| { | |
| "paper_id": "F14-1007", | |
| "header": { | |
| "generated_with": "S2ORC 1.0.0", | |
| "date_generated": "2023-01-19T10:22:44.599311Z" | |
| }, | |
| "title": "Jouer avec des analyseurs syntaxiques", | |
| "authors": [ | |
| { | |
| "first": "\u00c9ric", | |
| "middle": [], | |
| "last": "Villemonte", | |
| "suffix": "", | |
| "affiliation": { | |
| "laboratory": "", | |
| "institution": "INRIA -Rocquencourt -B", | |
| "location": { | |
| "postBox": "P. 105", | |
| "postCode": "78153", | |
| "settlement": "Le Chesnay Cedex", | |
| "country": "FRANCE" | |
| } | |
| }, | |
| "email": "[email protected]" | |
| } | |
| ], | |
| "year": "", | |
| "venue": null, | |
| "identifiers": {}, | |
| "abstract": "Nous pr\u00e9sentons DYALOG-SR, un analyseur syntaxique statistique par d\u00e9pendances d\u00e9velopp\u00e9 dans le cadre de la t\u00e2che SPRML 2013 portant sur un jeu de 9 langues tr\u00e8s diff\u00e9rentes. L'analyseur DYALOG-SR impl\u00e9mente un algorithme d'analyse par transition (\u00e0 la MALT), \u00e9tendu par utilisation de faisceaux et de techniques de programmation dynamique. Une des particularit\u00e9 de DYALOG-SR provient de sa capacit\u00e9 \u00e0 prendre en entr\u00e9e des treillis de mots, particularit\u00e9 utilis\u00e9e lors de SPMRL13 pour traiter des treillis en H\u00e9breu et reprise plus r\u00e9cemment sur des treillis produits par SXPIPE pour le fran\u00e7ais. Disposant par ailleurs avec FRMG d'un analyseur alternatif pour le fran\u00e7ais, nous avons exp\u00e9riment\u00e9 un couplage avec DYALOG-SR, nous permettant ainsi d'obtenir les meilleurs r\u00e9sultats obtenus \u00e0 ce jour sur le French TreeBank.", | |
| "pdf_parse": { | |
| "paper_id": "F14-1007", | |
| "_pdf_hash": "", | |
| "abstract": [ | |
| { | |
| "text": "Nous pr\u00e9sentons DYALOG-SR, un analyseur syntaxique statistique par d\u00e9pendances d\u00e9velopp\u00e9 dans le cadre de la t\u00e2che SPRML 2013 portant sur un jeu de 9 langues tr\u00e8s diff\u00e9rentes. L'analyseur DYALOG-SR impl\u00e9mente un algorithme d'analyse par transition (\u00e0 la MALT), \u00e9tendu par utilisation de faisceaux et de techniques de programmation dynamique. Une des particularit\u00e9 de DYALOG-SR provient de sa capacit\u00e9 \u00e0 prendre en entr\u00e9e des treillis de mots, particularit\u00e9 utilis\u00e9e lors de SPMRL13 pour traiter des treillis en H\u00e9breu et reprise plus r\u00e9cemment sur des treillis produits par SXPIPE pour le fran\u00e7ais. Disposant par ailleurs avec FRMG d'un analyseur alternatif pour le fran\u00e7ais, nous avons exp\u00e9riment\u00e9 un couplage avec DYALOG-SR, nous permettant ainsi d'obtenir les meilleurs r\u00e9sultats obtenus \u00e0 ce jour sur le French TreeBank.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Abstract", | |
| "sec_num": null | |
| } | |
| ], | |
| "body_text": [ | |
| { | |
| "text": "Nous pr\u00e9sentons diverses exp\u00e9riences d'analyse syntaxique pour le fran\u00e7ais men\u00e9es avec l'analyseur statistique DYALOG-SR (Villemonte De La Clergerie, 2013a). Initialement d\u00e9velopp\u00e9 pour participer \u00e0 la campagne organis\u00e9e en marge de SPMRL 2013 (Seddah et al., 2013 , cet analyseur en d\u00e9pendances a \u00e9t\u00e9 test\u00e9 sur 9 langues tr\u00e8s diverses, comme l'h\u00e9breu, le hongrois ou le cor\u00e9en, et a termin\u00e9 second dans sa cat\u00e9gorie. S'appuyant sur une strat\u00e9gie d'analyse par transitions (\u00e0 la MALT (Nivre, 2003) ), DYALOG-SR utilise de plus la programmation dynamique pour g\u00e9rer des choix non-d\u00e9terministes au travers de faisceaux (beams). Mais la principale originalit\u00e9 de DYALOG-SR r\u00e9side dans sa capacit\u00e9 \u00e0 traiter en entr\u00e9e des treillis de mots, pouvant repr\u00e9senter des ambigu\u00eft\u00e9s lexicales mais \u00e9galement des ambigu\u00eft\u00e9s de segmentation. Cette capacit\u00e9 a \u00e9t\u00e9 utilis\u00e9e dans le cadre de SPMRL sur des treillis en h\u00e9breu. \u00c0 ce stade, une premi\u00e8re exp\u00e9rience pr\u00e9liminaire a consist\u00e9 \u00e0 entra\u00eener et \u00e0 \u00e9valuer DYALOG-SR sur la version en d\u00e9pendances du French TreeBank (FTB) (Candito et al., 2010a) , de mani\u00e8re \u00e0 pouvoir le comparer avec les autres syst\u00e8mes \u00e9valu\u00e9s sur ce m\u00eame treebank (Candito et al., 2010b; Urieli & Tanguy, 2013; Le Roux et al., 2012) . Il nous a paru int\u00e9ressant de tester \u00e9galement DYALOG-SR sur les treillis de mots produits par le segmenteur SXPIPE (Sagot & Boullier, 2008) , en particulier pour v\u00e9rifier son comportement sur les treillis pour une autre langue que l'h\u00e9breu. De fait, nous avons du affiner certains d\u00e9tails de l'algorithme, en particulier pour une meilleure prise en compte des mots en lecture avant (lookahead).", | |
| "cite_spans": [ | |
| { | |
| "start": 230, | |
| "end": 243, | |
| "text": "de SPMRL 2013", | |
| "ref_id": null | |
| }, | |
| { | |
| "start": 244, | |
| "end": 264, | |
| "text": "(Seddah et al., 2013", | |
| "ref_id": "BIBREF20" | |
| }, | |
| { | |
| "start": 484, | |
| "end": 497, | |
| "text": "(Nivre, 2003)", | |
| "ref_id": "BIBREF15" | |
| }, | |
| { | |
| "start": 1059, | |
| "end": 1082, | |
| "text": "(Candito et al., 2010a)", | |
| "ref_id": "BIBREF3" | |
| }, | |
| { | |
| "start": 1172, | |
| "end": 1195, | |
| "text": "(Candito et al., 2010b;", | |
| "ref_id": "BIBREF3" | |
| }, | |
| { | |
| "start": 1196, | |
| "end": 1218, | |
| "text": "Urieli & Tanguy, 2013;", | |
| "ref_id": "BIBREF21" | |
| }, | |
| { | |
| "start": 1219, | |
| "end": 1240, | |
| "text": "Le Roux et al., 2012)", | |
| "ref_id": "BIBREF13" | |
| }, | |
| { | |
| "start": 1359, | |
| "end": 1383, | |
| "text": "(Sagot & Boullier, 2008)", | |
| "ref_id": "BIBREF18" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Par ailleurs, au travers de FRMG (de La Clergerie, 2005b), nous disposons d'un autre analyseur pour le fran\u00e7ais, bas\u00e9 sur une grammaire linguistique, de bonne qualit\u00e9 et de large couverture, capable de produire des analyses respectant le sch\u00e9ma d'annotation du FTB (Villemonte De La Clergerie, 2013b). Ceci nous a incit\u00e9 \u00e0 tenter une exp\u00e9rience de couplage entre DYALOG-SR et FRMG, en utilisant les r\u00e9sultats de FRMG comme traits de guidage pour DYALOG-SR. Cette manipulation, finalement tr\u00e8s simple \u00e0 mettre en oeuvre, s'est r\u00e9v\u00e9l\u00e9e fructueuse et assure les meilleurs performances, \u00e0 notre connaissance, obtenues \u00e0 ce jour sur le FTB.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Dans la section 2, nous pr\u00e9sentons les grandes lignes de l'algorithme d'analyse mis en oeuvre par DYALOG-SR, ainsi que, dans la section 3, les adaptations apport\u00e9es pour le traitement de treillis de mots. Nous rappelons quelques r\u00e9sultats obtenus par DYALOG-SR pendant la campagne SPRML. Partant de ce point de d\u00e9part, les exp\u00e9riences men\u00e9es sur le fran\u00e7ais sont ensuite d\u00e9crites en section 4, en pr\u00e9cisant certaines modifications suppl\u00e9mentaires apport\u00e9es \u00e0 DYALOG-SR pour am\u00e9liorer ses performances et son efficacit\u00e9. Enfin, en section 5, nous pr\u00e9sentons et discutons les r\u00e9sultats obtenus pour ces exp\u00e9riences sur le corpus FTB, ainsi que sur le corpus h\u00e9t\u00e9rog\u00e8ne SEQUOIA.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "2 Un algorithme d'analyse par faisceau DYALOG-SR met en oeuvre une strat\u00e9gie d'analyse par transitions utilisant le syst\u00e8me d\u00e9ductif arc-standard de la figure 1(a) sur des configurations form\u00e9es d'une position j dans la cha\u00eene d'entr\u00e9e et d'une pile S dont les \u00e9l\u00e9ments sont des arbres (partiels) de d\u00e9pendances. \u00c0 l'\u00e9tape m, soit une transition d'empilement (shift) empile le prochain mot de la cha\u00eene sur le sommet de la pile, soit une transition de r\u00e9duction \u00e9tablit une d\u00e9pendance de label l entre le sommet r 0 de l'arbre s o comme gouverneur et le sommet r 1 de l'arbre s 1 comme gouvern\u00e9 (r\u00e9duction re l ) ou le contraire (r\u00e9duction re l ). Les configurations sont compl\u00e9t\u00e9es par un score c mis \u00e0 jour lors de l'application des transitions par consultation d'un mod\u00e8le statistique donnant leur co\u00fbt \u00e9l\u00e9mentaire (\u03be, \u03bb et \u03c1). La strat\u00e9gie arc-standard ne permet que de construire des arbres de d\u00e9pendances projectifs (sans croisement de d\u00e9pendances) et est proche de la strat\u00e9gie arc-eager 1 g\u00e9n\u00e9ralement mise en oeuvre dans MALT pour les cas projectifs.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "entr\u00e9e : w 0 . . . w n\u22121 axiome 0: 0, :0 shift m: j, S :c m + 1: j + 1, S|w j :c + \u03be re l m: j, S|s 1 |s 0 :c m + 1: j, S|s 1 l s 0 :c + \u03bb re l m: j, S|s 1 |s 0 :c m + 1: j, S|s 1 l s 0 :c + \u03c1 but 2n \u2212 1: n, s 0 :c (a) sur les configurations shift I = m: j, s 0 , s 1 :(c, \u03b9) J = m + 1: j + 1, w j , s 0 :(c + \u03be, \u03be) tail(J) += I back(J) +=(shift, I, nil, c + \u03be) re l I = m: j, s 0 , s 1 :(c, \u03b9) I t = _: _, _, s 2 :(c , \u03b9 ) \u2208 tail(I) J = m + 1: j, s 1 l s 0 , s 2 :(c + \u03b4, \u03b9 + \u03b4) \u03b4 = \u03b9 + \u03bb tail(J) \u222a= tail(I t ) back(J) +=( l , I, I t , c + \u03b4)", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "(b) sur les items en programmation dynamique (fragment) FIGURE 1 -Syst\u00e8mes d\u00e9ductifs pour la strat\u00e9gie Arc-standard les _ dans les items d\u00e9notent des champs dont les valeurs ne n\u00e9cessitent pas d'\u00eatre consult\u00e9es N\u00e9anmoins, l\u00e0 o\u00f9 MALT explore l'espace de recherche de mani\u00e8re d\u00e9terministe et gloutonne en prenant une suite de d\u00e9cisions locales, DYALOG-SR utilise une approche non-d\u00e9terministe en maintenant, pour chaque \u00e9tape m, un faisceau de possibilit\u00e9s de largeur k. Pour cela, suivant (Huang & Sagae, 2010), il met en oeuvre des principes de programmation dynamique en identifiant des ensembles de configurations se comportant de mani\u00e8re \u00e9quivalente par rapport aux transitions et repr\u00e9sentables sous forme d'items. Plusieurs choix sont possibles pour d\u00e9finir ces items, et dans notre cas, la composante principale d'un item I est fournie par m: j, s 0 , s 1 :(c, \u03b9) o\u00f9 j d\u00e9note la position courante dans la cha\u00eene d'entr\u00e9e, s 0 et s 1 les 2 premiers \u00e9l\u00e9ments de pile (plus pr\u00e9cis\u00e9ment des approximations sur les noeuds racines et leurs d\u00e9pendances imm\u00e9diates), c le co\u00fbt pr\u00e9fixe maximum menant \u00e0 I, et \u03b9 le co\u00fbt int\u00e9rieur maximum depuis l'empilement d'un \u00e9l\u00e9ment au dessus de s 1 , De plus, suivant (Goldberg et al., 2013) , nous maintenons pour chaque item I un ensemble d'items queue (tail) I t n\u00e9cessaires lors des r\u00e9ductions pour retrouver le bas de la pile. Enfin, des pointeurs arri\u00e8re (typ\u00e9s) sont associ\u00e9s \u00e0 chaque item permettant de reconstruire une d\u00e9rivation et un arbre de d\u00e9pendance \u00e0 partir d'un item final. Par ailleurs, le syst\u00e8me d\u00e9ductif est adapt\u00e9 pour les items comme illustr\u00e9 par la figure 1(b). L'utilisation de la programmation dynamique signifie en pratique que, m\u00eame si seuls les k meilleurs items sont conserv\u00e9s \u00e0 chaque \u00e9tape m, nettement plus de k configurations sont accessibles au travers des pointeurs arri\u00e8res. Par contre, \u00e0 chaque \u00e9tape, seule l'information pr\u00e9sente dans un item est accessible, soit bien moins que dans une configuration compl\u00e8te.", | |
| "cite_spans": [ | |
| { | |
| "start": 1203, | |
| "end": 1226, | |
| "text": "(Goldberg et al., 2013)", | |
| "ref_id": "BIBREF10" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "La phase d'apprentissage s'appuie sur les transitions fournies par un oracle et utilise un perceptron moyenn\u00e9e pour mettre 1. Cependant, la strat\u00e9gie arc-eager tend \u00e0 cr\u00e9er les d\u00e9pendances au plus t\u00f4t, au contraire de arc-standard. \u00e0 jour le mod\u00e8le statistique (Daume, 2006) , en suivant une strat\u00e9gie agressive de mise \u00e0 jour au plus t\u00f4t (early strategy, (Huang et al., 2012)) d\u00e8s que l'item oracle O m obtenu \u00e0 l'\u00e9tape m par application des m premi\u00e8res transitions donn\u00e9es par l'oracle se trouve en dehors du faisceau d'items.", | |
| "cite_spans": [ | |
| { | |
| "start": 261, | |
| "end": 274, | |
| "text": "(Daume, 2006)", | |
| "ref_id": "BIBREF6" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Le choix des transitions \u00e0 appliquer s'appuie sur un jeu assez classique de traits, comprenant en particulier des traits lexicaux li\u00e9s aux champs du format tabulaire CONLL comme lex, lemma, cat (CPOS), fullcat (POS), mstag (traits morphosyntaxique FEATS). Ces traits sont d\u00e9clin\u00e9s pour le prochain mot la 1 dans la cha\u00eene, pour les deux mots suivants de lecture avant la 2 et la 3 (lookahead), et (quand pr\u00e9sents) pour les racines r 0 et r 1 des arbres s 0 et s 1 ainsi que pour leurs fils extremum \u00e0 gauche et \u00e0 droite. Nous avons aussi des traits li\u00e9s aux d\u00e9pendances comme les labels, les valences et domaines, ainsi que les distances discr\u00e9tis\u00e9es entre r 0 , r 1 et la 1 . Les traits ont en g\u00e9n\u00e9ral des valeurs atomiques (symboliques ou num\u00e9riques) mais acceptent \u00e9galement des listes de valeurs, par exemple pour d\u00e9composer le trait mstag en sous-traits (gender, number, . . . ). Ces traits peuvent \u00eatre combin\u00e9es sous forme de s\u00e9quences (motifs) pour prendre en compte des corr\u00e9lations multi-facteurs.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "La table 1(a) rappelle quelques r\u00e9sultats obtenus par DYALOG-SR sur le fran\u00e7ais lors de la campagne SPMRL 2013. Quatre configurations \u00e9taient propos\u00e9es aux participants, avec l'apprentissage r\u00e9alis\u00e9 sur un corpus de 14K phrases (full) ou un corpus de 5K phrases (5k), et avec en entr\u00e9e un \u00e9tiquetage de r\u00e9f\u00e9rence (gold) ou pr\u00e9dit (pred). Le sch\u00e9ma d'annotation utilis\u00e9 \u00e9tait une variante plus riche du sch\u00e9ma FTB, avec en particulier une relation dep_cpd servant \u00e0 relier les composants d'une forme compos\u00e9e (comme par exemple les composants du terme motion de censure). En mode pred, la d\u00e9tection de ces relations dep_cpd \u00e9tait une des principales difficult\u00e9s de la t\u00e2che.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Dans la table 1(a), les r\u00e9sultats de DYALOG-SR sur la partie test sont compar\u00e9s \u00e0 ceux du meilleur syst\u00e8me, \u00e0 un syst\u00e8me baseline de type MALT, et \u00e0 la moyenne des r\u00e9sultats fournis par les participants. Les scores sont exprim\u00e9s en Labeled Attachement Score (LAS), en prenant en compte la ponctuation. Enfin, la valeur pour b indique la largeur optimale du faisceau calcul\u00e9e sur la partie dev.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "On observe que DYALOG-SR reste relativement loin du meilleur syst\u00e8me pour toutes les configurations, mais se place n\u00e9anmoins syst\u00e9matiquement dans la moyenne haute des participants, un r\u00e9sultat somme toute honorable pour un syst\u00e8me d\u00e9velopp\u00e9 et configur\u00e9 en environ un mois. Sur l'ensemble des 9 langues, DYALOG-SR se classe second 2 , juste devant une version de MALT optimis\u00e9e sur son jeu de traits gr\u00e2ce \u00e0 l'emploi de MALTOPTIMIZER (Ballesteros & Nivre, 2012). Enfin, la figure 4(a) montre l'impact des faisceaux dans l'am\u00e9lioration significative des performances pour toutes les langues, \u00e0 l'exception encore myst\u00e9rieuse du cor\u00e9en. possibles dans un treillis peuvent \u00eatre de longueurs diff\u00e9rentes, rendant difficile la comparaison des scores associ\u00e9s aux configurations (et aux items). Une premi\u00e8re solution \u00e0 ce probl\u00e8me consiste \u00e0 normaliser les scores en fonction de la longueur des chemins, mais les exp\u00e9riences men\u00e9es ne se sont pas r\u00e9v\u00e9l\u00e9es tr\u00e8s concluantes, m\u00eame si un gain de quelques points a \u00e9t\u00e9 obtenu.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Finalement, un trait length a \u00e9t\u00e9 ajout\u00e9 \u00e0 chaque mot, d\u00e9notant la longueur de l'arc sous-jacent dans le treillis, laissant au m\u00e9canisme d'apprentissage le soin de d\u00e9terminer les meilleurs poids relatifs aux diverses longueurs (en conjonction avec les autres traits).", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Une autre difficult\u00e9 des treillis de mots est li\u00e9 \u00e0 l'utilisation des mots en lecture avant. Le choix de ces mots est maintenant non-d\u00e9terministe et doit rester coh\u00e9rent avec un chemin valide dans le treillis. En pratique, il devient n\u00e9cessaire d'\u00e9tendre les configurations pour y ajouter explicitement le chemin choisi de lecture avant, comme formalis\u00e9 par le syst\u00e8me d\u00e9ductif de la figure 3. Les trois composants la 1 , la 2 , la 3 d\u00e9notent des identifiants d'arcs dans le treillis qui forment un d\u00e9but de chemin valide \u00e0 partir de la position j. La transition shift n\u00e9cessite de choisir un nouvel identifiant la 4 prolongeant le chemin, suite \u00e0 la consommation de la 1 . Les items et transitions sur les items ont similairement \u00e9t\u00e9 r\u00e9vis\u00e9s. Bien entendu, l'ajout des identifiants peut grandement multiplier le nombre possible d'items, en gros par le nombre de chemins possibles (de taille 3) dans le treillis, d'o\u00f9 l'importance d'utiliser des faisceaux plus larges.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "re l m: j, S|s 1 |s 0 , la 1 , la 2 , la 3 :c m + 1: j, S|s 1 l s 0 , la 1 , la 2 , la 3 :c + \u03bb re l m: j, S|s 1 |s 0 , la 1 , la 2 , la 3 :c m + 1: j, S|s 1 l s 0 , la 1 , la 2 , la 3 :c + \u03c1 shift m: j, S, la 1 , la 2 , la 3 :c m + 1: k, S|la 1 , la 2 , la 3 , la 4 :c + \u03be", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "FIGURE 3 -Version r\u00e9vis\u00e9e de la strat\u00e9gie arc-standard, pour les treillis Enfin, lors de la phase d'apprentissage, il est n\u00e9cessaire de compl\u00e9ter l'oracle avec des informations sur le bon chemin \u00e0 suivre dans le treillis de mani\u00e8re \u00e0 pouvoir choisir l'arc suivant la 4 lors des transitions shift. En pratique, ce chemin est obtenu par alignement du treillis avec la segmentation de r\u00e9f\u00e9rence.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "La table 1(b) donne les r\u00e9sultats obtenus pour l'h\u00e9breu, d'abord avec DYALOG-SR non modifi\u00e9 sur des cha\u00eenes (non ambigu\u00ebs) et sur des treillis (ambigu\u00ebs), puis avec DYALOG-SR modifi\u00e9 (et le trait length). Les scores utilisent la m\u00e9trique TED (Tsarfaty et al., 2011), adapt\u00e9e \u00e0 la mise en correspondance d'analyses ne s'appuyant pas sur une m\u00eame segmentation. La version non modifi\u00e9e est tr\u00e8s mauvaise sur les treillis avec une chute de 11 points mais la version modifi\u00e9e, pour un faisceau de taille 16, arrive quasiment \u00e0 combler son retard, avec une perte de seulement 0,6 point. La figure 4(b) montre que des faisceaux plus larges semblent effectivement n\u00e9cessaires pour compenser l'ambiguit\u00e9 des treillis (avec en moyenne 2,76 arcs par token), mais m\u00eame avec un faisceau de taille 6, on observe des gains importants par rapport \u00e0 la version non modifi\u00e9e. Enfin, de mani\u00e8re surprenante, le trait length, bien qu'utile, ne semble pas essentiel et n'assure en d\u00e9finitive qu'un gain de 0,25, peut-\u00eatre parce qu'il est en partie redondant avec les traits lexicaux. Ces traits suppl\u00e9mentaires ont \u00e9t\u00e9 \u00e9galement utilis\u00e9s pour les deux autres exp\u00e9riences.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Tout derni\u00e8rement, nous avons \u00e9galement cherch\u00e9 \u00e0 rendre encore plus agressive la strat\u00e9gie de mise \u00e0 jour du mod\u00e8le lors de l'apprentissage. En particulier, en sus des r\u00e8gles existantes, le mod\u00e8le est maintenant mis \u00e0 jour d\u00e8s que le co\u00fbt de la derni\u00e8re action conduisant \u00e0 l'item oracle O m se trouve en dessous d'une certaine marge avec le co\u00fbt de la derni\u00e8re action conduisant au meilleur item, ce m\u00eame si O m se trouve dans le faisceau. La valeur de la marge est automatiquement ajust\u00e9e en fonction du co\u00fbt moyen des transitions. Enfin, lors d'une mise \u00e0 jour, le perceptron normalement incr\u00e9mente ou d\u00e9cr\u00e9mente les poids de 1 pour les traits concern\u00e9s, mais cet incr\u00e9ment est maintenant port\u00e9 \u00e0 2 en cas de d\u00e9tection de pertes de d\u00e9pendances, c'est \u00e0 dire quand le choix de la transition sur l'item \u00e0 p\u00e9naliser conduit \u00e0 perdre au moins une d\u00e9pendance pr\u00e9dite par l'oracle.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "De nouveaux tests r\u00e9alis\u00e9s avec la nouvelle version de DYALOG-SR sur les donn\u00e9es SPRML du fran\u00e7ais (pred/full) ont montr\u00e9 une \u00e9volution des performances sur la partie dev de 82,88 \u00e0 83,51. Ainsi, un lex\u00e8me SXPIPE multi-tokens de cat\u00e9gorie X est d\u00e9coup\u00e9 en morceaux pour chaque token, avec des cat\u00e9gories de la forme X:cmpd. Un trait part=i est aussi ajout\u00e9 aux traits morpho-syntaxiques pour chaque composant i. Dans l'autre sens, les lex\u00e8mes SXPIPE couvrant un m\u00eame token FTB sont fusionn\u00e9s. Ainsi la s\u00e9quence de/prep les/det associ\u00e9e au token des est fusionn\u00e9e en des/prep+det. Dans certains cas, ce processus de fusion peut amener \u00e0 combiner un composant X:cmpd avec d'autres lex\u00e8mes.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Le processus de fusion cr\u00e9e un nombre tr\u00e8s important de cat\u00e9gories complexes X 1 +\u2022 \u2022 \u2022+X n (autour de 10 000 cat\u00e9gories), ce qui nous a amen\u00e9 \u00e0 en rejeter certaines (hautement improbables) et surtout \u00e0 remplacer toutes les s\u00e9quences avec n > 2 par la cat\u00e9gorie g\u00e9n\u00e9rique aggl. Au final, nous obtenons 188 cat\u00e9gories, ce qui repr\u00e9sente encore un nombre tr\u00e8s cons\u00e9quent de cat\u00e9gories. Par ailleurs, la plupart des cat\u00e9gories simples (correspondant \u00e0 celles du LEFFF) ont \u00e9t\u00e9 converties vers les cat\u00e9gories simples du French TreeBank (N, V, A, ADV, PRO, C, . . . ). Cette conversion facilite en particulier l'alignement avec les donn\u00e9es FTB pour retrouver le chemin de r\u00e9f\u00e9rence dans les treillis lors de Les r\u00e9sultats obtenus par DYALOG-SR sur les treillis SXPIPE, sans \u00e9tiquetage pr\u00e9alable et avec r\u00e9alignement, sont finalement assez proches de ceux obtenus avec \u00e9tiquetage, avec une perte d'un peu plus d'un point, malgr\u00e9 un jeu tr\u00e8s important de 188 cat\u00e9gories syntaxiques. Ils d\u00e9pendent cependant fortement de l'utilisation des faisceaux. La figure 5(b) montre en effet que les performances croissent de mani\u00e8re importante avec la largeur des faisceaux, avec plus de quatre points de gains, mais que gr\u00e2ce \u00e0 l'adaptation locale des faisceaux, il n'est pas cependant n\u00e9cessaire d'utiliser des faisceaux aussi larges que pour l'h\u00e9breu. Il est probable qu'il existe encore une marge de progression, en int\u00e9grant de nouveaux traits plus sp\u00e9cifiquement d\u00e9di\u00e9s au choix du prochain lex\u00e8me dans le treillis et en g\u00e9rant mieux les processus de fusion des lex\u00e8mes SXPIPE. Comme les cat\u00e9gories syntaxiques ne sont pas celles du FTB, il est difficile de fournir une \u00e9valuation pr\u00e9cise de l'\u00e9tiquetage finalement obtenu. N\u00e9anmoins, en projetant sur les 15 cat\u00e9gories simples du FTB, on obtient une f-mesure de 95,35% sur FTB test (et b = 10, i = 9) alors qu'elle \u00e9tait autour de 70% avant les modifications apport\u00e9es \u00e0 la gestion de la 4 lors des transitions shift. Toujours pour \u00e9tudier les diff\u00e9rences entre les analyseurs, nous les avons compar\u00e9 selon divers crit\u00e8res topologiques, comme la distance entre gouverneur et gouvern\u00e9 ( fig. 7(a) ), la profondeur dans l'arbre de d\u00e9pendance ( fig. 7(b) ), la taille de la fratrie ( fig. 7(c) ), et enfin le rang (gauche ou droit) dans la fratrie ( fig. 7(d) ). Nous notons ainsi que pour les d\u00e9pendances \u00e0 longue distance, difficiles pour un analyseur local comme DYALOG-SR, nous obtenons de bien meilleurs r\u00e9sultats par couplage avec FRMG. Pour la profondeur, qui pose probl\u00e8me \u00e0 FRMG 6 , nous notons une nette am\u00e9lioration de DYALOG-SR+FRMG, en rappel et en pr\u00e9cision. Pour le rang, et en particulier pour les rangs n\u00e9gatifs (d\u00e9pendances gauches) qui posent probl\u00e8me pour DYALOG-SR, on voit que le couplage h\u00e9rite des meilleures performances de FRMG. Enfin, la trace des faiblesses du mode robuste pour FRMG est bien visible en pr\u00e9cision pour la distance nulle, la profondeur nulle et le rang nul, mais ces faiblesses sont totalement compens\u00e9es pour DYALOG-SR+FRMG.", | |
| "cite_spans": [ | |
| { | |
| "start": 700, | |
| "end": 702, | |
| "text": "de", | |
| "ref_id": null | |
| } | |
| ], | |
| "ref_spans": [ | |
| { | |
| "start": 2125, | |
| "end": 2134, | |
| "text": "fig. 7(a)", | |
| "ref_id": "FIGREF3" | |
| }, | |
| { | |
| "start": 2181, | |
| "end": 2190, | |
| "text": "fig. 7(b)", | |
| "ref_id": "FIGREF3" | |
| }, | |
| { | |
| "start": 2220, | |
| "end": 2229, | |
| "text": "fig. 7(c)", | |
| "ref_id": "FIGREF3" | |
| }, | |
| { | |
| "start": 2286, | |
| "end": 2295, | |
| "text": "fig. 7(d)", | |
| "ref_id": "FIGREF3" | |
| } | |
| ], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Enfin, nous avons examin\u00e9 la stabilit\u00e9 des analyseurs sur le corpus SEQUOIA (Candito & Seddah, 2012 Le couplage de plusieurs analyseurs statistiques n'est pas nouveau (Sagae & Lavie, 2006) , mais celui d'un analyseur statistique avec un analyseur fond\u00e9 sur une grammaire linguistique est d\u00e9j\u00e0 plus original et prometteur (Ovrelid et al., 2009) . (Villemonte De La Clergerie, 2013b) a montr\u00e9 qu'il est possible d'am\u00e9liorer les performances d'un analyseur symbolique en lui permettant d'apprendre \u00e0 partir d'un corpus annot\u00e9 comme le FTB, et nous voyons ici que la combinaison d'un analyseur statistique avec un analyseur symbolique est aussi une piste int\u00e9ressante pour fortement am\u00e9liorer les performances, ce qui est une incitation \u00e0 utiliser au mieux les divers analyseurs du fran\u00e7ais qui existent (et pas forc\u00e9ment les seuls analyseurs statistiques entra\u00een\u00e9s sur le FTB). Cette approche, qui reste n\u00e9anmoins assez lourde \u00e0 mettre en oeuvre, assure aussi une meilleure stabilit\u00e9 pour des corpus hors domaine d'entra\u00eenement, comme montr\u00e9 sur le corpus SEQUOIA.", | |
| "cite_spans": [ | |
| { | |
| "start": 76, | |
| "end": 99, | |
| "text": "(Candito & Seddah, 2012", | |
| "ref_id": "BIBREF4" | |
| }, | |
| { | |
| "start": 167, | |
| "end": 188, | |
| "text": "(Sagae & Lavie, 2006)", | |
| "ref_id": "BIBREF17" | |
| }, | |
| { | |
| "start": 321, | |
| "end": 343, | |
| "text": "(Ovrelid et al., 2009)", | |
| "ref_id": "BIBREF16" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Ce couplage ouvre \u00e9galement la voie \u00e0 d'autres exp\u00e9riences. Ainsi, l'examen fin des am\u00e9liorations apport\u00e9es par le couplage peut s\u00fbrement permettre d'identifier et de corriger certaines faiblesses de FRMG, en particulier pour le mode robuste. D'autre part, dans le cas pr\u00e9sent, nous avons utilis\u00e9 les informations de FRMG pour guider DYALOG-SR, mais il est aussi envisageable d'exploiter les r\u00e9sultats de DYALOG-SR pour guider FRMG, d'autant plus que DYALOG-SR peut travailler sur les m\u00eames treillis SXPIPE servant d'entr\u00e9e \u00e0 FRMG. Par ailleurs, les sorties de FRMG sur de gros corpus peuvent \u00eatre exploit\u00e9es pour entra\u00eener DYALOG-SR. Enfin l'exp\u00e9rience de guidage que nous avons men\u00e9e apr\u00e8s \u00e9tiquetage pr\u00e9alable du FTB pourrait aussi \u00eatre tent\u00e9e directement sur les treillis SXPIPE, modulo quelques efforts d'alignement pour attacher les informations sur les bons arcs des treillis.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| } | |
| ], | |
| "back_matter": [], | |
| "bib_entries": { | |
| "BIBREF0": { | |
| "ref_id": "b0", | |
| "title": "Dans le cadre de sa participation \u00e0 la campagne SEMEVAL 2014 (t\u00e2che 8), il a \u00e9t\u00e9 modifi\u00e9 pour produire des graphes de d\u00e9pendances s\u00e9mantiques (plut\u00f4t que des arbres de d\u00e9pendances syntaxiques), en s'appuyant sur un jeu plus riche de transitions, permettant de d\u00e9finir une strat\u00e9gie de type arc-eager (attachement au plus t\u00f4t) ainsi qu'une forme faible de non-projectivit\u00e9. D'autres d\u00e9veloppements sont pr\u00e9vus", | |
| "authors": [ | |
| { | |
| "first": "Dyalog-Sr", | |
| "middle": [], | |
| "last": "Enfin", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Continue D'\u00e9voluer", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": null, | |
| "venue": "", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "Enfin, DYALOG-SR continue d'\u00e9voluer. Dans le cadre de sa participation \u00e0 la campagne SEMEVAL 2014 (t\u00e2che 8), il a \u00e9t\u00e9 modifi\u00e9 pour produire des graphes de d\u00e9pendances s\u00e9mantiques (plut\u00f4t que des arbres de d\u00e9pendances syntaxiques), en s'appuyant sur un jeu plus riche de transitions, permettant de d\u00e9finir une strat\u00e9gie de type arc-eager (attachement au plus t\u00f4t) ainsi qu'une forme faible de non-projectivit\u00e9. D'autres d\u00e9veloppements sont pr\u00e9vus pour un traitement plus complet des cas de non-projectivit\u00e9.", | |
| "links": null | |
| }, | |
| "BIBREF1": { | |
| "ref_id": "b1", | |
| "title": "MaltOptimizer : an optimization tool for MaltParser", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Ballesteros M. & Nivre J", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2012, | |
| "venue": "Proceedings of the Demonstrations at the 13th Conference of the European Chapter", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "58--62", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "BALLESTEROS M. & NIVRE J. (2012). MaltOptimizer : an optimization tool for MaltParser. In Proceedings of the Demonstrations at the 13th Conference of the European Chapter of the Association for Computational Linguistics, p. 58-62.", | |
| "links": null | |
| }, | |
| "BIBREF2": { | |
| "ref_id": "b2", | |
| "title": "Top accuracy and fast dependency parsing is not a contradiction", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Bohnet B", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2010, | |
| "venue": "Proceedings of COLING", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "BOHNET B. (2010). Top accuracy and fast dependency parsing is not a contradiction. In Proceedings of COLING.", | |
| "links": null | |
| }, | |
| "BIBREF3": { | |
| "ref_id": "b3", | |
| "title": "Statistical French dependency parsing : treebank conversion and first results", | |
| "authors": [ | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Candito", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "B", | |
| "middle": [], | |
| "last": "Crabb\u00e9", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "La", | |
| "middle": [], | |
| "last": "Denis P. ;", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Valette", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Malte", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Candito M", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "J", | |
| "middle": [], | |
| "last": "Nivre", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "Denis", | |
| "middle": [ | |
| "P E" | |
| ], | |
| "last": "Henestroza", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2010, | |
| "venue": "Proceedings of the 7th Language Resources and Evaluation Conference (LREC'10)", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "CANDITO M., CRABB\u00c9 B. & DENIS P. (2010a). Statistical French dependency parsing : treebank conversion and first results. In Proceedings of the 7th Language Resources and Evaluation Conference (LREC'10), La Valette, Malte. CANDITO M., NIVRE J., DENIS P. & HENESTROZA ANGUIANO E. (2010b). Benchmarking of statistical dependency parsers for French. In Proceedings of COLING'2010 (poster session), Beijing, China.", | |
| "links": null | |
| }, | |
| "BIBREF4": { | |
| "ref_id": "b4", | |
| "title": "Le corpus Sequoia : annotation syntaxique et exploitation pour l'adaptation d'analyseur par pont lexical", | |
| "authors": [ | |
| { | |
| "first": "M", | |
| "middle": [ | |
| "&" | |
| ], | |
| "last": "Candito", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Seddah D", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2012, | |
| "venue": "TALN 2012-19e conf\u00e9rence sur le Traitement Automatique des Langues Naturelles", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "CANDITO M. & SEDDAH D. (2012). Le corpus Sequoia : annotation syntaxique et exploitation pour l'adaptation d'analyseur par pont lexical. In TALN 2012-19e conf\u00e9rence sur le Traitement Automatique des Langues Naturelles.", | |
| "links": null | |
| }, | |
| "BIBREF5": { | |
| "ref_id": "b5", | |
| "title": "Transition-based dependency parsing with selectional branching", | |
| "authors": [ | |
| { | |
| "first": "J", | |
| "middle": [ | |
| "D" | |
| ], | |
| "last": "Choi", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Mccallum A", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2013, | |
| "venue": "Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "CHOI J. D. & MCCALLUM A. (2013). Transition-based dependency parsing with selectional branching. In Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics, Sofia, Bulgaria.", | |
| "links": null | |
| }, | |
| "BIBREF6": { | |
| "ref_id": "b6", | |
| "title": "Practical structured learning techniques for natural language processing", | |
| "authors": [ | |
| { | |
| "first": "H", | |
| "middle": [ | |
| "C" | |
| ], | |
| "last": "Daume", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2006, | |
| "venue": "", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "DAUME H. C. (2006). Practical structured learning techniques for natural language processing. PhD thesis, University of Southern California.", | |
| "links": null | |
| }, | |
| "BIBREF7": { | |
| "ref_id": "b7", | |
| "title": "DyALog : a tabular logic programming based environment for NLP", | |
| "authors": [ | |
| { | |
| "first": "Clergerie", | |
| "middle": [ | |
| "\u00c9" | |
| ], | |
| "last": "De La", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2005, | |
| "venue": "Proceedings of 2nd International Workshop on Constraint Solving and Language Processing (CSLP'05)", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "DE LA CLERGERIE \u00c9. (2005a). DyALog : a tabular logic programming based environment for NLP. In Proceedings of 2nd International Workshop on Constraint Solving and Language Processing (CSLP'05), Barcelone, Espagne.", | |
| "links": null | |
| }, | |
| "BIBREF8": { | |
| "ref_id": "b8", | |
| "title": "From metagrammars to factorized TAG/TIG parsers", | |
| "authors": [ | |
| { | |
| "first": "Clergerie", | |
| "middle": [ | |
| "\u00c9" | |
| ], | |
| "last": "De La", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2005, | |
| "venue": "Proceedings of IWPT'05", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "190--191", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "DE LA CLERGERIE \u00c9. (2005b). From metagrammars to factorized TAG/TIG parsers. In Proceedings of IWPT'05, p. 190-191, Vancouver, Canada.", | |
| "links": null | |
| }, | |
| "BIBREF9": { | |
| "ref_id": "b9", | |
| "title": "Coupling an annotated corpus and a morphosyntactic lexicon for state-of-the-art POS tagging with less human effort", | |
| "authors": [ | |
| { | |
| "first": "Denis", | |
| "middle": [ | |
| "P &" | |
| ], | |
| "last": "Sagot B", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2009, | |
| "venue": "Proceedings PACLIC 23", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "DENIS P. & SAGOT B. (2009). Coupling an annotated corpus and a morphosyntactic lexicon for state-of-the-art POS tagging with less human effort. In Proceedings PACLIC 23, Hong Kong, China.", | |
| "links": null | |
| }, | |
| "BIBREF10": { | |
| "ref_id": "b10", | |
| "title": "Efficient implementation of beam-search incremental parsers", | |
| "authors": [ | |
| { | |
| "first": "Y", | |
| "middle": [], | |
| "last": "Goldberg", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [ | |
| "&" | |
| ], | |
| "last": "Zhao K", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Huang L", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2013, | |
| "venue": "Proc. of the 51st Annual Meeting of the Association for Computational Linguistics (ACL)", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "GOLDBERG Y., ZHAO K. & HUANG L. (2013). Efficient implementation of beam-search incremental parsers. In Proc. of the 51st Annual Meeting of the Association for Computational Linguistics (ACL), Sophia, Bulgaria.", | |
| "links": null | |
| }, | |
| "BIBREF11": { | |
| "ref_id": "b11", | |
| "title": "Structured perceptron with inexact search", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Huang L", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "S", | |
| "middle": [ | |
| "&" | |
| ], | |
| "last": "Fayong", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Guo Y", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2012, | |
| "venue": "Proceedings of HLT-NAACL 2012", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "142--151", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "HUANG L., FAYONG S. & GUO Y. (2012). Structured perceptron with inexact search. In Proceedings of HLT-NAACL 2012, p. 142-151.", | |
| "links": null | |
| }, | |
| "BIBREF12": { | |
| "ref_id": "b12", | |
| "title": "Dynamic programming for linear-time incremental parsing", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [ | |
| "&" | |
| ], | |
| "last": "Huang L", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Sagae K", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2010, | |
| "venue": "Proceedings of the 48th Annual Meeting of the Association for Computational Linguistics", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "1077--1086", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "HUANG L. & SAGAE K. (2010). Dynamic programming for linear-time incremental parsing. In Proceedings of the 48th Annual Meeting of the Association for Computational Linguistics, p. 1077-1086 : Association for Computational Linguistics.", | |
| "links": null | |
| }, | |
| "BIBREF13": { | |
| "ref_id": "b13", | |
| "title": "Generative constituent parsing and discriminative dependency reranking : Experiments on english and french", | |
| "authors": [ | |
| { | |
| "first": "J", | |
| "middle": [], | |
| "last": "Le Roux", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "B", | |
| "middle": [], | |
| "last": "Favre", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Nasr A. & Mirroshandel S", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2012, | |
| "venue": "", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "LE ROUX J., FAVRE B., NASR A. & MIRROSHANDEL S. (2012). Generative constituent parsing and discriminative dependency reranking : Experiments on english and french. In SP-SEM-MRL.", | |
| "links": null | |
| }, | |
| "BIBREF14": { | |
| "ref_id": "b14", | |
| "title": "Semi-supervised learning for natural language", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Liang P", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2005, | |
| "venue": "", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "LIANG P. (2005). Semi-supervised learning for natural language. Master's thesis, Massachusetts Institute of Technology.", | |
| "links": null | |
| }, | |
| "BIBREF15": { | |
| "ref_id": "b15", | |
| "title": "An efficient algorithm for projective dependency parsing", | |
| "authors": [ | |
| { | |
| "first": "J", | |
| "middle": [], | |
| "last": "Nivre", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2003, | |
| "venue": "Proceedings of the 8th International Workshop on Parsing Technologies (IWPT 03)", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "149--160", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "NIVRE J. (2003). An efficient algorithm for projective dependency parsing. In Proceedings of the 8th International Workshop on Parsing Technologies (IWPT 03), p. 149-160, Nancy, France.", | |
| "links": null | |
| }, | |
| "BIBREF16": { | |
| "ref_id": "b16", | |
| "title": "Improving data-driven dependency parsing using large-scale LFG grammars", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Ovrelid L", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Kuhn J. & Spreyer K", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2009, | |
| "venue": "Proceedings of the ACL-IJCNLP 2009 Conference Short Papers", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "37--40", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "OVRELID L., KUHN J. & SPREYER K. (2009). Improving data-driven dependency parsing using large-scale LFG grammars. In Proceedings of the ACL-IJCNLP 2009 Conference Short Papers, p. 37-40 : Association for Computational Linguistics.", | |
| "links": null | |
| }, | |
| "BIBREF17": { | |
| "ref_id": "b17", | |
| "title": "Parser combination by reparsing", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Sagae K. & Lavie A", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2006, | |
| "venue": "Proceedings of the Human Language Technology Conference of the NAACL, Companion Volume : Short Papers", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "129--132", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "SAGAE K. & LAVIE A. (2006). Parser combination by reparsing. In Proceedings of the Human Language Technology Conference of the NAACL, Companion Volume : Short Papers, p. 129-132.", | |
| "links": null | |
| }, | |
| "BIBREF18": { | |
| "ref_id": "b18", | |
| "title": "SXPIPE 2 : architecture pour le traitement pr\u00e9syntaxique de corpus bruts", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Sagot B. & Boullier P", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2008, | |
| "venue": "Traitement Automatique des Langues (T.A.L.)", | |
| "volume": "49", | |
| "issue": "", | |
| "pages": "155--188", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "SAGOT B. & BOULLIER P. (2008). SXPIPE 2 : architecture pour le traitement pr\u00e9syntaxique de corpus bruts. Traitement Automatique des Langues (T.A.L.), 49(2), 155-188.", | |
| "links": null | |
| }, | |
| "BIBREF19": { | |
| "ref_id": "b19", | |
| "title": "The Lefff 2 syntactic lexicon for French : architecture, acquisition, use", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Sagot B", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "L", | |
| "middle": [], | |
| "last": "Cl\u00e9ment", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "De La Clergerie \u00c9. & Boullier P", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2006, | |
| "venue": "Proceedings of the 5th Language Resources and Evaluation Conference (LREC'06)", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "SAGOT B., CL\u00c9MENT L., DE LA CLERGERIE \u00c9. & BOULLIER P. (2006). The Lefff 2 syntactic lexicon for French : architecture, acquisition, use. In Proceedings of the 5th Language Resources and Evaluation Conference (LREC'06), Genova, Italie.", | |
| "links": null | |
| }, | |
| "BIBREF20": { | |
| "ref_id": "b20", | |
| "title": "Overview of the SPMRL 2013 shared task : A cross-framework evaluation of parsing morphologically rich languages", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Seddah D", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Tsarfaty R", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "S", | |
| "middle": [], | |
| "last": "K\u00fcbler", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Candito", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "J", | |
| "middle": [], | |
| "last": "Choi", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Farkas R", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "J", | |
| "middle": [], | |
| "last": "Foster", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Goenaga I", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "K", | |
| "middle": [], | |
| "last": "Gojenola", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "Y", | |
| "middle": [], | |
| "last": "Goldberg", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Green S", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "N", | |
| "middle": [], | |
| "last": "Habash", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Kuhlmann", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Maier W", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "J", | |
| "middle": [], | |
| "last": "Nivre", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Przepiorkowski A", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Roth R", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "W", | |
| "middle": [], | |
| "last": "Seeker", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "Y", | |
| "middle": [], | |
| "last": "Versley", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "V", | |
| "middle": [], | |
| "last": "Vincze", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Woli\u0144ski", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Wr\u00f3blewska A", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "Clergerie", | |
| "middle": [ | |
| "E" | |
| ], | |
| "last": "Villemonte De La", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2011, | |
| "venue": "Proceedings of the 4th Workshop on Statistical Parsing of Morphologically Rich Languages : Shared Task", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "SEDDAH D., TSARFATY R., K\u00dcBLER S., CANDITO M., CHOI J., FARKAS R., FOSTER J., GOENAGA I., GOJENOLA K., GOLDBERG Y., GREEN S., HABASH N., KUHLMANN M., MAIER W., NIVRE J., PRZEPIORKOWSKI A., ROTH R., SEEKER W., VERSLEY Y., VINCZE V., WOLI\u0143SKI M., WR\u00d3BLEWSKA A. & VILLEMONTE DE LA CLERGERIE E. (2013). Overview of the SPMRL 2013 shared task : A cross-framework evaluation of parsing morphologically rich languages. In Proceedings of the 4th Workshop on Statistical Parsing of Morphologically Rich Languages : Shared Task, Seattle, WA. TSARFATY R., NIVRE J. & ANDERSSON E. (2011). Evaluating dependency parsing : Robust and heuristics-free cross- annotation evaluation. In Proceedings of the 8th International Conference on Empirical Methods in Natural Language Processing (EMNLP 11), Edinburgh, UK.", | |
| "links": null | |
| }, | |
| "BIBREF21": { | |
| "ref_id": "b21", | |
| "title": "L'apport du faisceau dans l'analyse syntaxique en d\u00e9pendances par transitions : \u00e9tudes de cas avec l'analyseur Talismane", | |
| "authors": [ | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Urieli A. & Tanguy L", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2013, | |
| "venue": "Actes de la 20e conf\u00e9rence sur le Traitement Automatique des Langues Naturelles (TALN'2013)", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "188--201", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "URIELI A. & TANGUY L. (2013). L'apport du faisceau dans l'analyse syntaxique en d\u00e9pendances par transitions : \u00e9tudes de cas avec l'analyseur Talismane. In Actes de la 20e conf\u00e9rence sur le Traitement Automatique des Langues Naturelles (TALN'2013), p. 188-201, Les Sables d'Olonne, France.", | |
| "links": null | |
| }, | |
| "BIBREF22": { | |
| "ref_id": "b22", | |
| "title": "Exploring beam-based shift-reduce dependency parsing with DyALog : Results from the SPMRL 2013 shared task", | |
| "authors": [ | |
| { | |
| "first": "L", | |
| "middle": [ | |
| "A" | |
| ], | |
| "last": "Villemonte De", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Clergerie \u00c9", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2013, | |
| "venue": "4th Workshop on Statistical Parsing of Morphologically Rich Languages (SPMRL'2013)", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "VILLEMONTE DE LA CLERGERIE \u00c9. (2013a). Exploring beam-based shift-reduce dependency parsing with DyALog : Results from the SPMRL 2013 shared task. In 4th Workshop on Statistical Parsing of Morphologically Rich Languages (SPMRL'2013), Seattle, \u00c9tats-Unis.", | |
| "links": null | |
| }, | |
| "BIBREF23": { | |
| "ref_id": "b23", | |
| "title": "Improving a symbolic parser through partially supervised learning", | |
| "authors": [ | |
| { | |
| "first": "L", | |
| "middle": [ | |
| "A" | |
| ], | |
| "last": "Villemonte De", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "", | |
| "middle": [], | |
| "last": "Clergerie \u00c9", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2013, | |
| "venue": "The 13th International Conference on Parsing Technologies (IWPT)", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "VILLEMONTE DE LA CLERGERIE \u00c9. (2013b). Improving a symbolic parser through partially supervised learning. In The 13th International Conference on Parsing Technologies (IWPT), Nara, Japon.", | |
| "links": null | |
| } | |
| }, | |
| "ref_entries": { | |
| "FIGREF0": { | |
| "type_str": "figure", | |
| "num": null, | |
| "uris": null, | |
| "text": "Performances sur le FTB (m\u00e9trique LAS, sans ponctuations) de taille 1. Les meilleurs r\u00e9sultats, obtenus avec un faisceau de taille 8 (et it\u00e9ration 10), d\u00e9passent ceux de la 1\u00e8re g\u00e9n\u00e9ration d'analyseurs (BKY, MALT et MST) et m\u00eame ceux plus r\u00e9cemment obtenus par TALISMANE. Ils s'approchent des scores atteints par(Le Roux et al., 2012). Il est int\u00e9ressant de noter que des choix locaux en partie compens\u00e9s par un faisceau assez large rivalisent avec des choix plus globaux, comme mis en oeuvre par MST ou MATE ou par r\u00e9ordonnancement dans(Le Roux et al., 2012)." | |
| }, | |
| "FIGREF1": { | |
| "type_str": "figure", | |
| "num": null, | |
| "uris": null, | |
| "text": "Comparaison des syst\u00e8mes sur les labels des d\u00e9pendances le volume de d\u00e9pendances concern\u00e9es est fourni en regard des barres" | |
| }, | |
| "FIGREF2": { | |
| "type_str": "figure", | |
| "num": null, | |
| "uris": null, | |
| "text": "par rapport au rang dans la fratrie" | |
| }, | |
| "FIGREF3": { | |
| "type_str": "figure", | |
| "num": null, | |
| "uris": null, | |
| "text": "Comparaison des syst\u00e8mes selon divers crit\u00e8res topologiques les fonds (en vert) indiquent le volume de d\u00e9pendances concern\u00e9es (\u00e9chelle logarithmique \u00e0 droite)" | |
| }, | |
| "TABREF1": { | |
| "text": "R\u00e9sultats SPMRL 2013 pour le fran\u00e7ais et l'h\u00e9breu 3 Traiter des treillis de mots Une des particularit\u00e9 de DYALOG-SR r\u00e9side dans sa capacit\u00e9 \u00e0 prendre en entr\u00e9e des treillis de mots. Un tel treillis est un graphe dirig\u00e9 acyclique (DAG) dont les arcs sont d\u00e9cor\u00e9s par des mots et dont les noeuds d\u00e9notent des positions dans la phrase, comme illustr\u00e9 par la figure 2 pour une phrase en h\u00e9breu. Ces treillis sont classiquement utilis\u00e9s pour repr\u00e9senter des ambigu\u00eft\u00e9s au niveau des mots mais aussi des ambigu\u00eft\u00e9s de segmentation et une sous-t\u00e2che de SPMRL \u00e9tait d\u00e9di\u00e9e au traitement de treillis, en particulier pour l'h\u00e9breu. Un treillis ambigu\u00eb (avec, en rouge, le chemin de segmentation r\u00e9f\u00e9rence AIF LA NISH LHSTIR ZAT)", | |
| "html": null, | |
| "type_str": "table", | |
| "content": "<table><tr><td/><td>1 :AIF/NN</td><td/><td/><td>5 :NISH/VB</td><td>7 :L/PREP</td><td>9 :HSTIR/VB</td><td/><td/><td/></tr><tr><td>0</td><td>2 :AIF/VB</td><td>1</td><td>4 :LA/RB</td><td>2</td><td>3</td><td>4</td><td>5</td><td>10 :ZAT/PRP</td><td>6</td></tr><tr><td/><td>3 :AIF/NNT</td><td/><td/><td>6 :NISH/NN</td><td/><td/><td/><td/><td/></tr><tr><td/><td/><td/><td/><td/><td colspan=\"2\">8 :LHSTIR/VB</td><td/><td/><td/></tr><tr><td colspan=\"2\">FIGURE 2 -</td><td/><td/><td/><td/><td/><td/><td/><td/></tr></table>", | |
| "num": null | |
| }, | |
| "TABREF2": { | |
| "text": "La campagne SPMRL \u00e9tant maintenant close, il est int\u00e9ressant de prendre plus de temps et de recul pour explorer les capacit\u00e9s de DYALOG-SR, en particulier sur le fran\u00e7ais, pour lequel nous disposons d'outils et de ressources suppl\u00e9mentaires pouvant \u00eatre utiles.4.1 DYALOG-SR avec \u00e9tiquetage pr\u00e9alable par MELTLa premi\u00e8re exp\u00e9rience a surtout pour vocation de calibrer DYALOG-SR par rapport aux r\u00e9sultats d\u00e9j\u00e0 publi\u00e9s sur le fran\u00e7ais, en particulier sur la version en d\u00e9pendances du FTB(Candito et al., 2010b;Urieli & Tanguy, 2013). Nous avons utilis\u00e9 une version du FTB \u00e9tiquet\u00e9e et lemmatis\u00e9e avec MELT 4 (Denis & Sagot, 2009) en mode validation crois\u00e9e 10 fois avec une f-mesure de 97,88% sur la partie test du FTB, comparable au taux de 97,81% mentionn\u00e9 dans(Urieli & Tanguy, 2013). Les traits morpho-syntaxiques sont fournis par le lexiqueLEFFF (Sagot et al., 2006), que nous utilisons \u00e9galement pour fournir des informations de sous-cat\u00e9gorisation pour les verbes. Nous incluons de plus des traits de clustering appris sur un large corpus par application de l'algorithme de Brown(Liang, 2005). Suivant(Urieli & Tanguy, 2013), nous avons \u00e9galement ajout\u00e9 quelques traits li\u00e9s \u00e0 la pr\u00e9sence (ou non) de ponctuations entre s 0 et le premier mot \u00e0 lire la 1 .", | |
| "html": null, | |
| "type_str": "table", | |
| "content": "<table><tr><td/><td>89</td><td/><td/><td/><td/><td/><td/><td/><td/></tr><tr><td>LAS (avec ponct.)</td><td>84 85 86 87 88</td><td/><td>Arabe Fran\u00e7ais Cor\u00e9en</td><td>100 * TED accuracy</td><td>84 85 86</td><td/><td/><td/><td/></tr><tr><td/><td>2</td><td>4</td><td>6</td><td>8</td><td>6</td><td>8</td><td>10</td><td>12</td><td>14</td><td>16</td></tr><tr><td/><td/><td colspan=\"2\">largeur du faisceau</td><td/><td/><td/><td colspan=\"2\">largeur du faisceau</td><td/></tr><tr><td/><td/><td>(a) cha\u00eenes</td><td/><td/><td/><td/><td colspan=\"2\">(b) treillis h\u00e9breux</td><td/></tr><tr><td/><td/><td/><td colspan=\"3\">FIGURE 4 -Influence des faisceaux</td><td/><td/><td/><td/></tr><tr><td colspan=\"4\">4 Trois exp\u00e9riences sur le fran\u00e7ais</td><td/><td/><td/><td/><td/><td/></tr></table>", | |
| "num": null | |
| }, | |
| "TABREF3": { | |
| "text": ".2 DYALOG-SR sur des treillis produits par SXPIPE Le fait que DYALOG-SR puisse prendre des treillis de mots en entr\u00e9e nous a incit\u00e9 \u00e0 le tester sur les treillis fournis par SXPIPE pour le fran\u00e7ais(Sagot & Boullier, 2008), avec des information lexicales fournies par LEFFF. En pratique, SXPIPE est configur\u00e9 pour respecter le d\u00e9coupage en tokens fourni par le FTB mais peut reconna\u00eetre des lex\u00e8mes couvrant plusieurs tokens FTB (par exemple pour des entit\u00e9s nomm\u00e9es) ou, au contraire, avoir plusieurs lex\u00e8mes couvrant un m\u00eame token FTB. Pour pouvoir \u00e0 terme r\u00e9aligner les treillis SXPIPE avec les donn\u00e9es du FTB, nous leurs appliquons des transformations suppl\u00e9mentaires, comme illustr\u00e9 par la table 2.", | |
| "html": null, | |
| "type_str": "table", | |
| "content": "<table><tr><td>token(s) FTB</td><td>lex\u00e8me(s) SXPIPE</td><td>apr\u00e8s transformation</td></tr><tr><td>10 avril</td><td>_DATE_artf/nc</td><td>10/nc:cmpd (part=1) avril/nc:cmpd (part=2)</td></tr><tr><td>en_surface</td><td>en/prep surface/nc</td><td>en_surface/P+V</td></tr><tr><td colspan=\"3\">avec_un_bel_ensemble avec/prep un/det bel/adj ensemble/nc avec_un_bel_ensemble/aggl</td></tr><tr><td/><td colspan=\"2\">TABLE 2 -Exemples de transformations pour SXPIPE</td></tr></table>", | |
| "num": null | |
| }, | |
| "TABREF4": { | |
| "text": "la phase d'apprentissage. Les lemmes et traits morpho-syntaxiques sont \u00e9galement exploit\u00e9s pour cet alignement. La table 3 fournit quelques statistiques sur les treillis obtenus pour la partie test du FTB, avec ainsi 2 arcs en moyenne par token FTB.", | |
| "html": null, | |
| "type_str": "table", | |
| "content": "<table><tr><td>#tokens</td><td colspan=\"2\">#arcs arcs/token</td><td colspan=\"2\">#cat\u00e9gories dont X+Y</td><td>#(arcs cmpd)</td><td>#(arcs X+Y) #(arcs aggl)</td></tr><tr><td>278 083</td><td>560 176</td><td>2,01</td><td>188</td><td>131</td><td colspan=\"2\">30 980 (5,5%) 13 174 (2,3%) 2 318 (0,4%)</td></tr></table>", | |
| "num": null | |
| }, | |
| "TABREF5": { | |
| "text": "Nous avons donc modifi\u00e9 DYALOG-SR pour prendre en compte des traits relatifs \u00e0 la 4 lors des transitions shift et avons \u00e9galement ajout\u00e9 quelques informations relatives au token suivant la 4 comme l'ensemble des cat\u00e9gories possibles.Les exp\u00e9riences men\u00e9es sur les treillis pour l'h\u00e9breu ont montr\u00e9 l'importance de faisceaux dont la largeur est en relation avec le niveau d'ambiguit\u00e9 de ceux-ci. Plut\u00f4t que d'augmenter globalement cette largeur, nous avons test\u00e9 un m\u00e9canisme d'adaptation locale de la largeur du faisceau en fonction du niveau local d'ambigu\u00eft\u00e9. Empiriquement, pour l'\u00e9tape m, nous appliquons un coefficient multiplicateur donn\u00e9 par b(i) = max(1, log(|P i,3 |)) pour les positions i entre m/2\u00b12 avec P i,3 d\u00e9notant l'ensemble des chemins de longueur 3 partant de i. Cela signifie que m\u00eame pour un faisceau globalement de largeur 1, nous pouvons localement avoir une largeur > 1. En pratique, sur le FTB, b(i) se situe entre 1 et 5.Cependant, le co\u00fbt en temps sur les treillis reste relativement \u00e9lev\u00e9, en particulier \u00e0 cause du mombre d'items cr\u00e9\u00e9s et finalement rejet\u00e9s car \u00e9tant hors du faisceau. L'article(Choi & McCallum, 2013) nous a fourni une piste pour contrer ce ph\u00e9nom\u00e8ne : il sugg\u00e8re en effet que de bons r\u00e9sultats peuvent \u00e9tre obtenus en ne consid\u00e9rant que les 2 meilleures Par d\u00e9faut, nous prenons k = 3 (au lieu de 2 dans le cas de(Choi & McCallum, 2013)) et m = 200 (pour des co\u00fbts \u00e9l\u00e9mentaires de l'ordre de \u00b11000).4.3 DYALOG-SR guid\u00e9 par FRMGFRMG est une grammaire d'arbres adjoints (TAG) \u00e0 large couverture du fran\u00e7ais, d\u00e9riv\u00e9e d'une description grammaticale de haut-niveau sous forme d'une m\u00e9ta-grammaire (de La Clergerie, 2005b). 5 Un analyseur par charte, compil\u00e9 \u00e0 partir de la grammaire, permet de retourner l'ensemble des analyses compl\u00e8tes possibles pour une phrase, sous forme d'une for\u00eat partag\u00e9e de d\u00e9rivations. En cas d'\u00e9chec de l'analyse, l'analyseur bascule en mode robuste et fournit des s\u00e9quences d'analyses partielles, de mani\u00e8re \u00e0 couvrir la phrase. La for\u00eat de d\u00e9rivation est convertie en for\u00eat de d\u00e9pendances, et est ensuite d\u00e9sambiguis\u00e9e \u00e0 l'aide d'un ensemble de r\u00e8gles heuristiques portant sur les d\u00e9pendances. Enfin, l'arbre de d\u00e9pendances ainsi obtenu peut \u00eatre converti suivant divers sch\u00e9mas d'annotation syntaxique, dont celui utilis\u00e9 pour les campagnes EASy et Passage ainsi que celui utilis\u00e9 pour la version d\u00e9pendance du FTB (sch\u00e9ma FTB). R\u00e9cemment, des techniques d'apprentissage partiellement supervis\u00e9 ont permis de fortement am\u00e9liorer la phase de d\u00e9sambiguisation de FRMG (Villemonte De La Clergerie, 2013b), pour amener ses performances au niveau de celles d'analyseurs statistiques.Disposant de deux analyseurs syntaxiques de bonne qualit\u00e9 pour le fran\u00e7ais, il \u00e9tait int\u00e9ressant de les combiner. Dans le cas pr\u00e9sent, nous avons choisi d'utiliser les r\u00e9sultats de FRMG pour guider les d\u00e9cisions de DYALOG-SR. Plus pr\u00e9cis\u00e9ment, nous avons ajout\u00e9 des traits statiques frmg_label et frmg_delta, indiquant respectivement le label de la d\u00e9pendance entrante sur chaque mot, et la distance (positive ou n\u00e9gative) \u00e0 son gouverneur. Les r\u00e9sultats obtenus avec ces traits pr\u00e9liminaires \u00e9tant d\u00e9j\u00e0 extr\u00eamement encourageants, nous avons alors recherch\u00e9 des traits plus proches d'un vrai guidage, li\u00e9s aux configurations et pas seulement aux tokens.Ainsi, lorsqu'un item I avec les 2 \u00e9l\u00e9ments de piles s 0 et s 1 de racines r 0 et r 1 est compatible avec une r\u00e9duction donnant une d\u00e9pendance de label l pr\u00e9dite par FRMG entre r 0 et r 1 , un trait dynamique de guidage reduce_right ou reduce_left est ajout\u00e9, lors de l'ex\u00e9cution. Comme les r\u00e9ductions droites peuvent \u00eatre en comp\u00e9tition avec une transition shift, un trait de guidage shift est \u00e9galement \u00e9mis si le premier mot la 1 pr\u00e9c\u00e8de ou \u00e9gale le descendant de r 0 le plus \u00e0 droite pour FRMG. Enfin, le label l de la d\u00e9pendance est ajout\u00e9 au trait de guidage.Les trois exp\u00e9riences pr\u00e9c\u00e9demment d\u00e9crites ont \u00e9t\u00e9 conduites sur la version en d\u00e9pendances du FTB(Candito et al., 2010a), en utilisant classiquement la partie train (9881 phrases) pour l'entra\u00eenement, la partie dev (1235 phrases) pour les mises au point et la partie test (1235 phrases) pour l'\u00e9valuation.La table 5(a) fournit les performances en LAS (sans prise en compte de la ponctuation) pour les diverses versions de DYALOG-SR, pour FRMG, et pour divers analyseurs statistiques. Pour FRMG, nous fournissons les performances pour la version de base et pour une version +tuning apr\u00e8s am\u00e9lioration de la phase de d\u00e9sambiguisation par apprentissage sur la partie train du FTB. C'est cette version +tuning qui est utilis\u00e9e pour l'exp\u00e9rience de couplage. Pour les analyseurs statistiques, nous reprenons comme baseline les r\u00e9sultats publi\u00e9s dans(Candito et al., 2010b) pour les syst\u00e8mes BERKELEY (constituance + conversion en d\u00e9pendances), MALT et MST (Maximum Spanning Tree). avons ensuite les r\u00e9sultats plus r\u00e9cents du syst\u00e8me TALISMANE (Urieli & Tanguy, 2013), qui partage un certain nombre de points communs avec DYALOG-SR, comme l'emploi d'un algorithme par transition, l'emploi de faisceaux et l'emploi de LEFFF. TALISMANE int\u00e8gre aussi, en plus des traits statistiques, des r\u00e8gles/contraintes linguistiques cens\u00e9es bloquer certaines configurations impossibles, ce qui a, en partie, motiv\u00e9e le couplage de DYALOG-SR avec une source d'information linguistique comme FRMG.Enfin, nous mentionnons les r\u00e9sultats publi\u00e9s pour le fran\u00e7ais dans (Le Roux et al., 2012) qui s'appuient sur l'application d'un mod\u00e8le discriminatif pour le r\u00e9-ordonnancement des n meilleurs analyses produites par une grammaire PCFG (avec un mod\u00e8le g\u00e9n\u00e9ratif) et transform\u00e9es en d\u00e9pendances. La m\u00e9thode donne de tr\u00e8s bons r\u00e9sultats et pr\u00e9sente quelques similarit\u00e9s avec l'id\u00e9e de coupler plusieurs mod\u00e8les statistiques. Pour information, nous donnons aussi les r\u00e9sultats obtenus par MATE (Bohnet, 2010), une version am\u00e9lior\u00e9e de MST exploitant des informations fournies par MELT.", | |
| "html": null, | |
| "type_str": "table", | |
| "content": "<table><tr><td>5 R\u00e9sultats et discussions</td></tr><tr><td>Nous</td></tr></table>", | |
| "num": null | |
| }, | |
| "TABREF6": { | |
| "text": "Enfin, les r\u00e9sultats les plus int\u00e9ressants sont ceux fournis par le couplage de DYALOG-SR avec FRMG. On observe que les scores obtenus sont bien meilleurs que ceux obtenus par FRMG et DYALOG-SR pris isol\u00e9ment, et qu'\u00e0 notre connaissance, ils sont les meilleurs \u00e0 ce jour sur le FTB. Les deux analyseurs semblent donc compl\u00e9mentaires, ce qui conforte l'int\u00e9r\u00eat d'injecter des connaissances linguistiques dans un analyseur statistique, ici au travers des traits de guidage.Pour confirmer cette compl\u00e9mentarit\u00e9, nous avons examin\u00e9 plus pr\u00e9cis\u00e9ment le comportement de FRMG, DYALOG-SR, et DYALOG-SR+FRMG pour certaines relations de d\u00e9pendance, comme illustr\u00e9 par la figure 6. On observe ainsi que DYALOG-SR+FRMG d\u00e9passe presque syst\u00e9matiquement les 2 autres analyseurs, en rappel et en pr\u00e9cision. On note que certaines d\u00e9pendances difficiles pour les analyseurs statistiques, comme coord et mod_rel, b\u00e9n\u00e9ficient pleinement des informations fournies par un analyseur linguistique comme FRMG, et que DYALOG-SR semble m\u00eame capable de g\u00e9n\u00e9raliser les informations de FRMG pour le d\u00e9passer. Dans l'autre sens, la faiblesse de FRMG sur la relation mod et, en rappel, sur les relations pour les arguments verbaux propositionnels (a_obj, de_obj, p_obj) ne perturbe pas le couplage. Enfin, le mode robuste, utilis\u00e9 par FRMG quand il ne trouve pas d'analyse compl\u00e8te, introduit de fausses racines, ce qui fait chuter sa pr\u00e9cision sur le label root. Mais le couplage r\u00e9sout totalement ce probl\u00e8me.", | |
| "html": null, | |
| "type_str": "table", | |
| "content": "<table/>", | |
| "num": null | |
| }, | |
| "TABREF7": { | |
| "text": "). Les 3 204 phrases de ce corpus sont aussi annot\u00e9es suivant le sch\u00e9ma du FTB mais couvrent divers domaines autres que le domaine journalistique du FTB. En particulier, les sous-parties EMEA correspondent \u00e0 des textes m\u00e9dicaux difficiles \u00e0 traiter. Pour des analyseurs entra\u00een\u00e9s sur FTB train, la table 4 montre que les pertes, par rapport \u00e0 FTB test, sont plus faibles pour FRMG que pour DYALOG-SR, avec m\u00eame FRMG d\u00e9passant DYALOG-SR en performance sur certains sous-corpus (Europar, annodis, et emea-fr-dev). 7 On observe par contre que le couplage pr\u00e9serve partiellement la stabilit\u00e9 fournie par FRMG et permet d'obtenir de bons scores sur SEQUOIA.ConclusionNous avons pr\u00e9sent\u00e9 trois exp\u00e9riences men\u00e9es sur le fran\u00e7ais et s'appuyant sur l'analyseur DYALOG-SR. Celles-ci montrent qu'un analyseur relativement simple par transition est n\u00e9anmoins susceptible d'obtenir de bons r\u00e9sultats. Sa simplicit\u00e9 permet de facilement et rapidement tester diverses hypoth\u00e8ses et extensions, comme l'adaptation locale des faisceaux dans les treillis, et les exp\u00e9riences men\u00e9es nous ont d\u00e9j\u00e0 permis de faire largement \u00e9voluer DYALOG-SR depuis ses d\u00e9buts dans la campagne SPMRL 2013. N\u00e9anmoins, m\u00eame si les faisceaux ont un impact important sur les performances et permettent 6. \u00e0 priori parce que le mod\u00e8le de FRMG n'utilise pas de traits directement ou indirectement li\u00e9s \u00e0 la profondeur, au contraire de DYALOG-SR avec les traits li\u00e9s \u00e0 s 0 , s 1 et s 2 .7. Les mauvaises performances de FRMG sur Wikipedia semblent dues \u00e0 quelques longues phrases provoquant un timeout et une perte compl\u00e8te d'analyses.", | |
| "html": null, | |
| "type_str": "table", | |
| "content": "<table/>", | |
| "num": null | |
| }, | |
| "TABREF8": { | |
| "text": "Stabilit\u00e9 des syst\u00e8mes sur le corpus h\u00e9t\u00e9rog\u00e8ne SEQUOIA, apr\u00e8s apprentissage sur FTB en partie de corriger les choix locaux faits un analyseur par transition (comme MALT, TALISMANE ou DYALOG-SR), il para\u00eet difficile \u00e0 terme de concurrencer des approches plus globales, \u00e9ventuellement obtenues par couplage de mod\u00e8les.En allant dans cette direction, l'exp\u00e9rience de couplage de DYALOG-SR avec FRMG nous a ainsi fourni d'excellents r\u00e9sultats. Elle confirme l'int\u00e9r\u00eat d'injecter une information plus linguistique dans un analyseur statistique comme DYALOG-SR (et comme tent\u00e9 aussi dans TALISMANE). Elle confirme \u00e9galement l'int\u00e9r\u00eat d'exploiter des contraintes de localit\u00e9 \u00e9tendue, telles que fournis (indirectement) par les arbres TAG de FRMG pour mieux guider les choix plus locaux de DYALOG-SR. Il est aussi int\u00e9ressant de noter que ce couplage ne permet pas seulement d'h\u00e9riter des meilleures propri\u00e9t\u00e9s de chaque syst\u00e8me, mais permet en fait de les d\u00e9passer.", | |
| "html": null, | |
| "type_str": "table", | |
| "content": "<table><tr><td/><td/><td/><td>FRMG</td><td/><td/><td colspan=\"2\">DYALOG-SR</td><td colspan=\"3\">DYALOG-SR+FRMG</td></tr><tr><td>corpus</td><td>#phrases</td><td>LAS</td><td colspan=\"2\">\u2206err %\u2206err</td><td>LAS</td><td colspan=\"2\">\u2206err %\u2206err</td><td>LAS</td><td colspan=\"2\">\u2206err %\u2206err</td></tr><tr><td>FTB test</td><td>1235</td><td>87, 49</td><td>-</td><td>-</td><td>89, 00</td><td>-</td><td>-</td><td>90, 25</td><td>-</td><td>-</td></tr><tr><td>Europar</td><td>561</td><td colspan=\"3\">87, 97 \u22120, 5 \u22123, 8</td><td colspan=\"3\">87, 00 +2, 0 +18, 2</td><td colspan=\"3\">88, 94 +1, 3 +13, 4</td></tr><tr><td>annodis</td><td>529</td><td colspan=\"3\">86, 11 +1, 4 +11, 0</td><td colspan=\"3\">85, 80 +3, 2 +29, 1</td><td colspan=\"3\">88, 21 +2, 0 +20, 9</td></tr><tr><td>emea-fr-dev</td><td>574</td><td colspan=\"3\">85, 16 +2, 3 +18, 6</td><td colspan=\"3\">83, 50 +5, 5 +50, 0</td><td colspan=\"3\">86, 26 +4, 0 +40, 9</td></tr><tr><td>emea-fr-test</td><td>544</td><td colspan=\"3\">84, 67 +2, 8 +22, 5</td><td colspan=\"3\">85, 01 +4, 0 +36, 3</td><td colspan=\"3\">86, 87 +3, 4 +34, 7</td></tr><tr><td>frwiki</td><td>996</td><td colspan=\"3\">83, 53 +4, 0 +31, 7</td><td colspan=\"3\">84, 39 +4, 6 +41, 9</td><td colspan=\"3\">86, 23 +4, 0 +41, 2</td></tr></table>", | |
| "num": null | |
| } | |
| } | |
| } | |
| } |