| { |
| "paper_id": "P98-1049", |
| "header": { |
| "generated_with": "S2ORC 1.0.0", |
| "date_generated": "2023-01-19T09:18:13.992805Z" |
| }, |
| "title": "Exp6rimentation en apprentissage d'heuristiques pour l'analyse syntaxique", |
| "authors": [ |
| { |
| "first": "Sylvain", |
| "middle": [], |
| "last": "Delisle", |
| "suffix": "", |
| "affiliation": { |
| "laboratory": "Drpartement de mathrmatiques et d'informatique", |
| "institution": "Universit6 du Qurbec a Trois-Rivirres Trois-Rivirres", |
| "location": { |
| "postCode": "G9A 5H7", |
| "region": "Qurbec", |
| "country": "Canada" |
| } |
| }, |
| "email": "sylvain_delisle@uqtr.uquebec.ca" |
| }, |
| { |
| "first": "Sylvain", |
| "middle": [], |
| "last": "Li~tourneau", |
| "suffix": "", |
| "affiliation": { |
| "laboratory": "", |
| "institution": "University of Ottawa", |
| "location": { |
| "settlement": "Ottawa", |
| "region": "Ontario", |
| "country": "Canada, KIN 6N5" |
| } |
| }, |
| "email": "" |
| }, |
| { |
| "first": "Stan", |
| "middle": [], |
| "last": "Matwln", |
| "suffix": "", |
| "affiliation": { |
| "laboratory": "", |
| "institution": "University of Ottawa", |
| "location": { |
| "settlement": "Ottawa", |
| "region": "Ontario", |
| "country": "Canada, KIN 6N5" |
| } |
| }, |
| "email": "" |
| } |
| ], |
| "year": "", |
| "venue": null, |
| "identifiers": {}, |
| "abstract": "", |
| "pdf_parse": { |
| "paper_id": "P98-1049", |
| "_pdf_hash": "", |
| "abstract": [], |
| "body_text": [ |
| { |
| "text": "Les syst~mes ou programmes de traitement de la langue naturelle doivent prendre des drcisions quant au choix des meilleures stratrgies ou rrgles h appliquer en cours de rrsolution d'un probl~me particulier. Pour un analyseur syntaxique constitu6 d'une base de rrgles symboliques, le cas auquel nous nous intrressons ici, ces drcisions peuvent consister h srlectionner les rrgles ou l'ordonnancement de celles-ci permettant de produire la plus rapide ou la plus prrcise analyse syntaxique pour un 6noncr, un type d'rnonc6 ou m~me un corpus sprcifique. La complexit6 de telles bases de rrgles grammaticales et leurs subtilitrs computationnelles et linguistiques font en sorte que la prise de ces drcisions constitue un probl~me difficile. Nous nous sommes donc fix6 comme objectif de trouver des techniques qui permettraient d'apprendre des heuristiques performantes de prise de drcision afin de les incorporer ~ un analyseur syntaxique existant. Pour atteindre une telle adaptabilitr, nous avons adopt6 une approche d'apprentissage automatis6 supportre par l'utilisation de syst~mes de classification automatique.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "", |
| "sec_num": null |
| }, |
| { |
| "text": "Nos travaux ont 6t6 rralisrs sur un analyseur syntaxique ~ large couverture syntaxique de l'anglais 6crit et ont port6 sur un sous-ensemble prrcis de celui-ci : le niveau le plus haut qui doit drcider avec quelle(s) r~gle(s)----et, s'il yen a plusieurs, dans quel ordre--lancer l'analyse syntaxique de l'rnonc6 en cours de traitement, selon que cet 6nonc6 semble comporter des phrnom~nes de coordination structurelle plus ou moins compliqurs. Ce problbme de drcision se traduit naturellement en un probl~me de classification, d'o~ notre utilisation de systrmes de classification automatique de plusieurs types : r~gles de drcision, bas6 sur les instances, rrseaux de croyances et rrseaux de neurones. Soulignons que notre analyseur syntaxique poss~dait drj~ des r~gles heuristiques d~dires ~ ce probl~me de d~cision. Elles avaient 6t6 composres par le premier auteur sans avoir recours h aucun mrcanisme automatique. Nous drsirions maintenant trouver de nouvelles heuristiques qui seraient encore plus performantes que les anciennes et qui pourraient donc les remplacer.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "", |
| "sec_num": null |
| }, |
| { |
| "text": "La mrthodologie que nous avons utilisre est la suivante. Premi~rement, nous avons drfini les attributs les plus pertinents pour reprrsenter les exemples (rnoncrs). I1 importait d'identifier des attributs facilement calculables de fa~on automatique et qui permettraient d'obtenir de nouvelles heuristiques intrressantes. Par exemple, la prrsence de conjonctions de coordination et la longueur de l'rnonc6 sont deux attributs utiles. Deuxi~mement, nous avons soumis les exemples, traduits en termes des attributs srlectionnrs, aux syst~mes classificateurs afin d'obtenir des rbgles. Nous avons ensuite srlectionn6 les r~gles les plus intrressantes, c'est-h-dire celles qui 6taient les plus discriminantes tout en demeurant intelligibles dans une perspective linguistique. Troisi~mement, nous avons incorpor6 les rrgles srlectionnres ~ notre analyseur syntaxique en remplacement des anciennes. Finalement, nous avons 6valu6 la nouvelle version de l'analyseur obtenue grace ~ ces nouvelles r~gles et effectu6 une comparaison avec l'ancienne version. Les rrsultats que nous avons obtenus se rrsument ainsi : nous avons trouv6 de nouvelles heuristiques qui sont significativement meilleures que les anciennes et qui, en particulier, poss~dent un taux d'erreur de 35% infrrieur h celui des anciennes. Qui plus est, ces rrsultats ont 6t6 obtenus sur des 6noncrs tout ?~ fait indrpendants de ceux utilisrs pour l'entra~nement avec les syst~mes classificateurs. Ces rrsultats drmontrent que des techniques d'apprentissage automatis6 peuvent concourir h l'optimisation adaptive de certaines drcisions importantes en analyse syntaxique.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "", |
| "sec_num": null |
| } |
| ], |
| "back_matter": [], |
| "bib_entries": {}, |
| "ref_entries": {} |
| } |
| } |
