File size: 89,107 Bytes
6fa4bc9 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 | {
"paper_id": "F13-1018",
"header": {
"generated_with": "S2ORC 1.0.0",
"date_generated": "2023-01-19T09:42:10.802293Z"
},
"title": "Extraction de lexiques bilingues \u00e0 partir de corpus comparables par combinaison de repr\u00e9sentations contextuelles",
"authors": [
{
"first": "Amir",
"middle": [],
"last": "Hazem",
"suffix": "",
"affiliation": {
"laboratory": "LINA -UMR CNRS 6241",
"institution": "",
"location": {
"addrLine": "2 rue de la houssini\u00e8re, BP 92208",
"postCode": "44322",
"settlement": "Nantes Cedex 03 R\u00c9SUM\u00c9"
}
},
"email": ""
},
{
"first": "Emmanuel",
"middle": [],
"last": "Morin",
"suffix": "",
"affiliation": {
"laboratory": "LINA -UMR CNRS 6241",
"institution": "",
"location": {
"addrLine": "2 rue de la houssini\u00e8re, BP 92208",
"postCode": "44322",
"settlement": "Nantes Cedex 03 R\u00c9SUM\u00c9"
}
},
"email": ""
}
],
"year": "",
"venue": null,
"identifiers": {},
"abstract": "La caract\u00e9risation du contexte des mots constitue le coeur de la plupart des m\u00e9thodes d'extraction de lexiques bilingues \u00e0 partir de corpus comparables. Dans cet article, nous revisitons dans un premier temps les deux principales strat\u00e9gies de repr\u00e9sentation contextuelle, \u00e0 savoir celle par fen\u00eatre ou sac de mots et celle par relations de d\u00e9pendances syntaxiques. Dans un second temps, nous proposons deux nouvelles approches qui exploitent ces deux repr\u00e9sentations de mani\u00e8re conjointe. Nos exp\u00e9riences montrent une am\u00e9lioration significative des r\u00e9sultats sur deux corpus de langue de sp\u00e9cialit\u00e9.",
"pdf_parse": {
"paper_id": "F13-1018",
"_pdf_hash": "",
"abstract": [
{
"text": "La caract\u00e9risation du contexte des mots constitue le coeur de la plupart des m\u00e9thodes d'extraction de lexiques bilingues \u00e0 partir de corpus comparables. Dans cet article, nous revisitons dans un premier temps les deux principales strat\u00e9gies de repr\u00e9sentation contextuelle, \u00e0 savoir celle par fen\u00eatre ou sac de mots et celle par relations de d\u00e9pendances syntaxiques. Dans un second temps, nous proposons deux nouvelles approches qui exploitent ces deux repr\u00e9sentations de mani\u00e8re conjointe. Nos exp\u00e9riences montrent une am\u00e9lioration significative des r\u00e9sultats sur deux corpus de langue de sp\u00e9cialit\u00e9.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Abstract",
"sec_num": null
}
],
"body_text": [
{
"text": "Les lexiques bilingues sont une ressource importante pour diff\u00e9rentes applications relevant du traitement automatique des langues comme en traduction assist\u00e9e par ordinateur ou en recherche d'information inter-langue. Bien que les travaux s'appuyant sur des corpus parall\u00e8les 1 aient montr\u00e9 de tr\u00e8s bons r\u00e9sultats, ce type de corpus reste difficile \u00e0 collecter (Fung et Yee, 1998) et 1. Un corpus parall\u00e8le est un ensemble de textes accompagn\u00e9s de leurs traductions dans une ou plusieurs langues (Bowker et Pearson, 2002) .",
"cite_spans": [
{
"start": 361,
"end": 380,
"text": "(Fung et Yee, 1998)",
"ref_id": "BIBREF7"
},
{
"start": 496,
"end": 521,
"text": "(Bowker et Pearson, 2002)",
"ref_id": "BIBREF2"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "plus particuli\u00e8rement quand il s'agit de traiter des corpus sp\u00e9cialis\u00e9s ou des couples de langues rares ou moins usit\u00e9es . L'exploitation des corpus comparables 2 a marqu\u00e9 un tournant dans la t\u00e2che d'extraction de lexiques bilingues, et suscite un int\u00e9r\u00eat constant depuis le milieu des ann\u00e9es 1990 gr\u00e2ce \u00e0 l'abondance et la disponibilit\u00e9 de tels corpus (Rapp, 1995; Fung, 1995; Rapp, 1999; D\u00e9jean et al., 2002; Gaussier et al., 2004; Laroche et Langlais, 2010) . L'essor du Web ayant sensiblement facilit\u00e9 la collecte de grandes quantit\u00e9s de donn\u00e9es multilingues, les corpus comparables se sont naturellement impos\u00e9s comme une alternative aux corpus parall\u00e8les. Ils ont donn\u00e9 lieu \u00e0 plusieurs travaux dont le d\u00e9nominateur commun est l'hypoth\u00e8se selon laquelle les mots qui sont en correspondance de traduction, ont de grandes chances d'appara\u00eetre dans les m\u00eames contextes (Rapp, 1999) . Cette hypoth\u00e8se d\u00e9coule directement de la proposition souvent cit\u00e9e de Firth (1957) : \u00ab On reconna\u00eet un mot \u00e0 ses fr\u00e9quentations \u00bb 3 . Rapp (1995) et Fung (1995) ont \u00e9t\u00e9 les premiers \u00e0 introduire les corpus comparables. Ils se sont appuy\u00e9s sur l'id\u00e9e de caract\u00e9risation du contexte des mots, contrairement aux travaux s'appuyant sur les corpus parall\u00e8les, qui eux se basaient sur des informations positionnelles. En 1998 a introduit la m\u00e9thode directe, reprise dans de nombreux travaux, notamment ceux de (Rapp, 1999) . Dans cette m\u00e9thode, la traduction d'un mot comporte plusieurs \u00e9tapes. Le mot est tout d'abord caract\u00e9ris\u00e9 par un vecteur repr\u00e9sentatif de son contexte. Puis, ce vecteur est traduit dans la langue cible \u00e0 l'aide d'un dictionnaire aussi appel\u00e9 lexique de transfert ou lexique pivot. Enfin, il reste \u00e0 comparer ce vecteur avec tous les vecteurs de contexte des mots de la langue cible, et en extraire les n plus proches comme traductions candidates. Par la suite, une partie des travaux a port\u00e9 sur l'adaptation et l'am\u00e9lioration de cette m\u00e9thode \u00e0 diff\u00e9rents types de corpus (corpus de langue g\u00e9n\u00e9rale ou de sp\u00e9cialit\u00e9), et \u00e0 diff\u00e9rentes langues et diff\u00e9rents types de termes (termes simples, termes complexes, collocations, etc.) (D\u00e9jean et Gaussier, 2002) , . De nouvelles m\u00e9thodes ont \u00e9galement \u00e9t\u00e9 propos\u00e9es telles que l'approche par similarit\u00e9 interlangue (D\u00e9jean et Gaussier, 2002) , l'utilisation de l'Analyse en Composantes Canoniques (CCA) (Haghighi et al., 2008) . R\u00e9cemment, Li et Gaussier (2010) et Li et al. (2011) se sont int\u00e9ress\u00e9s \u00e0 l'aspect inverse qui consiste \u00e0 am\u00e9liorer la comparabilit\u00e9 des corpus comparables afin d'augmenter l'efficacit\u00e9 des m\u00e9thodes d'extraction de lexiques bilingues.",
"cite_spans": [
{
"start": 353,
"end": 365,
"text": "(Rapp, 1995;",
"ref_id": "BIBREF22"
},
{
"start": 366,
"end": 377,
"text": "Fung, 1995;",
"ref_id": "BIBREF6"
},
{
"start": 378,
"end": 389,
"text": "Rapp, 1999;",
"ref_id": "BIBREF24"
},
{
"start": 390,
"end": 410,
"text": "D\u00e9jean et al., 2002;",
"ref_id": "BIBREF4"
},
{
"start": 411,
"end": 433,
"text": "Gaussier et al., 2004;",
"ref_id": "BIBREF11"
},
{
"start": 434,
"end": 460,
"text": "Laroche et Langlais, 2010)",
"ref_id": "BIBREF14"
},
{
"start": 872,
"end": 884,
"text": "(Rapp, 1999)",
"ref_id": "BIBREF24"
},
{
"start": 958,
"end": 970,
"text": "Firth (1957)",
"ref_id": "BIBREF5"
},
{
"start": 1018,
"end": 1019,
"text": "3",
"ref_id": null
},
{
"start": 1022,
"end": 1033,
"text": "Rapp (1995)",
"ref_id": "BIBREF22"
},
{
"start": 1037,
"end": 1048,
"text": "Fung (1995)",
"ref_id": "BIBREF6"
},
{
"start": 1300,
"end": 1307,
"text": "En 1998",
"ref_id": null
},
{
"start": 1392,
"end": 1404,
"text": "(Rapp, 1999)",
"ref_id": "BIBREF24"
},
{
"start": 2136,
"end": 2162,
"text": "(D\u00e9jean et Gaussier, 2002)",
"ref_id": "BIBREF4"
},
{
"start": 2266,
"end": 2292,
"text": "(D\u00e9jean et Gaussier, 2002)",
"ref_id": "BIBREF4"
},
{
"start": 2354,
"end": 2377,
"text": "(Haghighi et al., 2008)",
"ref_id": "BIBREF13"
},
{
"start": 2391,
"end": 2412,
"text": "Li et Gaussier (2010)",
"ref_id": "BIBREF15"
},
{
"start": 2416,
"end": 2432,
"text": "Li et al. (2011)",
"ref_id": "BIBREF16"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "La plupart des travaux utilisant les corpus comparables ont comme d\u00e9nominateur commun le contexte, qui repr\u00e9sente le coeur de l'extraction lexicale bilingue. La question principale \u00e0 se poser est alors la suivante : \u00e9tant donn\u00e9 un mot quelconque, comment choisir les mots qui caract\u00e9risent au mieux son contexte ? Selon l'\u00e9tat de l'art, le contexte d'un mot donn\u00e9 est habituellement repr\u00e9sent\u00e9 par les mots faisant partie de son environnement, c'est-\u00e0-dire, les mots qui l'entourent. Ces mots sont extraits, soit \u00e0 l'aide d'une fen\u00eatre contextuelle (Rapp, 1999; D\u00e9jean et Gaussier, 2002) , soit \u00e0 l'aide des relations de d\u00e9pendances syntaxiques (Gamallo, 2007) . L'un des probl\u00e8mes sous-jacent au contexte extrait \u00e0 l'aide des fen\u00eatres contextuelles est le choix de la taille des fen\u00eatres. Celle-ci est habituellement fix\u00e9e empiriquement, et bien que diff\u00e9rentes \u00e9tudes aient montr\u00e9 une tendance \u00e0 choisir des fen\u00eatres de petite taille quand il s'agit de caract\u00e9riser des mots fr\u00e9quents, et des fen\u00eatres de grande taille quand il s'agit de caract\u00e9riser des mots peu fr\u00e9quents (Prochasson et Morin, 2009) , cela reste impr\u00e9cis car il n'y a toujours pas de m\u00e9thode dite optimale pour le choix de la taille de la fen\u00eatre contextuelle. Quant aux relations de d\u00e9pendances syntaxiques, leur efficacit\u00e9 est tr\u00e8s sensible \u00e0 la taille des corpus, et bien que cette repr\u00e9sentation soit plus int\u00e9ressante d'un point de vue s\u00e9mantique, elle atteint ses limites lorsqu'il s'agit de traiter des corpus de petite taille. Une proposition, qui vient naturellement \u00e0 l'esprit consiste \u00e0 utiliser conjointement ces deux repr\u00e9sentations afin de tirer profit de leurs avantages respectifs. Une premi\u00e8re approche exploitant les deux repr\u00e9sentations propos\u00e9e par Andrade et al. (2011) combine quatre mod\u00e8les statistiques et compare les d\u00e9pendances lexicales pour identifier les traductions candidates. Dans cet article, nous proposons une autre mani\u00e8re de combiner les deux pr\u00e9c\u00e9dentes repr\u00e9sentations contextuelles, partant de l'intuition que cette combinaison permettrait un lissage du contexte en prenant en compte deux informations compl\u00e9mentaires qui sont : (i) l'information globale v\u00e9hicul\u00e9e par la repr\u00e9sentation par fen\u00eatre contextuelle et (ii) une information s\u00e9mantique plus fine apport\u00e9e par les relations de d\u00e9pendances syntaxiques. L'objectif \u00e9tant d'am\u00e9liorer la repr\u00e9sentation contextuelle et les performances de l'extraction de lexiques bilingues \u00e0 partir de corpus comparables.",
"cite_spans": [
{
"start": 549,
"end": 561,
"text": "(Rapp, 1999;",
"ref_id": "BIBREF24"
},
{
"start": 562,
"end": 587,
"text": "D\u00e9jean et Gaussier, 2002)",
"ref_id": "BIBREF4"
},
{
"start": 645,
"end": 660,
"text": "(Gamallo, 2007)",
"ref_id": "BIBREF8"
},
{
"start": 1076,
"end": 1103,
"text": "(Prochasson et Morin, 2009)",
"ref_id": "BIBREF21"
},
{
"start": 1740,
"end": 1761,
"text": "Andrade et al. (2011)",
"ref_id": "BIBREF0"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Dans la suite de cet article, nous pr\u00e9sentons en section 2 les deux principales strat\u00e9gies de repr\u00e9sentations contextuelles. La section 3 d\u00e9crit ensuite nos deux approches de combinaison de contextes. La section 4 se concentre sur l'\u00e9valuation des m\u00e9thodes mises en oeuvre. Nous terminons enfin par une discussion en section 5 et une conclusion en section 6. ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Afin de mieux repr\u00e9senter le contexte d'un mot, plusieurs travaux se sont int\u00e9ress\u00e9s aux relations de d\u00e9pendances syntaxiques (Gamallo, 2008a; Garera et al., 2009) . L'id\u00e9e n'est plus de repr\u00e9senter le contexte seulement par les mots avoisinants mais de rajouter une information suppl\u00e9mentaire qui sp\u00e9cifie le type de relation syntaxique entre les mots. Une relation de d\u00e9pendance est une relation binaire asym\u00e9trique entre un mot appel\u00e9 t\u00eate ou parent (Head or parent) et un modificateur ou d\u00e9pendant (modifier or dependant). Les relations de d\u00e9pendances forment un arbre qui inter-connecte tous les mots d'une phrase. Un mot dans une phrase peut avoir plusieurs modificateurs mais chaque mot ne peut modifier qu'au plus un seul mot (Lin, 1998 Gamallo (2008b) . Dans Gamallo (2007) , trois notions \u00e9l\u00e9mentaires de d\u00e9notation sont abord\u00e9es : -Les mots lexicaux ; -Les d\u00e9pendances syntaxiques (sujet, relation d'objet direct, relation pr\u00e9positionnelle entre deux noms, relation pr\u00e9positionnelle entre un verbe et un nom, etc.) ; -Les mod\u00e8les lexico-syntaxiques qui consiste \u00e0 combiner les mots et leurs cat\u00e9gories syntaxiques en terme de d\u00e9pendance ( Noun+ subj + Verb).",
"cite_spans": [
{
"start": 126,
"end": 142,
"text": "(Gamallo, 2008a;",
"ref_id": "BIBREF9"
},
{
"start": 143,
"end": 163,
"text": "Garera et al., 2009)",
"ref_id": "BIBREF10"
},
{
"start": 734,
"end": 744,
"text": "(Lin, 1998",
"ref_id": "BIBREF17"
},
{
"start": 745,
"end": 760,
"text": "Gamallo (2008b)",
"ref_id": "BIBREF9"
},
{
"start": 768,
"end": 782,
"text": "Gamallo (2007)",
"ref_id": "BIBREF8"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Cooccurrences syntaxiques",
"sec_num": "2.2"
},
{
"text": "Les mots lexicaux repr\u00e9sentent des ensembles de propri\u00e9t\u00e9s {Noun, Verb, Adj, Adv ... } alors que les d\u00e9pendances et les mod\u00e8les lexico-syntaxiques sont d\u00e9finis comme des op\u00e9rations sur ces ensembles. Une d\u00e9pendance est une relation binaire qui prend en entr\u00e9e deux ensembles de propri\u00e9t\u00e9s et donne en sortie un ensemble plus restreint qui est l'intersection des ensembles donn\u00e9es en entr\u00e9e. Nous retrouvons sept types de relations de d\u00e9pendances (Gamallo, 2007) r\u00e9sum\u00e9s dans la table 2.",
"cite_spans": [
{
"start": 446,
"end": 461,
"text": "(Gamallo, 2007)",
"ref_id": "BIBREF8"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Cooccurrences syntaxiques",
"sec_num": "2.2"
},
{
"text": "Par exemple, pour le mot recurrence, il existe une relation Lmod avec l'adjectif local. Ainsi dans le processus de construction du contexte de recurrence, nous comptabiliserons le nombre de fois o\u00f9 l'adjectif local appara\u00eet \u00e0 gauche de recurrence dans le corpus. Nous ferons de m\u00eame pour les autres relations de d\u00e9pendances syntaxiques. ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Cooccurrences syntaxiques",
"sec_num": "2.2"
},
{
"text": "Nous nous positionnons ici dans le cadre de l'am\u00e9lioration de la m\u00e9thode directe d\u00e9crite dans plusieurs travaux dont et Rapp (1999) . Notre d\u00e9marche vise \u00e0 montrer que l'exploitation des deux principales repr\u00e9sentations contextuelles a un int\u00e9r\u00eat particulier pour la t\u00e2che de constitution de lexiques bilingues. Nous proposons donc deux mani\u00e8res de combiner les contextes (graphique et syntaxique) que nous appellerons : la combinaison a posteriori des contextes et la combinaison a priori des contextes.",
"cite_spans": [
{
"start": 120,
"end": 131,
"text": "Rapp (1999)",
"ref_id": "BIBREF24"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Combinaison de contextes",
"sec_num": "3"
},
{
"text": "Une premi\u00e8re mani\u00e8re de combiner les deux repr\u00e9sentations contextuelles est une combinaison a posteriori, c'est-\u00e0-dire la combinaison des scores renvoy\u00e9s par la m\u00e9thode directe selon les deux repr\u00e9sentations. La seconde mani\u00e8re consiste en une combinaison a priori qui utilise les deux informations contextuelles a priori dans un m\u00eame vecteur pour ensuite appliquer la m\u00e9thode directe une seule fois sur l'ensemble du corpus.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Combinaison de contextes",
"sec_num": "3"
},
{
"text": "Dans le domaine de la recherche d'information, la combinaison de plusieurs listes renvoy\u00e9es par diff\u00e9rents moteurs de recherche est souvent utilis\u00e9e pour am\u00e9liorer les performances d'un syst\u00e8me de questions/r\u00e9ponses (Aslam et Montague, 2001) . Nous partons du principe que chaque repr\u00e9sentation du contexte correspond \u00e0 une m\u00e9thode bien d\u00e9finie. Nous nous retrouvons donc dans le cas d'une combinaison de deux m\u00e9thodes bien distinctes. La premi\u00e8re est la m\u00e9thode directe bas\u00e9e sur une repr\u00e9sentation graphique et la seconde est la m\u00e9thode directe bas\u00e9e sur une repr\u00e9sentation syntaxique. Une mani\u00e8re classique de fusionner les deux m\u00e9thodes est de prendre, comme entr\u00e9e, la sortie de chacune des m\u00e9thodes cit\u00e9es. Dans notre cas, pour chaque mot \u00e0 traduire, nous prenons comme entr\u00e9e une liste de scores retourn\u00e9e par chacune des deux m\u00e9thodes, puis nous fusionnons les deux listes par une simple combinaison arithm\u00e9tique des scores. Ceci nous donne une nouvelle liste de mots ordonn\u00e9s (sachant que les scores fusionn\u00e9s sont compatibles \u00e0 partir du moment o\u00f9 nous utilisons la m\u00eame mesure de similarit\u00e9 pour les deux m\u00e9thodes). En utilisant les scores comme crit\u00e8re de fusion, nous calculons le score de similarit\u00e9 d'un candidat \u00e0 la traduction, en sommant les scores qui sont renvoy\u00e9s par chacune des deux m\u00e9thodes comme suit :",
"cite_spans": [
{
"start": 216,
"end": 241,
"text": "(Aslam et Montague, 2001)",
"ref_id": "BIBREF1"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Combinaison a posteriori des contextes",
"sec_num": "3.1"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "S comb (w) = S f en (w) + S rel (w)",
"eq_num": "(1)"
}
],
"section": "Combinaison a posteriori des contextes",
"sec_num": "3.1"
},
{
"text": "o\u00f9 S comb (w) est le score final du mot w, S f en (w) est le score retourn\u00e9 par la m\u00e9thode directe bas\u00e9e sur une repr\u00e9sentation graphique et S rel (w) est le score retourn\u00e9 par la m\u00e9thode directe bas\u00e9e sur une repr\u00e9sentation syntaxique.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Combinaison a posteriori des contextes",
"sec_num": "3.1"
},
{
"text": "Cette \u00e9quation peut aussi s'\u00e9crire comme suit :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Combinaison a posteriori des contextes",
"sec_num": "3.1"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "S comb (w) = (\u03bb) \u00d7 S f en (w) + (1 \u2212 \u03bb) \u00d7 S rel (w)",
"eq_num": "(2)"
}
],
"section": "Combinaison a posteriori des contextes",
"sec_num": "3.1"
},
{
"text": "avec \u03bb comme indice de confiance donn\u00e9 \u00e0 chaque m\u00e9thode (\u03bb \u2208 [0, 1]). Dans notre cas, \u03bb = 0, 5, notre but n'\u00e9tant pas de trouver la valeur optimale de \u03bb pour obtenir les meilleurs r\u00e9sultats. Diff\u00e9rentes exp\u00e9riences ont \u00e9t\u00e9 men\u00e9es qui indiquent que les meilleurs r\u00e9sultats sont globalement ceux montr\u00e9s dans la section 4 avec un lambda \u2208 [0, 5, 0, 6]. Par ailleurs, d'autres m\u00e9thodes de combinaisons de scores ont \u00e9t\u00e9 test\u00e9es comme la combinaison harmonique des rangs et des scores (Morin, 2009) , mais la m\u00e9thode que nous avons choisi (combinaison arithm\u00e9tique des scores) est celle qui donne les meilleures performances. Les tables 4, 5 et 6 ont montr\u00e9 que l'utilisation du taux de vraisemblance et du Odds-Ratio dans la m\u00e9thode de combinaison a priori avait un apport positif contrairement \u00e0 l'utilisation de l'information mutuelle. Ce constat se confirme par les r\u00e9sultats des exp\u00e9riences que nous pr\u00e9sentons dans la section suivante.",
"cite_spans": [
{
"start": 481,
"end": 494,
"text": "(Morin, 2009)",
"ref_id": "BIBREF18"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Combinaison a posteriori des contextes",
"sec_num": "3.1"
},
{
"text": "Nous avons utilis\u00e9 deux corpus sp\u00e9cialis\u00e9s fran\u00e7ais-anglais, \u00e0 savoir un corpus du \u00ab cancer du sein \u00bb d'un million de mots et un corpus \u00ab \u00e9nergies renouvelables \u00bb de 600 000 mots. Le corpus du cancer du sein a \u00e9t\u00e9 extrait \u00e0 partir du portail Elsevier 4 tel que d\u00e9crit dans l'article Morin (2009) . Concernant le corpus des \u00e9nergies renouvelables, il a \u00e9t\u00e9 construit avec le crawler nomm\u00e9 Babook (Groc, 2011) . Les deux corpus ont \u00e9t\u00e9 pr\u00e9-trait\u00e9s (tokenis\u00e9s, \u00e9tiquet\u00e9s, et lemmatis\u00e9s). Pour \u00e9valuer les diff\u00e9rentes approches utilis\u00e9es dans cet article, nous avons s\u00e9lectionn\u00e9 122 couples de mots simples pour le corpus du cancer du sein (\u00e0 partir du meta-thesaurus UMLS 5 et du Grand dictionnaire terminologique 6 ) et 100 couples de mots simples pour le corpus des \u00e9nergies renouvelables (\u00e0 partir du dictionnaire en ligne WordReference 7",
"cite_spans": [
{
"start": 283,
"end": 295,
"text": "Morin (2009)",
"ref_id": "BIBREF18"
},
{
"start": 395,
"end": 407,
"text": "(Groc, 2011)",
"ref_id": "BIBREF12"
},
{
"start": 711,
"end": 712,
"text": "6",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Ressources linguistiques",
"sec_num": "4.1"
},
{
"text": "). Comme dictionnaire bilingue nous avons utilis\u00e9 le dictionnaire ELRA-M0033. Concernant l'extraction des relations de d\u00e9pendances syntaxiques, nous avons utilis\u00e9 l'outil fournit par Gamallo (2008a) 8 .",
"cite_spans": [
{
"start": 183,
"end": 200,
"text": "Gamallo (2008a) 8",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Ressources linguistiques",
"sec_num": "4.1"
},
{
"text": "Nous pr\u00e9sentons les r\u00e9sultats des exp\u00e9riences men\u00e9es sur les deux corpus de langue de sp\u00e9cialit\u00e9. Nous \u00e9valuons la m\u00e9thode directe bas\u00e9e sur une repr\u00e9sentation graphique not\u00e9e w = k, o\u00f9 k correspond \u00e0 la taille de la fen\u00eatre (k prend les valeurs : 5, 9 et 15). La m\u00e9thode directe bas\u00e9e sur une repr\u00e9sentation syntaxique not\u00e9e Rel Dep, et nos deux nouvelles approches, c'est-\u00e0-dire la combinaison a posteriori des contextes not\u00e9e C omb post (qui combine les scores de w = k et de Rel Dep) et la combinaison a priori des contextes not\u00e9e C omb apri (qui exploite les contextes fournis par une fen\u00eatre contextuelle w = k et les relations de d\u00e9pendances Rel Dep conjointement dans un m\u00eame vecteur, pour ensuite appliquer la m\u00e9thode directe). La comparaison des quatre m\u00e9thodes se fait en fonction de la pr\u00e9cision pour les tops 1 et 10. Ainsi une pr\u00e9cision au top 10 not\u00e9e P10, veut dire que la bonne traduction est pr\u00e9sente parmi les 10 candidats renvoy\u00e9s par la m\u00e9thode. Nous utilisons aussi la mesure MAP qui renvoie une vision plus globale sur le comportement de chaque m\u00e9thode (Laroche et Langlais, 2010) . Comme la m\u00e9thode directe est tr\u00e8s sensible aux mesures d'association et de similarit\u00e9 utilis\u00e9es, nous avons choisi les 3 couples de mesures les plus connus dans l'\u00e9tat de l'art, \u00e0 savoir : le taux de vraisemblance et le Jaccard not\u00e9 (Log-Jac) (Morin, 2009) , le Odds-Ratio et le cosinus not\u00e9 (Odds-Cos) (Laroche et Langlais, 2010) ainsi que l'information mutuelle et le cosinus not\u00e9 (Im-Cos) (Gamallo, 2008a) . Ainsi, chaque case de la 41,80 77,05 0,536 38,52 75,41 0,492 16,39 40,16 0, ",
"cite_spans": [
{
"start": 1076,
"end": 1103,
"text": "(Laroche et Langlais, 2010)",
"ref_id": "BIBREF14"
},
{
"start": 1349,
"end": 1362,
"text": "(Morin, 2009)",
"ref_id": "BIBREF18"
},
{
"start": 1409,
"end": 1436,
"text": "(Laroche et Langlais, 2010)",
"ref_id": "BIBREF14"
},
{
"start": 1498,
"end": 1514,
"text": "(Gamallo, 2008a)",
"ref_id": "BIBREF9"
}
],
"ref_spans": [
{
"start": 1542,
"end": 1592,
"text": "41,80 77,05 0,536 38,52 75,41 0,492 16,39 40,16 0,",
"ref_id": null
}
],
"eq_spans": [],
"section": "R\u00e9sultats",
"sec_num": "4.2"
},
{
"text": "Le but de ce travail \u00e9tait dans un premier temps, de comparer les deux principales repr\u00e9sentations contextuelles utilis\u00e9es dans la m\u00e9thode directe, et dans un second temps de proposer deux ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "5"
},
{
"text": "MAP P1 P10 MAP P1 P10 MAP",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "5"
},
{
"text": "Rel Dep 18,00 40,00 0,257 09,00 32,00 0,163 11,00 41,00 0,191 w = 5 18,00 47,00 0,272 13,00 41,00 0,217 14,00 44,00 0,221 C omb post 28,00 55,00 0,365 22,00 59,00 0,335 21,00 55,00 0,321 C omb apri 28,00 56,00 0,354 20,00 55,00 0,317 09,00 38,00 0,177",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "5"
},
{
"text": "--- --- --- Rel Dep",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "5"
},
{
"text": "18,00 40,00 0,257 09,00 32,00 0,163 11,00 41,00 0,191 w = 9 21,00 42,00 0,270 11,00 36,00 0,194 08,00 31,00 0,152 C omb post 28,00 54,00 0,358 23,00 55,00 0,334 20,00 49,00 0,289 C omb apri 26,00 52,00 0,350 19,00 55,00 0,318 07,00 29,00 0,137 -",
"cite_spans": [],
"ref_spans": [
{
"start": 120,
"end": 245,
"text": "post 28,00 54,00 0,358 23,00 55,00 0,334 20,00 49,00 0,289 C omb apri 26,00 52,00 0,350 19,00 55,00 0,318 07,00 29,00 0,137",
"ref_id": null
}
],
"eq_spans": [],
"section": "Discussion",
"sec_num": "5"
},
{
"text": "-- --- --- Rel Dep",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "5"
},
{
"text": "18,00 40,00 0,257 09,00 32,00 0,163 11,00 41,00 0,191 w = 15 12,00 34,00 0,207 06,00 35,00 0,143 03,00 22,00 0,093 C omb post 22,00 50,00 0,316 20,00 52,00 0,316 13,00 42,00 0,234 C omb apri 22,00 52,00 0,311 20,00 49,00 0,314 06,00 24,00 0,118 --------- nouvelles mani\u00e8res de les combiner pour augmenter les performances. La premi\u00e8re remarque concerne l'utilisation de la repr\u00e9sentation graphique w = k. Il est \u00e9vident que le choix de la taille de la fen\u00eatre joue un r\u00f4le important, comme nous avons pu le constater dans les diff\u00e9rentes exp\u00e9riences montr\u00e9es dans les tables 7 et 8. Dans la plupart des cas, ce sont des fen\u00eatres de taille 5 et 9 qui donnent les meilleurs r\u00e9sultats. Ceci montre que la caract\u00e9risation du contexte des mots par ceux qui leurs sont tr\u00e8s proches semble \u00eatre la mani\u00e8re la plus ad\u00e9quate, si l'on se base sur une caract\u00e9risation par fen\u00eatre contextuelle. Le fait de choisir des fen\u00eatres de taille plus grande n'am\u00e9liore pas significativement les r\u00e9sultats dans nos exp\u00e9riences.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "5"
},
{
"text": "La deuxi\u00e8me remarque concerne la m\u00e9thode par repr\u00e9sentation syntaxique Rel Dep. Cette m\u00e9thode utilis\u00e9e par Gamallo (2008a) donne dans ses exp\u00e9riences de meilleurs r\u00e9sultats que la m\u00e9thode par repr\u00e9sentation graphique. Cependant dans nos exp\u00e9riences, la m\u00e9thode Rel Dep reste globalement en de\u00e7\u00e0 de w = k. Ceci s'explique par deux facteurs. Le premier concerne la taille des corpus. Gamallo (2008a) avait utilis\u00e9 des corpus de tr\u00e8s grande taille (10 millions de mots environs) contrairement \u00e0 nos corpus sp\u00e9cialis\u00e9s qui sont de petite taille (600 000 et 1 million de mots). Le deuxi\u00e8me facteur, qui est directement li\u00e9 au premier, concerne la mani\u00e8re de consid\u00e9rer les entr\u00e9es des vecteurs de contexte de la m\u00e9thode Rel Dep. Si dans le vecteur de contexte d'un mot X , il existe un mot Y avec une relation Lmod de X avec un score S Y Lmod et une autre relation Rob j avec un score S Y Rob j , alors dans ce vecteur de contexte Y Lmod et Y Rob j sont consid\u00e9r\u00e9s comme \u00e9tant deux mots diff\u00e9rents, bien que ce soit le m\u00eame mot avec deux relations de d\u00e9pendances distinctes, ce qui rend la m\u00e9thode Rel Dep plus sensible aux petits corpus que w = k. Ceci explique les performances de la m\u00e9thode de combinaison a priori des contextes. En effet, la m\u00e9thode C omb apri comble le manque de la m\u00e9thode Rel Dep, car elle consid\u00e8re les deux informations v\u00e9hicul\u00e9es par les deux repr\u00e9sentations contextuelles. Ainsi, le fait d'exploiter une fen\u00eatre de taille k va permettre d'avoir une information sur le nombre de fois qu'un mot appara\u00eet dans le contexte d'un autre et, comme deuxi\u00e8me information plus fine la nature des relations qui existent entre deux mots.",
"cite_spans": [
{
"start": 107,
"end": 122,
"text": "Gamallo (2008a)",
"ref_id": "BIBREF9"
},
{
"start": 382,
"end": 397,
"text": "Gamallo (2008a)",
"ref_id": "BIBREF9"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "5"
},
{
"text": "Par ailleurs, nous avons pu constater que la m\u00e9thode C omb apri \u00e9tait plus sensible aux modifications des mesures d'association et de similarit\u00e9 par rapport \u00e0 la m\u00e9thode C omb post . Ceci s'explique par le fait que C omb post agit sur les scores a posteriori alors que C omb apri agit directement sur le contenu des vecteurs de contexte. Les moins bons r\u00e9sultats sur le corpus des \u00e9nergies renouvelables s'expliquent par la moins bonne qualit\u00e9 de ce corpus en comparaison avec celui du cancer du sein, ainsi que sa plus petite taille. Son utilisation a n\u00e9anmoins permis de montrer que, m\u00eame avec un corpus de tr\u00e8s petite taille, les deux m\u00e9thodes propos\u00e9es restent plus performantes que les deux repr\u00e9sentations contextuelles prises s\u00e9par\u00e9ment.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "5"
},
{
"text": "Nous nous sommes int\u00e9ress\u00e9s dans cet article aux deux principales mani\u00e8res de repr\u00e9senter le contexte des mots, \u00e0 savoir : une repr\u00e9sentation graphique ainsi qu'une repr\u00e9sentation syntaxique. Nous avons ensuite introduit deux nouvelles techniques de combinaison de ces repr\u00e9sentations. Les deux approches de combinaisons contextuelles propos\u00e9es ont montr\u00e9 des r\u00e9sultats sup\u00e9rieurs \u00e0 l'utilisation de chaque repr\u00e9sentation s\u00e9par\u00e9ment, pour la plupart des param\u00e8tres de configurations. Nous esp\u00e9rons que ce travail ouvrira la voie \u00e0 une recherche plus approfondie concernant l'enrichissement du contenu des vecteurs de contexte par des informations multiples sur les mots les composant. Si les travaux de cet article se sont limit\u00e9s \u00e0 deux types d'informations contextuelles, d'autres informations sont envisageables comme l'utilisation de thesaurus ou d'autres informations comme les cognats, les translitt\u00e9rations, les collocations, etc.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion",
"sec_num": "6"
},
{
"text": ". Un corpus comparable est une collection de documents multilingues produits g\u00e9n\u00e9ralement \u00e0 la m\u00eame p\u00e9riode et traitant des m\u00eames sujets.3. \u00ab You shall know a word by the company it keeps \u00bb",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
},
{
"text": "c ATALA",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
}
],
"back_matter": [
{
"text": "Ce travail qui s'inscrit dans le cadre du projet CRISTAL a b\u00e9n\u00e9fici\u00e9 d'une aide de l'Agence National de la Recherche portant la r\u00e9f\u00e9rence ANR-12-CORD-0020.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Remerciements",
"sec_num": null
}
],
"bib_entries": {
"BIBREF0": {
"ref_id": "b0",
"title": "Effective use of dependency structure for bilingual lexicon creation",
"authors": [
{
"first": "D",
"middle": [],
"last": "Andrade",
"suffix": ""
},
{
"first": "T",
"middle": [],
"last": "Matsuzaki",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Tsujii",
"suffix": ""
}
],
"year": 2011,
"venue": "Proceedings of the 12th International Conference on Computational Linguistics and Intelligent Text Processing (CICLing'11)",
"volume": "",
"issue": "",
"pages": "80--92",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ANDRADE, D., MATSUZAKI, T. et TSUJII, J. (2011). Effective use of dependency structure for bilingual lexicon creation. In Proceedings of the 12th International Conference on Computational Linguistics and Intelligent Text Processing (CICLing'11), pages 80-92, Tokyo, Japan.",
"links": null
},
"BIBREF1": {
"ref_id": "b1",
"title": "Models for Metasearch",
"authors": [
{
"first": "J",
"middle": [
"A"
],
"last": "Aslam",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Montague",
"suffix": ""
}
],
"year": 2001,
"venue": "Proceedings of the 24th Annual SIGIR Conference (SIGIR'01,)",
"volume": "",
"issue": "",
"pages": "275--284",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ASLAM, J. A. et MONTAGUE, M. (2001). Models for Metasearch. In Proceedings of the 24th Annual SIGIR Conference (SIGIR'01,), pages 275-284, New Orleans, Louisiana.",
"links": null
},
"BIBREF2": {
"ref_id": "b2",
"title": "Working with Specialized Language : A Practical Guide to Using Corpora",
"authors": [
{
"first": "L",
"middle": [],
"last": "Bowker",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Pearson",
"suffix": ""
}
],
"year": 2002,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "BOWKER, L. et PEARSON, J. (2002). Working with Specialized Language : A Practical Guide to Using Corpora. Routeledge, New York, USA.",
"links": null
},
"BIBREF3": {
"ref_id": "b3",
"title": "Towards an optimal weighting of context words based on distance",
"authors": [
{
"first": "B",
"middle": [],
"last": "Brosseau-Villeneuve",
"suffix": ""
},
{
"first": "J.-Y",
"middle": [],
"last": "Nie",
"suffix": ""
},
{
"first": "N",
"middle": [],
"last": "Kando",
"suffix": ""
}
],
"year": 2010,
"venue": "Proceedings of the 23rd International Conference on Computational Linguistics (COLING'10)",
"volume": "",
"issue": "",
"pages": "107--115",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "BROSSEAU-VILLENEUVE, B., NIE, J.-Y. et KANDO, N. (2010). Towards an optimal weighting of context words based on distance. In Proceedings of the 23rd International Conference on Computational Linguistics (COLING'10), pages 107-115, Beijing, China.",
"links": null
},
"BIBREF4": {
"ref_id": "b4",
"title": "An approach based on multilingual thesauri and model combination for bilingual lexicon extraction",
"authors": [
{
"first": "H",
"middle": [],
"last": "D\u00e9jean",
"suffix": ""
},
{
"first": "\u00c9",
"middle": [],
"last": "Gaussier",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Sadat",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "D\u00e9jean",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Gaussier",
"suffix": ""
}
],
"year": 2002,
"venue": "Proceedings of the 19th International Conference on Computational Linguistics (COLING'02)",
"volume": "",
"issue": "",
"pages": "1--22",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "D\u00c9JEAN, H., GAUSSIER, \u00c9. et SADAT, F. (2002). An approach based on multilingual thesauri and model combination for bilingual lexicon extraction. In Proceedings of the 19th International Conference on Computational Linguistics (COLING'02), pages 1-7, Taipei, Taiwan. D\u00c9JEAN, H. et GAUSSIER, E. (2002). Une nouvelle approche \u00e0 l'extraction de lexiques bilingues \u00e0 partir de corpus comparables. Lexicometrica, Alignement Lexical dans les Corpus Multilingues, pages 1-22.",
"links": null
},
"BIBREF5": {
"ref_id": "b5",
"title": "A synopsis of linguistic theory 1930-1955",
"authors": [
{
"first": "J",
"middle": [
"R"
],
"last": "Firth",
"suffix": ""
}
],
"year": 1957,
"venue": "Studies in Linguistic Analysis (special volume of the Philological Society)",
"volume": "",
"issue": "",
"pages": "1--32",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FIRTH, J. R. (1957). A synopsis of linguistic theory 1930-1955. In Studies in Linguistic Analysis (special volume of the Philological Society), pages 1-32. Blackwell, Oxford.",
"links": null
},
"BIBREF6": {
"ref_id": "b6",
"title": "A statistical view on bilingual lexicon extraction : From parallel corpora to non-parallel corpora",
"authors": [
{
"first": "P",
"middle": [],
"last": "Fung",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Farwell",
"suffix": ""
},
{
"first": "L",
"middle": [],
"last": "Gerber",
"suffix": ""
},
{
"first": "E",
"middle": [
";"
],
"last": "Hovy",
"suffix": ""
},
{
"first": "Usa",
"middle": [],
"last": "Fung",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "",
"suffix": ""
}
],
"year": 1995,
"venue": "Proceedings of Machine Translation and the Information Soup, Third Conference of the Association for Machine Translation in the Americas (AMTA'98)",
"volume": "",
"issue": "",
"pages": "1--17",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FUNG, P. (1995). Compiling Bilingual Lexicon Entries From a non-Parallel English-Chinese Corpus. In FARWELL, D., GERBER, L. et HOVY, E., \u00e9diteurs : Proceedings of the 3rd Conference of the Association for Machine Translation in the Americas (AMTA'95), pages 1-16, Langhorne, PA, USA. FUNG, P. (1998). A statistical view on bilingual lexicon extraction : From parallel corpora to non-parallel corpora. In Proceedings of Machine Translation and the Information Soup, Third Conference of the Association for Machine Translation in the Americas (AMTA'98), pages 1-17, Langhorne, PA, USA.",
"links": null
},
"BIBREF7": {
"ref_id": "b7",
"title": "An ir approach for translating new words from non parallel, comparable texts",
"authors": [
{
"first": "P",
"middle": [],
"last": "Fung",
"suffix": ""
},
{
"first": "L",
"middle": [
"Y"
],
"last": "Yee",
"suffix": ""
}
],
"year": 1998,
"venue": "Proceedings of the 17th international conference on Computational linguistics (COLING'98)",
"volume": "",
"issue": "",
"pages": "414--420",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FUNG, P. et YEE, L. Y. (1998). An ir approach for translating new words from non parallel, comparable texts. In Proceedings of the 17th international conference on Computational linguistics (COLING'98), pages 414-420, Quebec, Canada.",
"links": null
},
"BIBREF8": {
"ref_id": "b8",
"title": "Learning bilingual lexicons from comparable english and spanish corpora",
"authors": [
{
"first": "O",
"middle": [],
"last": "Gamallo",
"suffix": ""
}
],
"year": 2007,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GAMALLO, O. (2007). Learning bilingual lexicons from comparable english and spanish corpora.",
"links": null
},
"BIBREF9": {
"ref_id": "b9",
"title": "Evaluating two different methods for the task of extracting bilingual lexicons from comparable corpora",
"authors": [
{
"first": "Denmark",
"middle": [],
"last": "Copenhagen",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Gamallo",
"suffix": ""
},
{
"first": "Marroco",
"middle": [],
"last": "Marrakech",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Gamallo",
"suffix": ""
}
],
"year": 2008,
"venue": "Proceedings of LREC 2008 Workshop on Comparable Corpora (LREC'08)",
"volume": "",
"issue": "",
"pages": "19--26",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "In Proceedings of Machine Translation Summit XI, pages 191-198, Copenhagen, Denmark. GAMALLO, O. (2008a). Evaluating two different methods for the task of extracting bilingual lexicons from comparable corpora. In Proceedings of LREC 2008 Workshop on Comparable Corpora (LREC'08), pages 19-26, Marrakech, Marroco. GAMALLO, O. (2008b). The meaning of syntactic dependencies. Linguistik Online.",
"links": null
},
"BIBREF10": {
"ref_id": "b10",
"title": "Improving translation lexicon induction from monolingual corpora via dependency contexts and part-of-speech equivalences",
"authors": [
{
"first": "N",
"middle": [],
"last": "Garera",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Callison-Burch",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Yarowsky",
"suffix": ""
}
],
"year": 2009,
"venue": "Proceedings of Thirteenth Conference on Computational Natural Language Learning (CoNLL'09)",
"volume": "",
"issue": "",
"pages": "129--137",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GARERA, N., CALLISON-BURCH, C. et YAROWSKY, D. (2009). Improving translation lexicon induc- tion from monolingual corpora via dependency contexts and part-of-speech equivalences. In Proceedings of Thirteenth Conference on Computational Natural Language Learning (CoNLL'09), pages 129-137, Boulder, Colorado, USA.",
"links": null
},
"BIBREF11": {
"ref_id": "b11",
"title": "A geometric view on bilingual lexicon extraction from comparable corpora",
"authors": [
{
"first": "E",
"middle": [],
"last": "Gaussier",
"suffix": ""
},
{
"first": "J.-M",
"middle": [],
"last": "Renders",
"suffix": ""
},
{
"first": "I",
"middle": [],
"last": "Matveeva",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Goutte",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "D\u00e9jean",
"suffix": ""
}
],
"year": 2004,
"venue": "Proceedings of the 42nd Annual Meeting of the Association for Computational Linguistics (ACL'04)",
"volume": "",
"issue": "",
"pages": "526--533",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GAUSSIER, E., RENDERS, J.-M., MATVEEVA, I., GOUTTE, C. et D\u00c9JEAN, H. (2004). A geometric view on bilingual lexicon extraction from comparable corpora. In Proceedings of the 42nd Annual Meeting of the Association for Computational Linguistics (ACL'04), pages 526-533, Barcelona, Spain.",
"links": null
},
"BIBREF12": {
"ref_id": "b12",
"title": "Babouk : Focused Web Crawling for Corpus Compilation and Automatic Terminology Extraction",
"authors": [
{
"first": "C",
"middle": [
"D"
],
"last": "Groc",
"suffix": ""
}
],
"year": 2011,
"venue": "Proceedings of The IEEE WICACM International Conferences on Web Intelligence",
"volume": "",
"issue": "",
"pages": "497--498",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GROC, C. D. (2011). Babouk : Focused Web Crawling for Corpus Compilation and Automatic Terminology Extraction. In Proceedings of The IEEE WICACM International Conferences on Web Intelligence, pages 497-498, Lyon, France.",
"links": null
},
"BIBREF13": {
"ref_id": "b13",
"title": "Learning bilingual lexicons from monolingual corpora",
"authors": [
{
"first": "A",
"middle": [],
"last": "Haghighi",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Liang",
"suffix": ""
},
{
"first": "T",
"middle": [],
"last": "Berg-Kirkpatrick",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Klein",
"suffix": ""
}
],
"year": 2008,
"venue": "Proceedings of the 46nd Annual Meeting of the Association for Computational Linguistics (ACL'08)",
"volume": "",
"issue": "",
"pages": "771--779",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "HAGHIGHI, A., LIANG, P., BERG-KIRKPATRICK, T. et KLEIN, D. (2008). Learning bilingual lexicons from monolingual corpora. In Proceedings of the 46nd Annual Meeting of the Association for Computational Linguistics (ACL'08), pages 771-779, Columbus, Ohio.",
"links": null
},
"BIBREF14": {
"ref_id": "b14",
"title": "Revisiting context-based projection methods for termtranslation spotting in comparable corpora",
"authors": [
{
"first": "A",
"middle": [],
"last": "Laroche",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Langlais",
"suffix": ""
}
],
"year": 2010,
"venue": "Proceedings of the 23rd International Conference on Computational Linguistics (COLING'10)",
"volume": "",
"issue": "",
"pages": "617--625",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LAROCHE, A. et LANGLAIS, P. (2010). Revisiting context-based projection methods for term- translation spotting in comparable corpora. In Proceedings of the 23rd International Conference on Computational Linguistics (COLING'10), pages 617-625, Beijing, China.",
"links": null
},
"BIBREF15": {
"ref_id": "b15",
"title": "Improving corpus comparability for bilingual lexicon extraction from comparable corpora",
"authors": [
{
"first": "B",
"middle": [],
"last": "Li",
"suffix": ""
},
{
"first": "\u00c9",
"middle": [],
"last": "Gaussier",
"suffix": ""
}
],
"year": 2010,
"venue": "Proceedings of the 23rd International Conference on Computational Linguistics (COLING'10)",
"volume": "",
"issue": "",
"pages": "644--652",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LI, B. et GAUSSIER, \u00c9. (2010). Improving corpus comparability for bilingual lexicon extraction from comparable corpora. In Proceedings of the 23rd International Conference on Computational Linguistics (COLING'10), pages 644-652, Beijing, China.",
"links": null
},
"BIBREF16": {
"ref_id": "b16",
"title": "Degr\u00e9 de comparabilit\u00e9, extraction lexicale bilingue et recherche d'information interlingue",
"authors": [
{
"first": "Les",
"middle": [],
"last": "Taln-R\u00e9cital ; Juin",
"suffix": ""
},
{
"first": "L",
"middle": [
"I"
],
"last": "Sables D'olonne",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Gaussier",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Hazem",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "",
"suffix": ""
}
],
"year": 2011,
"venue": "Actes de la 18\u00e8me Conf\u00e9rence Traitement Automatique des Langues Naturelles (TALN'11)",
"volume": "",
"issue": "",
"pages": "283--293",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "TALN-R\u00c9CITAL 2013, 17-21 Juin, Les Sables d'Olonne LI, B., GAUSSIER, E., MORIN, E. et HAZEM, A. (2011). Degr\u00e9 de comparabilit\u00e9, extraction lexicale bilingue et recherche d'information interlingue. In Actes de la 18\u00e8me Conf\u00e9rence Traitement Automatique des Langues Naturelles (TALN'11), pages 283-293, Montpellier, France.",
"links": null
},
"BIBREF17": {
"ref_id": "b17",
"title": "Dependency-based evaluation of minipar",
"authors": [
{
"first": "D",
"middle": [],
"last": "Lin",
"suffix": ""
}
],
"year": 1998,
"venue": "Proceedings of the Workshop on the Evaluation of Parsing Systems, First International Conference on Language Resources and Evaluation (LREC'98)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LIN, D. (1998). Dependency-based evaluation of minipar. In Proceedings of the Workshop on the Evaluation of Parsing Systems, First International Conference on Language Resources and Evaluation (LREC'98), Granada, Spain.",
"links": null
},
"BIBREF18": {
"ref_id": "b18",
"title": "Apport d'un corpus comparable d\u00e9s\u00e9quilibr\u00e9 \u00e0 l'extraction de lexiques bilingues",
"authors": [
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
}
],
"year": 2009,
"venue": "Actes de la 16\u00e8me Conf\u00e9rence Traitement Automatique des Langues Naturelles (TALN'09)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MORIN, E. (2009). Apport d'un corpus comparable d\u00e9s\u00e9quilibr\u00e9 \u00e0 l'extraction de lexiques bilingues. In Actes de la 16\u00e8me Conf\u00e9rence Traitement Automatique des Langues Naturelles (TALN'09), Senlis, France.",
"links": null
},
"BIBREF19": {
"ref_id": "b19",
"title": "Extraction terminologique bilingue \u00e0 partir de corpus comparables d'un domaine sp\u00e9cialis\u00e9",
"authors": [
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Daille",
"suffix": ""
}
],
"year": 2004,
"venue": "Traitement Automatique des Langues. TAL",
"volume": "45",
"issue": "3",
"pages": "103--122",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MORIN, E. et DAILLE, B. (2004). Extraction terminologique bilingue \u00e0 partir de corpus compara- bles d'un domaine sp\u00e9cialis\u00e9. Traitement Automatique des Langues. TAL, 45(3):103-122.",
"links": null
},
"BIBREF20": {
"ref_id": "b20",
"title": "Extraction de terminologies bilingues \u00e0 partir de corpus comparables",
"authors": [
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Dufour-Kowalski",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Daille",
"suffix": ""
}
],
"year": 2004,
"venue": "Actes de la 11\u00e8me Conf\u00e9rence Traitement Automatique des Langues Naturelles (TALN'04)",
"volume": "",
"issue": "",
"pages": "309--318",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MORIN, E., DUFOUR-KOWALSKI, S. et DAILLE, B. (2004). Extraction de terminologies bilingues \u00e0 partir de corpus comparables. In Actes de la 11\u00e8me Conf\u00e9rence Traitement Automatique des Langues Naturelles (TALN'04), pages 309-318, F\u00e8s, Maroc.",
"links": null
},
"BIBREF21": {
"ref_id": "b21",
"title": "Influence des points d'ancrage pour l'extraction lexicale bilingue \u00e0 partir de corpus comparables sp\u00e9cialis\u00e9s",
"authors": [
{
"first": "E",
"middle": [],
"last": "Prochasson",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
}
],
"year": 2009,
"venue": "Actes de la 16\u00e8me Conf\u00e9rence Traitement Automatique des Langues Naturelles (TALN'09)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "PROCHASSON, E. et MORIN, E. (2009). Influence des points d'ancrage pour l'extraction lexicale bilingue \u00e0 partir de corpus comparables sp\u00e9cialis\u00e9s. In Actes de la 16\u00e8me Conf\u00e9rence Traitement Automatique des Langues Naturelles (TALN'09), Senlis, France.",
"links": null
},
"BIBREF22": {
"ref_id": "b22",
"title": "Identify Word Translations in Non-Parallel Texts",
"authors": [
{
"first": "R",
"middle": [],
"last": "Rapp",
"suffix": ""
}
],
"year": 1995,
"venue": "Proceedings of the 35th",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RAPP, R. (1995). Identify Word Translations in Non-Parallel Texts. In Proceedings of the 35th",
"links": null
},
"BIBREF23": {
"ref_id": "b23",
"title": "Annual Meeting of the Association for Computational Linguistics (ACL'95)",
"authors": [],
"year": null,
"venue": "",
"volume": "",
"issue": "",
"pages": "320--322",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "Annual Meeting of the Association for Computational Linguistics (ACL'95), pages 320-322, Boston, MA, USA.",
"links": null
},
"BIBREF24": {
"ref_id": "b24",
"title": "Automatic Identification of Word Translations from Unrelated English and German Corpora",
"authors": [
{
"first": "R",
"middle": [],
"last": "Rapp",
"suffix": ""
}
],
"year": 1999,
"venue": "Proceedings of the 37th Annual Meeting of the Association for Computational Linguistics (ACL'99)",
"volume": "",
"issue": "",
"pages": "519--526",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RAPP, R. (1999). Automatic Identification of Word Translations from Unrelated English and German Corpora. In Proceedings of the 37th Annual Meeting of the Association for Computational Linguistics (ACL'99), pages 519-526, College Park, MD, USA.",
"links": null
}
},
"ref_entries": {
"TABREF0": {
"text": "",
"content": "<table><tr><td>Le contexte par sac de mots consiste simplement \u00e0 collecter des mots entourant un mot donn\u00e9,</td></tr><tr><td>sans r\u00e8gles pr\u00e9cises hormis le choix du nombre de mots \u00e0 sa gauche et \u00e0 sa droite, appel\u00e9 aussi</td></tr><tr><td>fen\u00eatre contextuelle. Soit la phrase suivante : \u00ab(...) Pour les cas trait\u00e9s pour danger ost\u00e9oporotique</td></tr><tr><td>les densitom\u00e9tries osseuses comparatives ont montr\u00e9 une am\u00e9lioration sous THS (...)\u00bb.</td></tr><tr><td>Pour le terme ost\u00e9oporotique, si nous choisissons une fen\u00eatre contextuelle de taille 5, c'est-\u00e0-dire</td></tr><tr><td>deux mots \u00e0 gauche et deux mots \u00e0 droite de celui-ci. Le contexte de ost\u00e9oporotique sera :</td></tr><tr><td>trait\u00e9s, danger, densitom\u00e9tries et osseuses. Ce processus est r\u00e9p\u00e9t\u00e9 autant de fois que le terme</td></tr><tr><td>ost\u00e9oporotique appara\u00eet dans un corpus donn\u00e9. Cette technique de repr\u00e9sentation du contexte a</td></tr><tr><td>montr\u00e9 son efficacit\u00e9 surtout lorsqu'il s'agit de mots tr\u00e8s fr\u00e9quents. Intuitivement, nous pouvons</td></tr><tr><td>nous dire que tous les mots entourant un mot donn\u00e9 n'ont pas la m\u00eame importance et qu'il serait</td></tr><tr><td>parfois utile de ne pas tous les consid\u00e9rer de la m\u00eame mani\u00e8re. Cependant, toute la difficult\u00e9</td></tr><tr><td>r\u00e9side dans la prise de d\u00e9cision concernant tel ou tel mot. Brosseau-Villeneuve et al. (2010)</td></tr><tr><td>proposent une m\u00e9thode de pond\u00e9ration des mots du contexte selon leur position pour la t\u00e2che de</td></tr><tr><td>d\u00e9sambigu\u00efsation du sens des mots. Une autre m\u00e9thode pour pallier cette difficult\u00e9 consiste en</td></tr><tr><td>l'utilisation des relations de d\u00e9pendances syntaxiques entre les mots que nous pr\u00e9sentons dans la</td></tr><tr><td>section suivante.</td></tr></table>",
"num": null,
"html": null,
"type_str": "table"
},
"TABREF2": {
"text": "",
"content": "<table/>",
"num": null,
"html": null,
"type_str": "table"
},
"TABREF4": {
"text": "Liste des relations de d\u00e9pendances syntaxiques information quantitative tr\u00e8s variable et fortement d\u00e9pendante des corpus utilis\u00e9s. D'o\u00f9 l'id\u00e9e d'abandonner ce type de coloration pour passer \u00e0 une coloration syntaxique porteuse d'informations qualitatives et id\u00e9alement ind\u00e9pendante de la taille des corpus. Le deuxi\u00e8me aspect serait de dire que malgr\u00e9 tout, la coloration graphique a un int\u00e9r\u00eat et qu'au lieu de s'en \u00e9carter il vaudrait peut \u00eatre mieux la combiner avec la coloration syntaxique afin de tirer le meilleur des deux. C'est notre hypoth\u00e8se de compl\u00e9mentarit\u00e9 entre les informations qualitatives et quantitatives des mots.",
"content": "<table><tr><td>2.3 Synth\u00e8se</td></tr></table>",
"num": null,
"html": null,
"type_str": "table"
},
"TABREF5": {
"text": "Le vecteur de contexte a pour but d'enregistrer un ensemble d'information sur le contexte d'un mot w donn\u00e9. Dans le cas de la repr\u00e9sentation graphique, ces informations sont les mots qui cooccurrent avec le mot w. Dans le cas d'une repr\u00e9sentation syntaxique, ce sont les mots en relation avec w qui sont s\u00e9lectionn\u00e9s pour faire partie de son vecteur de contexte. Dans un cadre plus g\u00e9n\u00e9rique, nous pourrions imaginer plusieurs autres sources d'informations \u00e0 exploiter. rate 32 rate modN 29 ,rate PRPV 3 rate 32 , rate modN 29 ,rate PRPV 3",
"content": "<table><tr><td colspan=\"3\">Repr\u00e9sentation graphique Repr\u00e9sentation syntaxique Combinaison</td></tr><tr><td>regional 13 local 5 oest rogen 1</td><td>regional Lmod 2 local Lmod 1 -</td><td>regional 13 , regional Lmod 2 local 5 , local Lmod 1 oest rogen 1</td></tr></table>",
"num": null,
"html": null,
"type_str": "table"
},
"TABREF6": {
"text": "Exemple de la repr\u00e9sentation du contexte du mot recurrence et du nombre de ses cooccurrences, en fonction des repr\u00e9sentations graphique et syntaxique ainsi que de leur combinaison repr\u00e9sentation graphique et (ii) une information plus sp\u00e9cifique fournie par la repr\u00e9sentation syntaxique. Si nous prenons par exemple le mot regional (repr\u00e9sent\u00e9 dans la table 3), nous pouvons voir qu'il appara\u00eet 13 fois avec le mot recurrence selon la repr\u00e9sentation graphique et 2 fois comme modificateur gauche (Lmod) selon la repr\u00e9sentation syntaxique. La combinaison prend en compte les deux informations, en consid\u00e9rant que le mot regional appara\u00eet 13 fois avec",
"content": "<table><tr><td>w=5 inoperable local rate distant risk salvage year time tumor isolate</td><td>818,98 119,71 72,62 61,00 39,15 39,08 31,84 31,04 30,15 28,16</td><td>RelDep local Lmod risk PRPN rate modN tumor modN rate PRPN time PRPN disease modN isolated Lmod distant Lmod patient PRPN</td><td>618,17 96,02 68,34 62,82 40,18 32,85 28,76 24,29 24,28 23,64</td><td>Combinaison local Lmod 936,05 local 791,15 risk PRPN 153,14 rate 113,96 rate modN 110,28 tumor modN 104,71 distant 70,23 rate PRPN 64,69 risk 54,89 time PRPN 53,13</td><td>+/-+ + + + + + + + +</td></tr></table>",
"num": null,
"html": null,
"type_str": "table"
},
"TABREF7": {
"text": "Illustration des 10 premi\u00e8res entr\u00e9es du vecteur de contexte du mot recurrence en fonction de l'information mutuelle (IM) pour les repr\u00e9sentations graphique (w = 5) et syntaxique (Rel Dep) ainsi que par la combinaison a priori La table 6 montre que la combinaison a priori a un apport n\u00e9gatif pour au moins 5 mots. Ces mots n'\u00e9taient pas class\u00e9s dans les 10 premi\u00e8res entr\u00e9es des m\u00e9thodes w = 5 et Rel Dep, et le sont devenus gr\u00e2ce \u00e0 la combinaison a priori. Ce constat indique que la mesure d'association de l'information mutuelle n'est pas appropri\u00e9e car elle ne pr\u00e9serve pas le classement des entr\u00e9es de w = 5 et Rel Dep. Elle affecte des scores \u00e9lev\u00e9s \u00e0 des mots qui avaient des scores faibles comme",
"content": "<table/>",
"num": null,
"html": null,
"type_str": "table"
},
"TABREF8": {
"text": "correspond \u00e0 une mesure d'association et \u00e0 une mesure de similarit\u00e9 pour les 4 m\u00e9thodes test\u00e9es sur le corpus du cancer du sein. La table 8 concerne le corpus des \u00e9nergies renouvelables et respecte la m\u00eame configuration que la premi\u00e8re table. Dans la table 7, nous constatons que pour la configuration Log-Jac et w = 5, les deux m\u00e9thodes de combinaisons propos\u00e9es obtiennent de meilleurs r\u00e9sultats que w = 5 et Rel Dep, avec une MAP de 0,485 pour C omb post et de 0,488 pour C omb apri alors que Rel Dep et w = 5 n'obtiennent",
"content": "<table><tr><td>4.</td></tr><tr><td>5.</td></tr><tr><td>6.</td></tr><tr><td>7.</td></tr><tr><td>8.</td></tr></table>",
"num": null,
"html": null,
"type_str": "table"
},
"TABREF10": {
"text": "Ce m\u00eame constat peut \u00eatre fait pour les autres valeurs de w (9 et 15). Ainsi concernant la configuration Log-Jac, les deux m\u00e9thodes de combinaison propos\u00e9es obtiennent de meilleurs r\u00e9sultats que les deux repr\u00e9sentations contextuelles prises s\u00e9par\u00e9ment, avec un avantage pour la m\u00e9thode C omb apri qui obtient une MAP de 0,536 en combinant Rel Dep avec w = 9. Nous pouvons constater que, pour la configuration Odds-Cos, c'est la m\u00e9thode C omb apri qui obtient les meilleurs r\u00e9sultats avec une MAP de 0,497 pour un w = 5. Concernant la configuration Im-Cos, c'est C omb post qui obtient les meilleurs r\u00e9sultats, et C omb apri n'apporte aucune am\u00e9lioration et d\u00e9grade m\u00eame les r\u00e9sultats dans certains cas. Pour r\u00e9sumer, nous pouvons dire que les deux m\u00e9thodes propos\u00e9es am\u00e9liorent les performances de la m\u00e9thode directe, avec une efficacit\u00e9 variable \u00e9troitement li\u00e9e aux mesures d'association et de similarit\u00e9 utilis\u00e9es.Pour la table 8 concernant le corpus des \u00e9nergies renouvelables, nous pouvons aussi constater que pour la configuration Log-Jac et w = 5, les deux m\u00e9thodes de combinaisons propos\u00e9es obtiennent de meilleurs r\u00e9sultats que w = 5 et Rel Dep, avec une MAP de 0,365 pour C omb post et de 0,354 pour C omb apri alors que Rel Dep et w = 5 n'obtiennent que 0,257 et 0,272. Globalement, c'est la m\u00e9thode C omb post qui obtient les meilleurs r\u00e9sultats. Ce que l'on peut retenir des deux tables c'est que C omb post et C omb apri am\u00e9liorent les r\u00e9sultats pour toutes les combinaisons de mesures sauf pour C omb apri qui ne fonctionne pas avec le couple (Im-Cos).",
"content": "<table><tr><td>-Pr\u00e9cision (%) pour les tops 1 et 10 ainsi que la MAP pour le corpus \u00ab Cancer du sein \u00bb.</td></tr><tr><td>Comparaison de l'approche directe par repr\u00e9sentation graphique et de celle par repr\u00e9sentation</td></tr><tr><td>syntaxique ainsi que des deux m\u00e9thodes de combinaisons (les am\u00e9liorations indiquent une</td></tr><tr><td>significativit\u00e9 avec un indice de confiance de 0,05 utilisant le test de Student).</td></tr><tr><td>que 0,297 et 0,416.</td></tr></table>",
"num": null,
"html": null,
"type_str": "table"
},
"TABREF12": {
"text": "Pr\u00e9cision (%) pour les tops 1 et 10 ainsi que la MAP pour le corpus \u00ab \u00e9nergies renouvelables \u00bb. Comparaison de l'approche directe par repr\u00e9sentation graphique et de celle par repr\u00e9sentation syntaxique ainsi que des deux m\u00e9thodes de combinaisons (les am\u00e9liorations indiquent une significativit\u00e9 avec un indice de confiance de 0,05 utilisant le test de Student).",
"content": "<table/>",
"num": null,
"html": null,
"type_str": "table"
}
}
}
} |