetage morphosyntaxiques pour les langues latines .................................... 92
II.5.2.3.2 Choix d’un étiqueteur morphosyntaxique pour les langues occidentales (fr-en-
es) ……… ........................................................................................................................... 94
II.5.2.3.3 Etiquetage morphosyntaxique pour la langue arabe .......................................... 97
II.5.2.3.4 L’étiqueteur ASVM 1.0 ..................................................................................... 101
II.5.2.4 Reformatage de sortie étiquetée ............................................................................ 105
II.5.3 Format XML et composition globale du corpus étiqueté ............................................. 106
II.5.3.1 Alignement du corpus ........................................................................................... 108
II.5.3.1.1 Alignement phrastique ...................................................................................... 108
II.5.3.1.2 Alignement lexical ............................................................................................. 111
II.5.3.2 Premiers résultats .................................................................................................. 112
II.5.3.3 Utilisation de GIZA++ .......................................................................................... 114
II.5.4 Evaluation ..................................................................................................................... 120
II.6 BILAN D'ETAPE ................................................................................................................... 123
CHAPITRE III : EXPERIMENTATION : EXTRACTION DES CLIQUES MULTILINGUES
A PARTIR D’UN CORPUS PARALLELE ................................................................................. 124
III.1 INTRODUCTION .................................................................................................................. 125
III.2 CONSTRUCTION DES TABLEAUX DE STOCKAGE DES DONNEES ............................................ 128
III.3 EXTRACTION DES CLIQUES ................................................................................................. 133
III.3.1 Examen des résultats ..................................................................................................... 136
III.4 RESULTAT DE LA CLUSTERISATION : ETUDE DE QUELQUES CAS DE FIGURE ........................ 140
III.5 EVALUATION PRELIMINAIRE DES RESULTATS APRES CLUSTERISATION ............................... 142
III.6 CONCLUSION ..................................................................................................................... 144
CHAPITRE IV :RATTACHEMENT DES CLIQUES A WORDNET ..................................... 146
IV.1 INTRODUCTION .................................................................................................................. 147
IV.2 STRUCTURE DES WORDNETS D'EWN ................................................................................. 148
IV.3 EXPERIMENTATION ............................................................................................................ 155
IV.3.1 Algorithme de rattachement des cliques à EWN .......................................................... 155
IV.3.2 Rattachement des sous-sens et des relations de WN à des unités arabes ..................... 157
IV.3.2.1 Principe de clôture transitive intra-clique ............................................................. 157
IV.3.2.2 Principe de clôture transitive inter-clique ............................................................. 158
IV.4 RESULTATS DU RATTACHEMENT ........................................................................................ 162
IV.5 EVALUATION QUALITATIVE DES RESULTATS ...................................................................... 166
IV.5.1 Validité sémantique des clusters ................................................................................... 166
x