Extraction lexicale bilingue à partir de textes médicaux comparables

196 Pages·2015·1.9 MB·French

Extraction lexicale bilingue à partir de textes médicaux
comparables: application à la recherche d’information
translangue
Yun-Chuang Chiao
To cite this version:
Yun-ChuangChiao. Extractionlexicalebilingueàpartirdetextesmédicauxcomparables: application
à la recherche d’information translangue. Sciences du Vivant [q-bio]. Université Pierre et Marie Curie
- Paris VI, 2004. Français. ￿NNT: ￿. ￿tel-00007704￿
HAL Id: tel-00007704
https://theses.hal.science/tel-00007704
Submitted on 9 Dec 2004
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est
archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
THÈSE DE DOCTORAT DE L’UNIVERSITÉ PARIS 6
Spécialité
InformatiqueMédicale
Présentéepar
YUN-CHUANG CHIAO
Pourobtenirlegradede
DOCTEUR DE L’UNIVERSITÉ PARIS 6
Sujetdelathèse:
Extraction lexicale bilingue
à partir de textes médicaux comparables:
application à la recherche d’information translangue
soutenuele30juin2004
devantlejurycomposéde:
ChristianFluhr Rapporteur Directeurderecherche,CEAetProfesseur,INSTN
ÉricGaussier Examinateur Ingénieur,RankXeroxCenterEurope
PatrickGallinari Examinateur Professeur,UniversitéParisVI
BenoîtHabert Rapporteur Professeur,UniversitéParisXetLIMSI-CNRS
PierreLeBeux Examinateur Professeur,UniversitédeRennes
Jean-DavidSta Co-directeur Chercheur,EDFR&D
PierreZweigenbaum Directeur Ingénieur,AP-HPetProfesseur,INaLCO

Résumé
L’accroissement explosif des connaissances dans le domaine médical et l’infla-
tiontextuelleetmultilingue,notammentsurleWeb,confèrentàl’accès,l’exploitation
ou la traduction de ces informations un enjeu important. Ces traitements nécessitent
des ressources lexicales multilingues qui font partiellement défaut. L’actualisation de
cesressourcesmultilinguesestdoncuneproblématiqueclédansl’accèsàcesinforma-
tions.
Les travaux présentés ici ont été réalisés dans le cadre de l’extraction de lexique
bilingue spécialisé à partir de textes médicaux comparables. L’objectif est d’évaluer
et de proposer un outil d’aide à l’actualisation de lexique bilingue spécialisé et à la
recherched’informationtranslangueens’appuyantsurl’exploitationderessourcesbi-
linguesprovenantduWebdansledomainemédical.
Nous présentons un modèle fondé sur l’analyse distributionnelle en introduisant
à cette occasion une nouvelle notion que nous nommons symétrie distributionnelle.
En général, les modèles classiques d’extraction de lexique bilingue à partir de corpus
comparables établissent la relation de traduction entre deux mots en calculant la res-
semblanceentreleursdistributionsd’unelangueversl’autre(parexemple,dufrançais
vers l’anglais). L’hypothèse de symétrie distributionnelle postule que la ressemblance
des distributions de deux mots dans les deux directions de langues est un critère fort
dulientraductionnelentrecesmots.
Deux grandes applications de ce modèle ont été expérimentées afin de le vali-
der. Il s’agit de l’extraction d’un lexique bilingue médical (français-anglais) et de la
recherche d’information translangue. Dans le cas de l’extraction lexicale bilingue, les
résultats montrent que la prise en compte de la symétrie distributionnelle améliore la
performance de manière significative par rapport aux modèles classiques. Dans le cas
delarecherched’informationtranslangue,notremodèleaétéappliquépourtraduireet
étendre les requêtes. Les résultats montrent que lorsque les propositions de traduction
oud’extensionsontsuperviséesparl’utilisateur,ilaméliorelarecherched’information
parrapportàunetraductionbaséesurundictionnaireinitial.
Abstract
Inrecentyears,witharapidexpansionofonlineinformationavailableonmedicalweb
sites in different languages, one of the issues that have to be addressed is that of the
access and the processing of this online information. It generally assumes that large,
multilinguallexicalresourcesareavailableforeachlanguagepair. Howtoupdatethese
multilingual resources becomes an important clue, especially in a rapidly evolving
domainsuchasmedicine.
This thesis focuses on domain-specific bilingual lexicon extraction from online
medical texts. Our goal is to develop a translation method for bilingual lexicon acqui-
sition from comparable corpora and for query translation in cross-language informa-
tion retrieval (CLIR). We present here a novel approach based on words distribution
symmetry.
Traditionalapproachestobilinguallexiconextractionfromcomparablecorporaare
basedontheassumptionthatwordsthataretranslationsofeachotherwillhavesimilar
distributional profiles across languages. However, they proposed one direction extrac-
tion,onlyfromthesourcetothetargetlanguage. Thebasicintuitionofthesymmetrical
distribution is that the reciprocal distribution similarity between two words of differ-
ent languages is an effective criterion for identifying the translational affinity between
words.
On the one hand, we evaluated our model for a French-English medical lexicon
extraction. On the other hand, the extracted lexicon is used for query translation and
expansion in CLIR. The results show that our approach exploring symmetrical distri-
butionperformsbetterthanthetraditionalapproachtobilinguallexiconextraction. For
querytranslationandexpansiontasks,ourmodelimprovestheretrievalresultsonlyin
asemi-supervisedmodewhencomparedwiththedictionary-basedmethod.
2
3
Table des matières
1 Introduction 5
1.1 Problématiquegénérale . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Plangénéral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Lecorpuscommesourced’acquisitionlexicalebilingue . . . . . . . . 8
1.5 Hypothèsesetméthodologie . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Acquisitionlexicaleàpartirdecorpus 17
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Corpuscommeressourcelexicale . . . . . . . . . . . . . . . . . . . 18
2.3 Acquisitionterminologiquemonolingue . . . . . . . . . . . . . . . . 22
2.4 Acquisitionterminologiquebilingue . . . . . . . . . . . . . . . . . . 32
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 Acquisitionlexicalebilingueàpartirdecorpuscomparables:unenouvelle
approche 41
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Miseenévidencedelarelationdetraductionàpartirdescontextes . . 42
3.3 Unnouveaumodèled’extractiondelexiquebilingueàpartirdecorpus
comparables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Expériencesd’acquisitionlexicalebilinguedansledomainemédical 67
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2 Constitutionderessourcesbilingues . . . . . . . . . . . . . . . . . . 67
4.3 Expériencesd’extractiondelexiquebilinguespécialisé . . . . . . . . 72
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5 Recherched’informationtranslangue 97
5.1 WWWetmultilinguisme . . . . . . . . . . . . . . . . . . . . . . . . 97
5.2 Systèmesderecherched’informationsurleWeb . . . . . . . . . . . . 99
5.3 Problématiquedupassaged’unelangueàuneautre . . . . . . . . . . 107
4
5.4 Approchesenrecherched’informationtranslangue . . . . . . . . . . 107
5.5 Reformulationd’unerequêteparextension . . . . . . . . . . . . . . . 111
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
6 Expériencesderecherched’informationtranslangue 115
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.2 Evaluationd’unsystèmederecherched’information . . . . . . . . . 116
6.3 CollectionOHSUMED . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.4 Expériencesderecherched’informationtranslangue . . . . . . . . . . 122
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
7 Discussionetconclusion 133
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.2 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
7.3 Discussionetperspectives . . . . . . . . . . . . . . . . . . . . . . . 137
Bibliographie 145
Annexes 163
A Annexe:Expériencesd’extractionlexicalebilinguespécialisée 163
A.1 TexteextraitducorpusCISMeF . . . . . . . . . . . . . . . . . . . . 164
A.2 TexteextraitducorpusCLINIWEB . . . . . . . . . . . . . . . . . . 165
A.3 Listedesmotsvidesfrançais . . . . . . . . . . . . . . . . . . . . . . 166
A.4 Listedesmotsvidesanglais . . . . . . . . . . . . . . . . . . . . . . 169
A.5 Exemplesdecontextes . . . . . . . . . . . . . . . . . . . . . . . . . 172
A.6 Extraitdesrésultatsnumériques . . . . . . . . . . . . . . . . . . . . 173
B Annexe:Expériencesderecherched’informationtranslangue 185
B.1 ListedesrequêtesMeSH . . . . . . . . . . . . . . . . . . . . . . . . 186
Chapitre1: Introduction 5
Chapitre 1
Introduction
1.1 Problématique générale
L’inflation documentaire et notamment textuelle est une des caractéristiques du
Web depuis ses débuts. Aujourd’hui, le Web est la première source d’information du
monde professionnel. De plus en plus de textes sont disponibles sous forme électro-
niqueetl’Internetestleréseauprivilégiéd’échangeetdecommunicationdescommu-
nautésspécialisées:scientifiques,techniques,etc.
Parallèlement à cette inflation, des genres textuels nouveaux apparaissent (le
mail, le forum, le chat...) et l’on voit émerger un multilinguisme dont l’ampleur est
corrélée à ‘l’internetisation’ grandissante du monde. L’information textuelle électro-
niquedisponibleestdoncvolumineuse,diversifiéeetmultilingue.
Ledomainemédicaln’échappepasàcephénomène.L’importancecroissantedu
développement des réseaux internes dans les hôpitaux et les cliniques puis de l’In-
ternet participent à l’émergence d’un enjeu important: l’accès et l’exploitation des
informations médicales (Degoulet & Fieschi, 1991) de plus en plus nombreuses dans
uncontextebilinguevoiremultilingue.
Cette augmentation tant en volume qu’en nature des informations a des consé-
quences sur les disciplines liées aux traitements des informations textuelles. De dis-
ciplines initialement cantonnées aux laboratoires de recherche universitaires ou à des
applications très spécifiques (traduction automatique, indexation, etc.), on est passé à
une véritable ingénierie des langues qui œuvre dans le monde de l’Internet et des en-
treprises. Cette évolution répond aux besoins de rechercher, classer, explorer, traduire
l’information.
Or, l’accroissement de la production textuelle et l’évolution afférente des tech-
niquesdetraitementdecestextesontcrééunevéritablepénuriederessourceslexicales.
Traiterautomatiquementuneinformationtextuellenécessiteeneffetdesconnaissances
qui prennent la forme de lexiques, dictionnaires, ontologies... Malheureusement, le
rythme de création de ces ressources est beaucoup plus faible que le rythme de créa-
tion des néologismes lui-même corréléau rythme effréné de production des textes. Ce
6 Chapitre1: Introduction
décalageentraîneunepénuriechroniqueenressourceslexicales.Celas’expliqueparle
faitquel’acquisitionlexicaleestencoreaujourd’huilargementuneopérationmanuelle
donc longue et coûteuse. Ainsi de nombreux domaines ne disposent pas de thésauri
spécialisés et le construction de ces derniers est confrontée aux difficultés encore mal
résoluesdel’acquisitionautomatiquedeconnaissances(Grefenstette,1994b).
Dans le domaine de la médecine, les ressources lexicales existent. Par exemple
le metathésaurus UMLS1 couvre plus de 800 000 concepts et plus de 2 000 000
de chaînes de caractères issus d’une centaine de terminologies biomédicales (MeSH,
SNOMED, CIM, DSM...) (NLM, 2000)) dont beaucoup sont en langues autres que
l’anglais.Cependant,leproblèmedel’actualisationdesressourceslexicalesmédicales
notammentmultilinguesresteentier.Enparticulier,leslexiquesdoiventrendrecompte
des néologismes en usage dans les textes et ceci en plusieurs langues pour alimen-
ter les processus comme la traduction qu’elle soit automatique ou manuelle. Ceci est
particulièrement vrai pour les domaines en constante évolution (médecine, informa-
tique,intelligenceartificielle,etc.)pourlesquelslerythmeélevéd’apparitiondesnéo-
logismesnécessiteuneremiseenquestioncontinuelledeleursterminologies(Chiao&
Sta,2002).
C’est en partie en réponse à la pénurie de ressources lexicales bilingues et dans
le but d’automatiser le plus possible l’actualisation des lexiques spécialisés dans un
cadremultilingue(français-anglais)quecetravailaétéeffectué.
1.2 Plan général
Dans un premier temps, nous présentons au chapitre 1 les objectifs de ce travail
eninsistantsurcequil’amotivéetsurleshypothèsesfondamentalesquilesoutiennent.
Nousyverronsenparticulierl’importancedel’analysedistributionnelle,fondementde
l’approchedéveloppéeici.
Le deuxième chapitre aborde l’acquisition de lexique en présentant le corpus
commeélémentessentielpouryparvenir.Nousdistinguonsàcetteoccasionl’acquisi-
tionmonolinguedel’acquisitionmultilingue.
Le chapitre 3 présente le modèle et la méthodologie développés dans ce travail.
Il s’agit d’un modèle visant à extraire un lexique bilingue médical à partir de corpus
comparables. Plus précisemment, ce modèle propose pour un mot donné en français,
des candidats à sa traduction en anglais. La méthode avancée ici repose sur l’analyse
distributionnelle et sur une de ses caractéristiques ignorée jusqu’ici, la symétrie distri-
butionnelle entre les langues. Cette observation nous a amené à construire un modèle
et à proposer une nouvelle mesure, la similarité croisée répondant à cette symétrie et
rapprochantunmotetsatraduction.
Lechapitre4metenœuvrenotremodèleàtraversplusieursexpériencesd’acqui-
sitionlexicalemédicalebilingue(français-anglais).Cesexpériencesontétéconstruites
1.UnifiedMedicalLanguageSystem(http://www.nlm.nih.gov/research/umls).