File size: 83,826 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 | {
"paper_id": "F13-1024",
"header": {
"generated_with": "S2ORC 1.0.0",
"date_generated": "2023-01-19T09:42:03.563109Z"
},
"title": "Utilisation de la similarit\u00e9 s\u00e9mantique pour l'extraction de lexiques bilingues \u00e0 partir de corpus comparables",
"authors": [
{
"first": "Dhouha",
"middle": [],
"last": "Bouamor",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "LVIC",
"location": {
"postCode": "F91191",
"settlement": "Gif sur Yvette Cedex",
"country": "France ("
}
},
"email": "dhouha.bouamor@cea.fr"
},
{
"first": "Nasredine",
"middle": [],
"last": "Semmar",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "LVIC",
"location": {
"postCode": "F91191",
"settlement": "Gif sur Yvette Cedex",
"country": "France ("
}
},
"email": "nasredine.semmar@cea.fr"
},
{
"first": "Pierre",
"middle": [],
"last": "Zweigenbaum",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "LIMSI-CNRS",
"location": {
"postCode": "F-91403",
"settlement": "Orsay",
"country": "France ("
}
},
"email": ""
}
],
"year": "",
"venue": null,
"identifiers": {},
"abstract": "Cet article pr\u00e9sente une nouvelle m\u00e9thode visant \u00e0 am\u00e9liorer les r\u00e9sultats de l'approche standard utilis\u00e9e pour l'extraction de lexiques bilingues \u00e0 partir de corpus comparables sp\u00e9cialis\u00e9s. Nous tentons de r\u00e9soudre le probl\u00e8me de la polys\u00e9mie des mots dans les vecteurs de contexte par l'introduction d'un processus de d\u00e9sambigu\u00efsation s\u00e9mantique bas\u00e9 sur WordNet. Pour traduire les vecteurs de contexte, au lieu de consid\u00e9rer toutes les traductions propos\u00e9es par le dictionnaire bilingue, nous n'utilisons que les mots caract\u00e9risant au mieux les contextes en langue cible. Les exp\u00e9riences men\u00e9es sur deux corpus comparables sp\u00e9cialis\u00e9s fran\u00e7ais-anglais (financier et m\u00e9dical) montrent que notre m\u00e9thode am\u00e9liore les r\u00e9sultats de l'approche standard plus particuli\u00e8rement lorsque plusieurs mots du contexte sont ambigus.",
"pdf_parse": {
"paper_id": "F13-1024",
"_pdf_hash": "",
"abstract": [
{
"text": "Cet article pr\u00e9sente une nouvelle m\u00e9thode visant \u00e0 am\u00e9liorer les r\u00e9sultats de l'approche standard utilis\u00e9e pour l'extraction de lexiques bilingues \u00e0 partir de corpus comparables sp\u00e9cialis\u00e9s. Nous tentons de r\u00e9soudre le probl\u00e8me de la polys\u00e9mie des mots dans les vecteurs de contexte par l'introduction d'un processus de d\u00e9sambigu\u00efsation s\u00e9mantique bas\u00e9 sur WordNet. Pour traduire les vecteurs de contexte, au lieu de consid\u00e9rer toutes les traductions propos\u00e9es par le dictionnaire bilingue, nous n'utilisons que les mots caract\u00e9risant au mieux les contextes en langue cible. Les exp\u00e9riences men\u00e9es sur deux corpus comparables sp\u00e9cialis\u00e9s fran\u00e7ais-anglais (financier et m\u00e9dical) montrent que notre m\u00e9thode am\u00e9liore les r\u00e9sultats de l'approche standard plus particuli\u00e8rement lorsque plusieurs mots du contexte sont ambigus.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Abstract",
"sec_num": null
}
],
"body_text": [
{
"text": "Les lexiques bilingues sont des ressources particuli\u00e8rement utiles pour la Traduction Automatique et la Recherche d'Information Interlingue. Les recherches en extraction lexicale \u00e0 partir de corpus multilingues se sont largement concentr\u00e9es sur les corpus parall\u00e8les. En effet, la raret\u00e9 de ces corpus, en particulier pour les domaines sp\u00e9cialis\u00e9s et pour les couples de langues ne faisant pas intervenir l'anglais, conduit en outre \u00e0 orienter les recherches en extraction de lexiques bilingues vers l'utilisation de corpus comparables (Fung, 1995; Rapp, 1995; Chiao et Zweigenbaum, 2003; Gamallo Otero, 2007; Kun et Tsujii, 2009) . La plupart de ces travaux h\u00e9ritent de la s\u00e9mantique distributionnelle (Harris, 1954) et reposent sur la simple observation que si dans une langue source deux mots cooccurrent plus souvent que par hasard, alors dans un texte de langue cible, leurs traductions doivent \u00e9galement cooccurrer plus souvent. Cette approche dite standard se base sur la caract\u00e9risation et la comparaison d'environnements lexicaux des termes sources et cibles, repr\u00e9sent\u00e9s par des vecteurs de contexte. Ces vecteurs stockent un ensemble d'unit\u00e9s lexicales repr\u00e9sentatif de leur voisinage. Dans la pratique, afin de pouvoir comparer les vecteurs de contexte de langues diff\u00e9rentes, le passage d'une langue \u00e0 une autre est n\u00e9cessaire et s'effectue g\u00e9n\u00e9ralement par l'interm\u00e9diaire d'un dictionnaire bilingue amorce.",
"cite_spans": [
{
"start": 536,
"end": 548,
"text": "(Fung, 1995;",
"ref_id": "BIBREF5"
},
{
"start": 549,
"end": 560,
"text": "Rapp, 1995;",
"ref_id": "BIBREF23"
},
{
"start": 561,
"end": 588,
"text": "Chiao et Zweigenbaum, 2003;",
"ref_id": "BIBREF1"
},
{
"start": 589,
"end": 609,
"text": "Gamallo Otero, 2007;",
"ref_id": "BIBREF7"
},
{
"start": 610,
"end": 630,
"text": "Kun et Tsujii, 2009)",
"ref_id": "BIBREF13"
},
{
"start": 703,
"end": 717,
"text": "(Harris, 1954)",
"ref_id": "BIBREF9"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Le dictionnaire bilingue est au coeur de l'approche standard. Son utilisation pose des probl\u00e8mes lorsqu'un mot poss\u00e8de plusieurs traductions, qu'il s'agisse de traductions synonymes ou d'un terme source polys\u00e9mique. Par exemple, le terme Fran\u00e7ais \"action\" se traduit en Anglais par les termes \"share, stock, lawsuit\" et \"deed\". Dans ce cas, il est difficile d'\u00e9valuer dans des ressources plates comme les dictionnaires bilingues quelles traductions sont les plus pertinentes, vu qu'elle sont le plus souvent non ordonn\u00e9es. L'approche standard prend en compte toutes les traductions disponibles et les conserve avec la m\u00eame priorit\u00e9 dans le vecteur traduit ind\u00e9pendamment du domaine sur lequel porte l'\u00e9tude. Ainsi, en domaine de la Finance, la prise en compte des termes \"lawsuit\" et \"deed\" ne feront probablement qu'ajouter du bruit dans les vecteurs de contexte.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Dans ce pr\u00e9sent travail, nous pr\u00e9sentons une nouvelle approche qui tente de r\u00e9soudre le probl\u00e8me de polys\u00e9mie des mots non trait\u00e9 par l'approche standard. Un mot polys\u00e9mique est une unit\u00e9 lexicale ayant plusieurs sens dans une langue ou une fois traduite dans une autre langue. Nous introduisons un processus de d\u00e9sambigu\u00efsation s\u00e9mantique des vecteurs de contexte construits par l'approche standard. L'intuition qui sous-tend cette m\u00e9thode est que, pour chaque mot polys\u00e9mique du vecteur de contexte, au lieu de consid\u00e9rer toutes les traductions propos\u00e9es par le dictionnaire bilingue, nous n'utilisons que les traductions susceptibles de donner la meilleure repr\u00e9sentation du vecteur de contexte en langue cible. Le processus de d\u00e9sambigu\u00efsation repose sur une mesure de similarit\u00e9 s\u00e9mantique calcul\u00e9e en se basant sur le th\u00e9saurus WordNet (Fellbaum, 1998) . Nous testons cette m\u00e9thode sur deux corpus comparables sp\u00e9cialis\u00e9s pour le couple des langues fran\u00e7ais-anglais. Une am\u00e9lioration des r\u00e9sultats de l'approche standard est report\u00e9e plus particuli\u00e8rement lorsque plusieurs mot du corpus sont ambigus.",
"cite_spans": [
{
"start": 842,
"end": 858,
"text": "(Fellbaum, 1998)",
"ref_id": "BIBREF4"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "La suite de l'article est organis\u00e9e comme suit : dans la section 2, nous pr\u00e9sentons l'approche standard et passons en revue les principaux travaux connexes \u00e0 la t\u00e2che d'extraction de lexiques bilingues \u00e0 partir de corpus comparables. Puis, nous d\u00e9crivons, dans la section 3, le processus de d\u00e9sambigu\u00efsation s\u00e9mantique propos\u00e9. La section 4 sera consacr\u00e9e aux exp\u00e9riences men\u00e9es ainsi qu'\u00e0 la pr\u00e9sentation des r\u00e9sultats obtenus. Notre article se conclura par une pr\u00e9sentation des principales perspectives (section 5).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "La plupart des travaux traitant la t\u00e2che d'extraction de lexiques bilingues \u00e0 partir de corpus comparables se basent sur l'approche standard (Fung, 1998; Chiao et Zweigenbaum, 2002; Laroche et Langlais, 2010) . Cette approche se d\u00e9compose en trois \u00e9tapes :",
"cite_spans": [
{
"start": 141,
"end": 153,
"text": "(Fung, 1998;",
"ref_id": "BIBREF6"
},
{
"start": 154,
"end": 181,
"text": "Chiao et Zweigenbaum, 2002;",
"ref_id": null
},
{
"start": 182,
"end": 208,
"text": "Laroche et Langlais, 2010)",
"ref_id": "BIBREF14"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Extraction de lexiques bilingues 2.1 Approche standard",
"sec_num": "2"
},
{
"text": "-Constitution des vecteurs de contexte : Ces vecteurs sont d'abord extraits en rep\u00e9rant les mots qui apparaissent autour d'un terme \u00e0 traduire S dans une fen\u00eatre contextuelle de n mots. Habituellement, des mesures d'associations comme l'information mutuelle (Morin et Daille, 2006) , le taux de vraisemblance (Morin et Prochasson, 2011) ",
"cite_spans": [
{
"start": 258,
"end": 281,
"text": "(Morin et Daille, 2006)",
"ref_id": "BIBREF19"
},
{
"start": 309,
"end": 336,
"text": "(Morin et Prochasson, 2011)",
"ref_id": "BIBREF20"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Extraction de lexiques bilingues 2.1 Approche standard",
"sec_num": "2"
},
{
"text": "La couverture du dictionnaire bilingue assurant le transfert des vecteurs de contexte en langue cible demeure le noyau de l'approche standard. Si trop peu de mots sont traduits, la comparaison de vecteurs traduits et de vecteurs cibles ne sera pas significative puisque r\u00e9alis\u00e9e sur un \u00e9chantillon trop faible de vocabulaire. Pour limiter cet effet, des techniques visant \u00e0 am\u00e9liorer les r\u00e9sultats de l'approche standard ont vu le jour et ce par l'adjonction de ressources dictionnariques sp\u00e9cialis\u00e9es suppl\u00e9mentaires pr\u00e9\u00e9tablies (D\u00e9jean et al., 2002; Chiao et Zweigenbaum, 2003) , extraites de corpus parall\u00e8les (Morin et Prochasson, 2011 ) ou encore du m\u00eame corpus d'\u00e9tude (Vuli\u0107 et Moens, 2012) .",
"cite_spans": [
{
"start": 530,
"end": 551,
"text": "(D\u00e9jean et al., 2002;",
"ref_id": "BIBREF3"
},
{
"start": 552,
"end": 579,
"text": "Chiao et Zweigenbaum, 2003)",
"ref_id": "BIBREF1"
},
{
"start": 613,
"end": 639,
"text": "(Morin et Prochasson, 2011",
"ref_id": "BIBREF20"
},
{
"start": 675,
"end": 697,
"text": "(Vuli\u0107 et Moens, 2012)",
"ref_id": "BIBREF26"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Travaux reli\u00e9s",
"sec_num": "2.2"
},
{
"text": "R\u00e9cemment, des recherches fond\u00e9es sur l'hypoth\u00e8se que plus les vecteurs de contexte sont repr\u00e9sentatifs, meilleure est la mise en correspondance bilingue ont \u00e9t\u00e9 men\u00e9es. (Hazem et Morin, 2012a) proposent deux crit\u00e8res de filtrage du dictionnaire bilingue dans le but de ne garder que les mots qui donnent la meilleure repr\u00e9sentation du vecteur de contexte dans la langue cible. Le premier crit\u00e8re se base sur les cat\u00e9gories grammaticales des mots du contexte mais aucune am\u00e9lioration n'a \u00e9t\u00e9 d\u00e9montr\u00e9e. Le deuxi\u00e8me crit\u00e8re \u00e9tant bas\u00e9 sur une mesure de pertinence d'un mot pour un domaine donn\u00e9. Contrairement au premier crit\u00e8re, celui ci apporte une petite am\u00e9lioration (4% en pr\u00e9cision) par rapport \u00e0 la m\u00e9thode standard. (Gaussier et al., 2004 ) tentent de r\u00e9soudre le probl\u00e8me d'ambigu\u00eft\u00e9 de mots des vecteurs de contexte en langues source et cible. Ils utilisent une vue g\u00e9om\u00e9trique et d\u00e9composent le vecteur d'un mot en fonction de ses sens par l'utilisation de plusieurs m\u00e9thodes comme l'analyse canonique de corr\u00e9lation et l'analyse s\u00e9mantique latente. Les meilleurs r\u00e9sultats sont obtenus par l'utilisation d'une approche mixte avec une am\u00e9lioration de la F-Mesure au Top20 de +2% par rapport \u00e0 l'approche standard. Dans cet article, nous pr\u00e9sentons une approche traitant le probl\u00e8me d'ambigu\u00eft\u00e9 des mots des vecteurs de contexte mais qui diff\u00e8re de celle propos\u00e9e par (Gaussier et al., 2004) . Alors qu'ils mettent l'accent sur l'ambigu\u00eft\u00e9 des mots en langues source et cible, nous jugeons qu'il serait suffisant de lever l'ambigu\u00eft\u00e9 des \u00e9l\u00e9ments des vecteurs de contexte en langue source vu que l'ambigu\u00eft\u00e9 parvient lors du transfert des vecteurs de contexte sources",
"cite_spans": [
{
"start": 170,
"end": 193,
"text": "(Hazem et Morin, 2012a)",
"ref_id": "BIBREF10"
},
{
"start": 723,
"end": 745,
"text": "(Gaussier et al., 2004",
"ref_id": "BIBREF8"
},
{
"start": 1377,
"end": 1400,
"text": "(Gaussier et al., 2004)",
"ref_id": "BIBREF8"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Travaux reli\u00e9s",
"sec_num": "2.2"
},
{
"text": "Nous proposons dans cet article une approche qui tente d'am\u00e9liorer les r\u00e9sultats de l'approche standard. Nous abordons le probl\u00e8me associ\u00e9 aux mots polys\u00e9miques r\u00e9v\u00e9l\u00e9s par le dictionnaire bilingue amorce lors du transfert des vecteurs de contexte sources. Comme il a \u00e9t\u00e9 mentionn\u00e9 dans la section 1, lorsque l'extraction lexicale porte sur un domaine sp\u00e9cialis\u00e9, les traductions propos\u00e9es par le dictionnaire bilingue ne sont pas toutes pertinentes pour la repr\u00e9sentation des vecteurs de contexte en langue cibles. Par exemple, dans le domaine juridique, la traduction du mot action (Fr) par share ou stock (An) ne fera qu'introduire du bruit dans les vecteurs traduits. L'intuition derri\u00e8re notre approche est qu'il conviendrait d'introduire un processus de d\u00e9sambigu\u00efsation s\u00e9mantique lexicale visant \u00e0 am\u00e9liorer l'ad\u00e9quation des vecteurs de contexte traduits et par cons\u00e9quent am\u00e9liorer les r\u00e9sultats de l'approche standard. Dans cette section, nous commen\u00e7ons par d\u00e9crire la ressource s\u00e9mantique sur laquelle se base notre approche. Ensuite, nous pr\u00e9sentons en d\u00e9tail notre m\u00e9thode de d\u00e9sambigu\u00efsation des vecteurs de contexte.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9sambigu\u00efsation lexicale des vecteurs de contexte",
"sec_num": "3"
},
{
"text": "Un grand nombre de techniques de d\u00e9sambigu\u00efsation lexicale ont \u00e9t\u00e9 pr\u00e9sent\u00e9es dans la litt\u00e9rature. Les plus populaires sont celles mesurant une similarit\u00e9 s\u00e9mantique en se basant sur le th\u00e9saurus WordNet. Cette ressource est structur\u00e9e autour de la notion de synsets, c'est-\u00e0-dire en quelque sorte un ensemble de synonymes qui forment un concept. Chaque synset repr\u00e9sente un sens de mot. Les synsets sont reli\u00e9s entre eux par des relations, soit lexicales (antonymie par exemple) ou taxonomiques (hyperonymie, m\u00e9ronymie, etc). Ce th\u00e9saurus est largement utilis\u00e9 dans des applications reposant sur le calcul de similarit\u00e9 des mots telles que la recherche de documents (Hwang et al., 2011 ) ou d'images (Cho et al., 2007 Choi et al., 2012) . Dans ce travail, nous l'utilisons pour d\u00e9river une similarit\u00e9 s\u00e9mantique entre les \u00e9l\u00e9ments de chaque vecteur de contexte permettant de s\u00e9lectionner les sens des mots les plus saillants \u00e0 la repr\u00e9sentation des termes \u00e0 traduire. \u00c0 notre connaissance, c'est une premi\u00e8re application de WordNet en extraction de lexiques bilingues \u00e0 partir de corpus comparables. (Wu et Palmer, 1994) . La similarit\u00e9 est d\u00e9finie selon la distance qui s\u00e9pare deux concepts par rapport \u00e0 leur sens commun le plus sp\u00e9cifique (LC S) que la racine de la taxonomie. La similarit\u00e9 entre deux sens s 1 et s 2 est : ",
"cite_spans": [
{
"start": 667,
"end": 686,
"text": "(Hwang et al., 2011",
"ref_id": "BIBREF12"
},
{
"start": 687,
"end": 718,
"text": ") ou d'images (Cho et al., 2007",
"ref_id": null
},
{
"start": 719,
"end": 737,
"text": "Choi et al., 2012)",
"ref_id": "BIBREF2"
},
{
"start": 1101,
"end": 1121,
"text": "(Wu et Palmer, 1994)",
"ref_id": "BIBREF27"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Ressource s\u00e9mantique",
"sec_num": "3.1"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "Sim wup (s 1 , s 2 ) = 2 \u00d7 depth(LC S) depth(s 1 ) + depth(s 2 )",
"eq_num": "(1)"
}
],
"section": "Ressource s\u00e9mantique",
"sec_num": "3.1"
},
{
"text": "Une fois transf\u00e9r\u00e9 en langue cible, le processus de d\u00e9sambigu\u00efsation des vecteurs de contexte intervient. Ce processus tente de trouver pour chacune des entr\u00e9es polys\u00e9miques dans les vecteurs traduits le sens le plus ad\u00e9quat. Pour ce faire, nous utilisons les unit\u00e9s non polys\u00e9miques pour d\u00e9duire les sens de celles polys\u00e9miques. Nous \u00e9mettons l'hypoth\u00e8se qu'un mot est non polys\u00e9mique s'il ne poss\u00e8de qu'une seule traduction dans le dictionnaire bilingue. Cette hypoth\u00e8se est v\u00e9rifi\u00e9e dans 95% des cas dans WordNet (i.e mots associ\u00e9s \u00e0 un seul synset).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Processus de d\u00e9sambigu\u00efsation",
"sec_num": "3.2"
},
{
"text": "Pr\u00e9cis\u00e9ment, pour chaque entr\u00e9e polys\u00e9mique de chaque vecteur, nous mesurons la similarit\u00e9 s\u00e9mantique entre toutes les traductions qui lui sont associ\u00e9es et toutes les unit\u00e9s non polys\u00e9miques du m\u00eame vecteur. En fonction des valeurs de similarit\u00e9, nous obtenons une liste ordonn\u00e9e de sens ou traductions pour chaque mot polys\u00e9mique.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Processus de d\u00e9sambigu\u00efsation",
"sec_num": "3.2"
},
{
"text": "Plus formellement, puisqu'un mot peut appartenir \u00e0 plus d'un sens ou synset dans WordNet, nous d\u00e9terminons la similarit\u00e9 s\u00e9mantique entre deux mots m 1 et m 2 comme le maximum de Sim wup entre le ou les synsets qui incluent les s y nsets(m 1 ) et les s y nsets(m 2 ) selon la formule suivante :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Processus de d\u00e9sambigu\u00efsation",
"sec_num": "3.2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "Sem Sim (m 1 , m 2 ) = max{Sim wup (s 1 , s 2 ); (s 1 , s 2 ) \u2208 s y nsets(m 1 ) \u00d7 s y nsets(m 2 )}",
"eq_num": "(2)"
}
],
"section": "Processus de d\u00e9sambigu\u00efsation",
"sec_num": "3.2"
},
{
"text": "Ensuite, pour identifier le sens le plus appropri\u00e9 pour chaque mot polys\u00e9mique k dans les vecteurs de contexte, nous mesurons une moyenne de similarit\u00e9 (Formule 3) pour chacune des traductions propos\u00e9es k j. ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Processus de d\u00e9sambigu\u00efsation",
"sec_num": "3.2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "Ave_Wup(k j ) = N i=1 Sem Sim (m i , k j ) N",
"eq_num": "(3)"
}
],
"section": "Processus de d\u00e9sambigu\u00efsation",
"sec_num": "3.2"
},
{
"text": "Dans le cadre de cette \u00e9tude, nous avons construit deux corpus comparables sp\u00e9cialis\u00e9s fran\u00e7aisanglais \u00e0 partir de l'encyclop\u00e9die libre Wikip\u00e9dia 1 . Nous exploitons l'aspect multilingue cette ressource pour en extraire de la terminologie sp\u00e9cialis\u00e9e qui pourra cr\u00e9er ou enrichir des ressources linguistiques existantes. Nous nous int\u00e9ressons particuli\u00e8rement au domaine de la \u00ab finance des entreprises \u00bb et \u00e0 la th\u00e9matique du \u00ab cancer du sein \u00bb relevant du domaine m\u00e9dical. Notre approche repose en premier lieu sur l'extraction de pages de Wikip\u00e9dia en langue source. Ensuite, les liens interlingues sont utilis\u00e9s afin de chercher l'information translinguistique et donc construire la partie du corpus en langue cible (Sadat et Terrasa, 2010 ",
"cite_spans": [
{
"start": 720,
"end": 743,
"text": "(Sadat et Terrasa, 2010",
"ref_id": "BIBREF25"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Ressources linguistiques",
"sec_num": "4.1"
},
{
"text": "Afin de mener \u00e0 bien nos exp\u00e9riences, nous avons besoin de r\u00e9gler trois principaux param\u00e8tres :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Exp\u00e9rimentations",
"sec_num": "4.2"
},
{
"text": "(1) la taille de la fen\u00eatre contextuelle, (2) la mesure d'association et (3) la mesure de similarit\u00e9. Comme dans la plupart des travaux ant\u00e9rieurs (Hazem et Morin, 2012b; Chiao et Zweigenbaum, 2002) , nous fixons la taille de la fen\u00eatre contextuelle \u00e0 7, partant de l'id\u00e9e qu'elle approxime les d\u00e9pendances syntaxiques. Une \u00e9tude de diff\u00e9rentes combinaisons entre les mesures d'association et les m\u00e9triques de similarit\u00e9 a \u00e9t\u00e9 pr\u00e9sent\u00e9e dans (Laroche et Langlais, 2010) . Pour le domaine m\u00e9dical, la configuration la plus efficace \u00e9tant de combiner le rapport des chances [Odds-Ratio] avec le cosinus. Nous avons suivi ces travaux pour la d\u00e9finition de ces param\u00e8tres. La formule du rapport des chances est d\u00e9finie dans l'\u00e9quation ci-dessous : ",
"cite_spans": [
{
"start": 147,
"end": 170,
"text": "(Hazem et Morin, 2012b;",
"ref_id": "BIBREF11"
},
{
"start": 171,
"end": 198,
"text": "Chiao et Zweigenbaum, 2002)",
"ref_id": null
},
{
"start": 442,
"end": 469,
"text": "(Laroche et Langlais, 2010)",
"ref_id": "BIBREF14"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Exp\u00e9rimentations",
"sec_num": "4.2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "OddsRatio disc = log (O 11 + 1 2 )(O 22 + 1 2 ) (O 12 + 1 2 )(O 21 + 1 2 )",
"eq_num": "(4)"
}
],
"section": "Exp\u00e9rimentations",
"sec_num": "4.2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "C os(v s , v c ) = j OddsRatio s j \u00d7 OddsRatio c j j OddsRatio s j 2 \u00d7 j OddsRatio c j 2",
"eq_num": "(5)"
}
],
"section": "Exp\u00e9rimentations",
"sec_num": "4.2"
},
{
"text": "Il est difficile de comparer les r\u00e9sultats de diff\u00e9rents travaux en extraction de lexiques bilingues \u00e0 partir de corpus comparables, en raison de diff\u00e9rences entre les corpus, les domaines d'\u00e9tudes ou encore les ressources linguistiques utilis\u00e9es . \u00c0 ce jour, aucun jeu de donn\u00e9es pouvant servir de r\u00e9f\u00e9rence n'a \u00e9t\u00e9 mis en place. C'est pour cette raison que nous utilisons les r\u00e9sultats de l'approche standard (AS) comme r\u00e9f\u00e9rence. Nous \u00e9valuons les performances de cette approche et de celle pr\u00e9sent\u00e9e en section 3 en utilisant les m\u00e9triques de pr\u00e9cision (P N ), rappel (R N ) au TopN et de MAP (Mean Average Precision) (Manning et al., 2008) . La pr\u00e9cision est le nombre de traductions correctes divis\u00e9 par le nombre de termes pour lesquels le syst\u00e8me propose au moins une traduction. Le rappel est \u00e9gal au rapport entre les traductions correctes et le nombre total des termes. La MAP repr\u00e9sente la qualit\u00e9 d'un syst\u00e8me en fonction de diff\u00e9rents niveaux de rappel :",
"cite_spans": [
{
"start": 622,
"end": 644,
"text": "(Manning et al., 2008)",
"ref_id": "BIBREF17"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "R\u00e9sultats et discussion",
"sec_num": "4.3"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "M AP(Q) = 1 Q j=1 |Q| 1 m j k=1 m j P r\u00e9cision(R jk )",
"eq_num": "(6)"
}
],
"section": "R\u00e9sultats et discussion",
"sec_num": "4.3"
},
{
"text": "O\u00f9 Q constitue le nombre de termes \u00e0 traduire, m j est le nombre de traductions de r\u00e9f\u00e9rence pour le j\u00e8 me terme et P r\u00e9cision(R jk ) est \u00e9gale \u00e0 0 si la traduction de r\u00e9f\u00e9rence n'est pas trouv\u00e9e pour le j\u00e8 me terme ou 1 r s'il y figure (r est le rang de la traduction de r\u00e9f\u00e9rence dans les traductions candidates). vecteurs de contexte par l'utilisation de la similarit\u00e9 s\u00e9mantique de WordNet donne de meilleurs r\u00e9sultats que l'approche de r\u00e9f\u00e9rence AS mais \u00e0 des degr\u00e9s diff\u00e9rents. Les am\u00e9liorations report\u00e9es en domaine de la finance des entreprises d\u00e9passent de loin celles du cancer du sein. Ceci peut-\u00eatre d\u00fb au fait que le vocabulaire utilis\u00e9 dans le domaine du cancer du sein est plus sp\u00e9cifique et donc moins ambigu que celui utilis\u00e9 dans les textes de la finance des entreprises. Dans ce cas, les am\u00e9liorations restent trouv\u00e9 dans de larges valeurs de N au TopN (la d\u00e9sambigu\u00efsation des contextes aide \u00e0 apporter des traductions plus \u00e9loign\u00e9es au Top20).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "R\u00e9sultats et discussion",
"sec_num": "4.3"
},
{
"text": "Nous avons pr\u00e9sent\u00e9 dans cet article une nouvelle m\u00e9thode qui tente d'am\u00e9liorer les r\u00e9sultats de l'approche standard utilis\u00e9e en extraction lexicale bilingue. Cette m\u00e9thode a pour but de lever l'ambigu\u00eft\u00e9 des mots polys\u00e9miques dans les vecteurs de contexte en s\u00e9lectionnant uniquement les traductions susceptibles de repr\u00e9senter au mieux les termes \u00e0 traduire. La technique propos\u00e9e repose sur le calcul d'une similarit\u00e9 s\u00e9mantique faisant appel au r\u00e9seau s\u00e9mantique WordNet. Les exp\u00e9riences men\u00e9es sur deux corpus comparables sp\u00e9cialis\u00e9s montrent que les performances de cette technique sont dans la plupart des cas sup\u00e9rieures \u00e0 celles obtenues par l'approche standard.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion",
"sec_num": "5"
},
{
"text": "Nous consid\u00e9rons que nos exp\u00e9riences initiales sont positives et peuvent \u00eatre am\u00e9lior\u00e9es de diverses fa\u00e7ons. Nous avons d'abord l'intention d'agrandir la taille des corpus comparables utilis\u00e9s. De plus, dans ce travail, nous consid\u00e9rons que les corpus construit sont de bonne qualit\u00e9, nous tenterons donc d'agir sur leur qualit\u00e9 en utilisant par exemple la mesure propos\u00e9e par (Li et Gaussier, 2010) . Outre la m\u00e9trique d\u00e9finie par (Wu et Palmer, 1994) , nous comptons utiliser d'autres mesures de similarit\u00e9 s\u00e9mantique et comparer leurs performances. Nous pr\u00e9voyons \u00e9galement d'appliquer notre m\u00e9thode \u00e0 l'extraction de lexiques bilingues \u00e0 partir d'autre corpus tr\u00e8s sp\u00e9cialis\u00e9s pour valider nos hypoth\u00e8ses.",
"cite_spans": [
{
"start": 377,
"end": 399,
"text": "(Li et Gaussier, 2010)",
"ref_id": "BIBREF15"
},
{
"start": 432,
"end": 452,
"text": "(Wu et Palmer, 1994)",
"ref_id": "BIBREF27"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion",
"sec_num": "5"
},
{
"text": "CHIAO, Y.-C. et ZWEIGENBAUM, P. (2002). Looking for candidate translational equivalents in specia-",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "R\u00e9f\u00e9rences",
"sec_num": null
},
{
"text": "Pour \u00e9valuer la qualit\u00e9 de l'approche standard et celle introduisant la d\u00e9sambigu\u00efsation lexicale des vecteurs de contexte, nous avons construit une liste de traductions de r\u00e9f\u00e9rence pour chaque domaine. Habituellement, la taille de ces listes est autour de 100 mots(Hazem et Morin, 2012a; Chiao et Zweigenbaum, 2002). Pr\u00e9cisons que nous nous int\u00e9ressons dans cet article uniquement \u00e0 l'extraction bilingue de termes simples. D'autres recherches se sont port\u00e9es sur l'extraction de termes complexes(Morin et Daille, 2004;Laroche et Langlais, 2010). Pour le domaine de la finance des entreprises, une liste compos\u00e9e de 125 mots simples est extraite du glossaire bilingue de la micro-finance2 . En ce qui concerne le domaine du cancer du sein, 79 termes issus du m\u00e9ta-th\u00e9saurus UMLS 3 et du MESH 4 sont extraits. Ces deux listes sont compos\u00e9es de paires de termes fran\u00e7ais-anglais apparaissant au moins cinq fois dans chaque partie des corpus comparables.2 http://www.microfinance.lu/la-microfinance-cest-quoi/glossaire.html 3 http://www.nlm.nih.gov/research/umls/ 4 http://mesh.inserm.fr/mesh/",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
},
{
"text": "c ATALA",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
},
{
"text": "Nous constatons que notre m\u00e9thode qui consiste en une d\u00e9sambigu\u00efsation des vecteurs de contexte d\u00e9passe les performances de la m\u00e9thode de r\u00e9f\u00e9rence AS pour toutes les configurations. La meilleure MAP est atteinte par (WN-S 4 ), lorsque pour chaque mot polys\u00e9mique, nous gardons les quatre traductions les plus similaires aux \u00e9l\u00e9ments non polys\u00e9miques des vecteurs de contexte. La pr\u00e9cision au Top20 la plus \u00e9lev\u00e9e est obtenue par WN-S 3 . L'utilisation des trois premiers sens de mots dans le vecteur fait passer la pr\u00e9cision au Top20 de 18.6% \u00e0 32.7%. Une d\u00e9gradation de la MAP, pr\u00e9cision et rappel est constat\u00e9e \u00e0 partir de WN-S 5 . L'ajout progressif des traductions rapproche les r\u00e9sultats obtenus de ceux de l'AS. Nous estimons par cons\u00e9quent que \u00e0 partir de WN-S 5 , les traductions ajout\u00e9es ne font qu'introduire du bruit dans les vecteurs de contextes.En ce qui concerne le corpus traitant la th\u00e9matique du cancer du sein, des r\u00e9sultats diff\u00e9rents ont \u00e9t\u00e9 obtenus. Comme le montre la table 4, lorsque les vecteurs de contexte sont totalement non ambigus (i.e. chaque unit\u00e9 source est traduite par au plus un mot), une diminution de la pr\u00e9cision, rappel et MAP est not\u00e9e par rapport \u00e0 l'AS. N\u00e9anmoins, dans la plupart des autres cas, des am\u00e9liorations plus au moins petites sont obtenues. Dans la m\u00e9thode WN-S 5 , nous reportons le meilleur score avec un gain de +3.4% en MAP par rapport \u00e0 AS. Par contre les meilleurs rappel et pr\u00e9cision au Top 10 et 20 sont atteints par WN-S 2 et WN-S 3 .En observant les r\u00e9sultats (table 3 et 4) des domaines de la finance des entreprises et celui du cancer du sein, nous remarquons que dans la plupart des cas l'approche de d\u00e9sambigu\u00efsation desTALN-R\u00c9CITAL 2013, 17-21 Juin, Les Sables d'Olonne",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
}
],
"back_matter": [],
"bib_entries": {
"BIBREF0": {
"ref_id": "b0",
"title": "Proceedings of the 19th international conference on Computational linguistics",
"authors": [],
"year": null,
"venue": "",
"volume": "2",
"issue": "",
"pages": "1--5",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "lized, comparable corpora. In Proceedings of the 19th international conference on Computational linguistics -Volume 2, COLING '02, pages 1-5. Association for Computational Linguistics.",
"links": null
},
"BIBREF1": {
"ref_id": "b1",
"title": "The effect of a general lexicon in corpus-based identification of French-English medical word translations",
"authors": [
{
"first": "Y.-C",
"middle": [],
"last": "Chiao",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Zweigenbaum",
"suffix": ""
},
{
"first": "",
"middle": [],
"last": "Amsterdam",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Cho",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Choi",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Kim",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Shin",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Kim",
"suffix": ""
}
],
"year": 2003,
"venue": "Proceedings Medical Informatics Europe",
"volume": "95",
"issue": "",
"pages": "426--433",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CHIAO, Y.-C. et ZWEIGENBAUM, P. (2003). The effect of a general lexicon in corpus-based identification of French-English medical word translations. In Proceedings Medical Informatics Europe, volume 95 of Studies in Health Technology and Informatics, pages 397-402, Amsterdam. CHO, M., CHOI, C., KIM, H., SHIN, J. et KIM, P. (2007). Efficient image retrieval using conceptuali- zation of annotated images. Lecture Notes in Computer Science, pages 426-433. Springer.",
"links": null
},
"BIBREF2": {
"ref_id": "b2",
"title": "A method for enhancing image retrieval based on annotation using modified wup similarity in wordnet",
"authors": [
{
"first": "D",
"middle": [],
"last": "Choi",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Kim",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Kim",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Hwang",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Kim",
"suffix": ""
}
],
"year": 2012,
"venue": "Proceedings of the 11th WSEAS international conference on Artificial Intelligence, Knowledge Engineering and Data Bases, AIKED'12",
"volume": "",
"issue": "",
"pages": "83--87",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CHOI, D., KIM, J., KIM, H., HWANG, M. et KIM, P. (2012). A method for enhancing image retrieval based on annotation using modified wup similarity in wordnet. In Proceedings of the 11th WSEAS international conference on Artificial Intelligence, Knowledge Engineering and Data Bases, AIKED'12, pages 83-87, Stevens Point, Wisconsin, USA. World Scientific and Engineering Academy and Society (WSEAS).",
"links": null
},
"BIBREF3": {
"ref_id": "b3",
"title": "An approach based on multilingual thesauri and model combination for bilingual lexicon extraction",
"authors": [
{
"first": "H",
"middle": [],
"last": "D\u00e9jean",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Gaussier",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Sadat",
"suffix": ""
}
],
"year": 2002,
"venue": "Proceedings of the 19th international conference on Computational linguistics",
"volume": "1",
"issue": "",
"pages": "1--7",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "D\u00c9JEAN, H., GAUSSIER, E. 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 -Volume 1, COLING '02, pages 1-7. Association for Computational Linguistics.",
"links": null
},
"BIBREF4": {
"ref_id": "b4",
"title": "WordNet : An Electronic Lexical Database",
"authors": [
{
"first": "C",
"middle": [],
"last": "Fellbaum",
"suffix": ""
}
],
"year": 1998,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FELLBAUM, C. (1998). WordNet : An Electronic Lexical Database. Bradford Books.",
"links": null
},
"BIBREF5": {
"ref_id": "b5",
"title": "A pattern matching method for finding noun and proper noun translations from noisy parallel corpora",
"authors": [
{
"first": "P",
"middle": [],
"last": "Fung",
"suffix": ""
}
],
"year": 1995,
"venue": "Proceedings of the 33rd annual meeting on Association for Computational Linguistics",
"volume": "",
"issue": "",
"pages": "236--243",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FUNG, P. (1995). A pattern matching method for finding noun and proper noun translations from noisy parallel corpora. In Proceedings of the 33rd annual meeting on Association for Computational Linguistics, pages 236-243. Association for Computational Linguistics.",
"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": ""
}
],
"year": 1998,
"venue": "Parallel Text Processing",
"volume": "",
"issue": "",
"pages": "1--17",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FUNG, P. (1998). A statistical view on bilingual lexicon extraction : From parallel corpora to non-parallel corpora. In Parallel Text Processing, pages 1-17. Springer.",
"links": null
},
"BIBREF7": {
"ref_id": "b7",
"title": "Learning bilingual lexicons from comparable English and Spanish corpora",
"authors": [
{
"first": "",
"middle": [],
"last": "Gamallo",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Otero",
"suffix": ""
}
],
"year": 2007,
"venue": "Proceedings of MT SUMMIT",
"volume": "",
"issue": "",
"pages": "191--198",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GAMALLO OTERO, P. (2007). Learning bilingual lexicons from comparable English and Spanish corpora. In Proceedings of MT SUMMIT, pages 191-198.",
"links": null
},
"BIBREF8": {
"ref_id": "b8",
"title": "A geometric view on bilingual lexicon extraction from comparable corpora",
"authors": [
{
"first": "\u00c9",
"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": "ACL",
"volume": "",
"issue": "",
"pages": "526--533",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GAUSSIER, \u00c9., RENDERS, J.-M., MATVEEVA, I., GOUTTE, C. et D\u00c9JEAN, H. (2004). A geometric view on bilingual lexicon extraction from comparable corpora. In ACL, pages 526-533.",
"links": null
},
"BIBREF9": {
"ref_id": "b9",
"title": "Distributional structure. Word",
"authors": [
{
"first": "Z",
"middle": [],
"last": "Harris",
"suffix": ""
}
],
"year": 1954,
"venue": "",
"volume": "",
"issue": "",
"pages": "146--162",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "HARRIS, Z. (1954). Distributional structure. Word, pages 146-162.",
"links": null
},
"BIBREF10": {
"ref_id": "b10",
"title": "Adaptive dictionary for bilingual lexicon extraction from comparable corpora",
"authors": [
{
"first": "A",
"middle": [],
"last": "Hazem",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
}
],
"year": 2012,
"venue": "Proceedings, 8th international conference on Language Resources and Evaluation (LREC)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "HAZEM, A. et MORIN, E. (2012a). Adaptive dictionary for bilingual lexicon extraction from comparable corpora. In Proceedings, 8th international conference on Language Resources and Evaluation (LREC), Istanbul, Turkey.",
"links": null
},
"BIBREF11": {
"ref_id": "b11",
"title": "Qalign :a new method for bilingual lexicon extraction from comparable corpora",
"authors": [
{
"first": "A",
"middle": [],
"last": "Hazem",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
}
],
"year": 2012,
"venue": "Proceedings of CICLING",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "HAZEM, A. et MORIN, E. (2012b). Qalign :a new method for bilingual lexicon extraction from comparable corpora. In Proceedings of CICLING, India.",
"links": null
},
"BIBREF12": {
"ref_id": "b12",
"title": "Automatic enrichment of semantic relation network and its application to word sense disambiguation",
"authors": [
{
"first": "M",
"middle": [],
"last": "Hwang",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Choi",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Kim",
"suffix": ""
}
],
"year": 2011,
"venue": "IEEE Transactions on Knowledge and Data Engineering",
"volume": "23",
"issue": "",
"pages": "845--858",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "HWANG, M., CHOI, C. et KIM, P. (2011). Automatic enrichment of semantic relation network and its application to word sense disambiguation. IEEE Transactions on Knowledge and Data Engineering, 23:845-858.",
"links": null
},
"BIBREF13": {
"ref_id": "b13",
"title": "Bilingual dictionary extraction from Wikipedia",
"authors": [
{
"first": "Y",
"middle": [],
"last": "Kun",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Tsujii",
"suffix": ""
}
],
"year": 2009,
"venue": "Proceedings of MT SUMMIT",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KUN, Y. et TSUJII, J. (2009). Bilingual dictionary extraction from Wikipedia. In Proceedings of MT SUMMIT.",
"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": "23rd International Conference on Computational Linguistics",
"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 23rd International Conference on Computational Linguistics (Coling 2010), 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": "\u00cb",
"middle": [],
"last": "Gaussier",
"suffix": ""
}
],
"year": 2010,
"venue": "23rd International Conference on Computational Linguistics",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LI, B. et GAUSSIER, \u00cb. (2010). Improving corpus comparability for bilingual lexicon extraction from comparable corpora. In 23rd International Conference on Computational Linguistics (Coling 2010), Beijing, China.",
"links": null
},
"BIBREF16": {
"ref_id": "b16",
"title": "An information-theoretic definition of similarity",
"authors": [
{
"first": "Les",
"middle": [],
"last": "Taln-R\u00e9cital ; Juin",
"suffix": ""
},
{
"first": "Lin",
"middle": [],
"last": "Sables D'olonne",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "",
"suffix": ""
}
],
"year": 1998,
"venue": "Proceedings of the Fifteenth International Conference on Machine Learning, ICML '98",
"volume": "",
"issue": "",
"pages": "296--304",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "TALN-R\u00c9CITAL 2013, 17-21 Juin, Les Sables d'Olonne LIN, D. (1998). An information-theoretic definition of similarity. In Proceedings of the Fifteenth International Conference on Machine Learning, ICML '98, pages 296-304, San Francisco, CA, USA. Morgan Kaufmann Publishers Inc.",
"links": null
},
"BIBREF17": {
"ref_id": "b17",
"title": "Introduction to Information Retrieval",
"authors": [
{
"first": "C",
"middle": [
"D"
],
"last": "Manning",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Raghavan",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Schtze",
"suffix": ""
}
],
"year": 2008,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MANNING, C. D., RAGHAVAN, P. et SCHTZE, H. (2008). Introduction to Information Retrieval. Cambridge University Press, New York, NY, USA.",
"links": null
},
"BIBREF18": {
"ref_id": "b18",
"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": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MORIN, E. et DAILLE, B. (2004). Extraction terminologique bilingue \u00e0 partir de corpus compa- rables d'un domaine sp\u00e9cialis\u00e9. In Traitement Automatique des Langues (TAL).",
"links": null
},
"BIBREF19": {
"ref_id": "b19",
"title": "Comparabilit\u00e9 de corpus et fouille terminologique multilingue",
"authors": [
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Daille",
"suffix": ""
}
],
"year": 2006,
"venue": "Traitement Automatique des Langues (TAL)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MORIN, E. et DAILLE, B. (2006). Comparabilit\u00e9 de corpus et fouille terminologique multilingue. In Traitement Automatique des Langues (TAL).",
"links": null
},
"BIBREF20": {
"ref_id": "b20",
"title": "Bilingual lexicon extraction from comparable corpora enhanced with parallel corpora",
"authors": [
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Prochasson",
"suffix": ""
}
],
"year": 2011,
"venue": "Proceedings, 4th Workshop on Building and Using Comparable Corpora (BUCC)",
"volume": "",
"issue": "",
"pages": "27--34",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MORIN, E. et PROCHASSON, E. (2011). Bilingual lexicon extraction from comparable corpora enhanced with parallel corpora. In Proceedings, 4th Workshop on Building and Using Comparable Corpora (BUCC), page 27-34, Portland, Oregon, USA.",
"links": null
},
"BIBREF21": {
"ref_id": "b21",
"title": "Points d'ancrage pour l'extraction lexicale bilingue \u00e0 partir de petits corpus comparables sp\u00e9cialis\u00e9s",
"authors": [
{
"first": "E",
"middle": [],
"last": "Prochasson",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
}
],
"year": 2009,
"venue": "Traitement Automatique des Langues",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "PROCHASSON, E. et MORIN, E. (2009). Points d'ancrage pour l'extraction lexicale bilingue \u00e0 partir de petits corpus comparables sp\u00e9cialis\u00e9s. Traitement Automatique des Langues, page 22.",
"links": null
},
"BIBREF22": {
"ref_id": "b22",
"title": "Anchor points for bilingual lexicon extraction from small comparable corpora",
"authors": [
{
"first": "E",
"middle": [],
"last": "Prochasson",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Morin",
"suffix": ""
},
{
"first": "K",
"middle": [],
"last": "Kageura",
"suffix": ""
}
],
"year": 2009,
"venue": "Proceedings, 12th Conference on Machine Translation Summit",
"volume": "",
"issue": "",
"pages": "284--291",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "PROCHASSON, E., MORIN, E. et KAGEURA, K. (2009). Anchor points for bilingual lexicon extraction from small comparable corpora. In Proceedings, 12th Conference on Machine Translation Summit (MT Summit XII), page 284-291, Ottawa, Ontario, Canada.",
"links": null
},
"BIBREF23": {
"ref_id": "b23",
"title": "Identifying word translations in non-parallel texts",
"authors": [
{
"first": "R",
"middle": [],
"last": "Rapp",
"suffix": ""
}
],
"year": 1995,
"venue": "Proceedings of the 33rd annual meeting on Association for Computational Linguistics, ACL '95",
"volume": "",
"issue": "",
"pages": "320--322",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RAPP, R. (1995). Identifying word translations in non-parallel texts. In Proceedings of the 33rd annual meeting on Association for Computational Linguistics, ACL '95, pages 320-322. Association for Computational Linguistics.",
"links": null
},
"BIBREF24": {
"ref_id": "b24",
"title": "Une approche multi-vue pour l'extraction terminologique bilingue",
"authors": [
{
"first": "R",
"middle": [],
"last": "Rubino",
"suffix": ""
},
{
"first": "G",
"middle": [],
"last": "Linar\u00e8s",
"suffix": ""
}
],
"year": 2011,
"venue": "CORIA",
"volume": "",
"issue": "",
"pages": "97--111",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RUBINO, R. et LINAR\u00c8S, G. (2011). Une approche multi-vue pour l'extraction terminologique bilingue. In CORIA, pages 97-111.",
"links": null
},
"BIBREF25": {
"ref_id": "b25",
"title": "Exploitation de wikip\u00e9dia pour l'enrichissement et la construction des ressources linguistiques",
"authors": [
{
"first": "F",
"middle": [],
"last": "Sadat",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Terrasa",
"suffix": ""
}
],
"year": 2010,
"venue": "Proceedings of TALN",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SADAT, F. et TERRASA, A. (2010). Exploitation de wikip\u00e9dia pour l'enrichissement et la construc- tion des ressources linguistiques. In Proceedings of TALN, Montr\u00e9al, Canada.",
"links": null
},
"BIBREF26": {
"ref_id": "b26",
"title": "Detecting highly confident word translations from comparable corpora without any prior knowledge",
"authors": [
{
"first": "I",
"middle": [],
"last": "Vuli\u0107",
"suffix": ""
},
{
"first": "M.-F",
"middle": [],
"last": "Moens",
"suffix": ""
}
],
"year": 2012,
"venue": "Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics",
"volume": "",
"issue": "",
"pages": "449--459",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "VULI\u0106, I. et MOENS, M.-F. (2012). Detecting highly confident word translations from comparable corpora without any prior knowledge. In Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics, pages 449-459, Avignon, France. Association for Computational Linguistics.",
"links": null
},
"BIBREF27": {
"ref_id": "b27",
"title": "Verbs semantics and lexical selection",
"authors": [
{
"first": "Z",
"middle": [],
"last": "Wu",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Palmer",
"suffix": ""
}
],
"year": 1994,
"venue": "Proceedings of the 32nd annual meeting on Association for Computational Linguistics, ACL '94",
"volume": "",
"issue": "",
"pages": "133--138",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WU, Z. et PALMER, M. (1994). Verbs semantics and lexical selection. In Proceedings of the 32nd annual meeting on Association for Computational Linguistics, ACL '94, pages 133-138. Association for Computational Linguistics.",
"links": null
}
},
"ref_entries": {
"TABREF2": {
"content": "<table/>",
"text": "Vecteur de contexte {action}, {dividende}, {liquidit\u00e9}, . . . Dictionnaire bilingue {act, stock, action, deed, lawsuit, fact, operation, plot, share} , {divi-dend} , {liquidity} Sem Sim {dividend, act} ; {dividend,stock} ; ... ; {liquidity, act} ; {liquidity,stock} ; . . . Ave_Wup(action) share :0.5236, stock :0.5236, action :0.4256, act :0.2139, operation :0.2045, plot :0.2011, fact :0.1934, deed :0.1594, lawsuit :0.1212 TABLE 1 -D\u00e9sambigu\u00efsation s\u00e9mantique du vecteur de contexte du terme b\u00e9n\u00e9fice Parmi les mesures de similarit\u00e9 s\u00e9mantique utilisant WordNet, nous retrouvons les mesures bas\u00e9es sur la distance taxonomique. Le principe g\u00e9n\u00e9ral de ces mesures est de compter le nombre d'arcs qui s\u00e9parent deux sens dans WordNet. Dans ce cadre, nous choisissons la mesure d\u00e9finie par",
"html": null,
"type_str": "table",
"num": null
},
"TABREF4": {
"content": "<table><tr><td>Un exemple de d\u00e9sambigu\u00efsation de vecteur de contexte du terme \"b\u00e9n\u00e9fice\" est d\u00e9crit dans la</td></tr><tr><td>table 1. Ce vecteur est construit \u00e0 partir de corpus comparable sp\u00e9cialis\u00e9 et contient les mots</td></tr><tr><td>action, dividende, liquidit\u00e9 et d'autres unit\u00e9s. Lors du transfert de ce vecteur de la langue source</td></tr></table>",
"text": "o\u00f9 N est le nombre total des mots non polys\u00e9mique du vecteur traduit et Sem Sim est la valeur de similarit\u00e9 entre k j et le mot non polys\u00e9mique m i . Dans le cas o\u00f9 tous les mots du vecteur de contexte sont polys\u00e9miques, il est possible de calculer la similarit\u00e9 s\u00e9mantique entre toutes les combinaisons de mots. Dans de tels cas, nous choisissons de ne pas toucher au vecteurs de contexte puisque avec le calcul de ce type de similarit\u00e9 une augmentation de la complexit\u00e9 algorithmique et d\u00e9t\u00e9rioration des r\u00e9sultats d'extraction ont \u00e9t\u00e9 constat\u00e9s dans des exp\u00e9rimentations pr\u00e9liminaires.",
"html": null,
"type_str": "table",
"num": null
},
"TABREF5": {
"content": "<table><tr><td>TALN-R\u00c9CITAL 2013, 17-21 Juin, Les Sables d'Olonne</td></tr></table>",
"text": ").Nous consid\u00e9rons que le domaine d'\u00e9tude constitue une cat\u00e9gorie dans Wikip\u00e9dia. Les cat\u00e9gories sont un syst\u00e8me de classement th\u00e9matique des articles de Wikip\u00e9dia. Une requ\u00eate compos\u00e9e du domaine d'\u00e9tude en langue source (par exemple finance des entreprises) est donc construite pour extraire une arborescence de cat\u00e9gories ou de th\u00e8mes ayant pour cat\u00e9gorie m\u00e8re le domaine de sp\u00e9cialit\u00e9. Un exemple d'arborescence est pr\u00e9sent\u00e9 dans la figure 1. Arborescence de cat\u00e9gories de la th\u00e9matique Finance des entreprises en langue cible, les liens interlingues au sein de chaque article du corpus monolingue sont utilis\u00e9s. Un \u00e9tiquetage morpho-syntaxtique et une lemmatisation ont \u00e9t\u00e9 appliqu\u00e9s sur les articles collect\u00e9s. Nous avons aussi retir\u00e9 les mots fonctionnels et ceux apparaissant moins de deux fois dans les deux parties du corpus comparable. Nous avons ainsi construit deux corpus comparables de taille r\u00e9duite. La taille en nombre de mots des corpus r\u00e9sultants est dans la table 2 Taille des corpus comparables. La taille est exprim\u00e9e en nombre de mots Le dictionnaire bilingue Fran\u00e7ais-Anglais assurant le transfert des vecteurs de contexte comporte environ 120000 entr\u00e9es avec en moyenne 7 traductions par entr\u00e9e. Il s'agit d'un dictionnaire du domaine g\u00e9n\u00e9ral comportant quelques mots en rapport avec le domaine financier et m\u00e9dical.",
"html": null,
"type_str": "table",
"num": null
},
"TABREF7": {
"content": "<table><tr><td>M\u00e9thode AS WN-S 1 WN-S 2 WN-S 3 WN-S 4 WN-S 5 WN-S 6 WN-S 7 TABLE 3 -Corpus de \u00ab finance des entreprises \u00bb : Pr\u00e9cision et Rappel au TopN (N = 1, 10, 20) et P1 P10 P20 R1 R10 R20 MAP 4.6 14 18.6 4 12 16 6.4 6.5 19.6 26.1 5.6 16.8 22.4 8.9 10.2 25.2 30.8 8 21.6 26.4 12.2 10.2 24.2 32.7 8.8 20.8 28 12.2 11.2 22.4 29.9 9 19 25 12.4 9.3 20.5 28 8 17.6 24 11 8.4 20.5 23.3 7.2 17.6 20 9.41 7.4 17.7 24.2 6.4 15.2 20.8 9 MAP (%) P1 P10 P20 R1 R10 R20 MAP AS 34.2 54.2 58.5 25 39.5 42.7 31.4 WN-S 1 25.7 50 57.1 18.7 36.4 41.6 25.7 WN-S 2 31.4 61.4 67.1 22.9 44.7 48.9 31.3 WN-S 3 34.2 62.8 67.1 25 45.8 48.9 34.2 WN-S 4 34.2 57.1 64.2 25 41.6 46.8 33.2 WN-S 5 35.7 57.1 65.7 26 41.6 47.9 34.8 WN-S 6 35.7 57.1 65.2 26 41.6 46.8 34.7 WN-S 7 35.7 58.5 65.7 26 42.7 47.9 33.9 Rappelons que l'M\u00e9thode TABLE 4 -Corpus du \u00ab cancer du sein \u00bb : Pr\u00e9cision et Rappel au TopN (N = 1, 10, 20) et MAP (%)</td></tr></table>",
"text": "AS utilise toutes les traductions propos\u00e9es par le dictionnaire bilingue pour le transfert des vecteurs de contexte. Notre m\u00e9thode de d\u00e9sambigu\u00efsation des contextes fournit pour chaque unit\u00e9 polys\u00e9mique, un vecteur de sens ordonn\u00e9 en fonction des valeurs de similarit\u00e9. A cet \u00e9gard, il convient de s'interroger sur le nombre de sens \u00e0 consid\u00e9rer pour chaque mot polys\u00e9mique. Devrions nous consid\u00e9rer que l'\u00e9l\u00e9ment maximisant la similarit\u00e9 s\u00e9mantique dans le vecteur de contexte ou envisager un plus grand nombre de sens notamment quand un vecteur de sens contient des synonymes (share (An) et stock (An) dans la table 1). C'est pr\u00e9cis\u00e9ment pour cette raison que nous prenons en consid\u00e9ration pour chaque unit\u00e9 polys\u00e9mique diff\u00e9rents nombre de sens dans nos exp\u00e9rimentations allant du sens le plus similaire jusqu'au septi\u00e8me sens. L'arr\u00eat au septi\u00e8me sens ou traduction s'explique par le fait qu'en moyenne, un mot du corpus comparable poss\u00e8de 7 traductions dans le lexique bilingue. Ces m\u00e9thodes sont not\u00e9es WN-S i o\u00f9 i est le nombre de sens associ\u00e9 \u00e0 chaque unit\u00e9 polys\u00e9mique. La table 3 pr\u00e9sente les r\u00e9sultats obtenus pour le corpus de la finance des entreprises.",
"html": null,
"type_str": "table",
"num": null
}
}
}
} |