Corpus et R

1

• Corpus et Référence
• Susanne Salmon-Alt
• ATILF-CNRS
• Nancy

2
Projets en cours

• Corpus et Référence
• corpus multilingues, coréférence et anaphores
• Ananas (CNRS) 01/02 12/03
•  Annotation anaphorique pour lanalyse
  sémantique de corpus 
• ATILF, LORIA, Grenoble III, ISSCO Genève
• CommonRefs (INRIA) 10/01 04/03
•  A computational model for processing referring
  expressions
• ATILF, LORIA, Unisinos POA (Brésil)

3

• Ananas

4
Ananas Enjeux

• Importance croissante des corpus sémantiques
• modélisation linguistique (polysémie,
  quantification, coréférence entre indéfinis)
• traitement automatique des langues (WSD,
  recherche dinformations, analyse/génération de
  GN, extraction de terminologie
• Retard pour le français
•  Message Understanding Conferences /
   Automatic Content Extraction - Entity Tracking
  and Detection 
•  Sémantique et Corpus  (ERSS Toulouse) / GDR
  Corblin

5
État des lieux (12/2001)

• Choix corpus annotés en relations anaphoriques

6
Objectif 1 des corpus utiles

• Définir le contenu de la base
• quels genres (presse, littérature, sciences,
  dialogues) ?
• quelle taille (au moins 1 million de mots) ?
• vers des corpus annotés  multi-niveaux 
• morphologie, syntaxe, sens, relations de
  discours, AdL, ...
• intégration des ressources déjà disponibles

• Définir les phénomènes à couvrir
• tous les groupes nominaux vs. anaphores seulement
  ?
• coréférence stricte vs. anaphores associatives ?
• pronoms possessifs, relatifs, indéfinis, ellipses
  ?

7
Objectif 2 des corpus réutilisables

• Définir des schémas dannotation standardisés

ltp n"732" id"PO9163"gt ltsgt Cela veut dire que
toute nouvelle électrification en courant
monophasé posera le problème du passage d' ltexp
id"e2207"gt un système lt/expgt à ltexp id"e2208"gt
ltptr type"desc" src"e2207"/gt l'autre lt/expgt en
termes de traction avec la nécessité de changer
de ltexp id"e2209"gt locomotive lt/expgt si ltexp
id"e2210"gt ltptr type"coref" src"e2209"/gt elle
lt/expgt est monocourant. lt/sgt lt/pgt
ltverbal_action id"xsd20" who"I"gt
ltseggtensuite prendre ltde id"re7"
det"NP_indef"gt une autre barre petite barre
verticale lt/degt lt/seggt ltcomment
type"speech_act"gt requête lt/commentgt lt/verbal_act
iongt ltseggtet ltde id"re8" det"PR_pers"gt la
lt/degt mettre à à peu près quatre centimètres à
droite de ltde id"re9" det"NP_def"gt la euh
première lt/degt lt/seggt lt/verbal_actiongt ltlink_coref
coref_type"classic" re"re8"
anchor"re7"/gt ltlink_codom cd"ordinal"
re"re9" anchor"re7"/gt
8
Objectif 2 des corpus réutilisables

• Définir des schémas dannotation standardisés

• flexibles
• normalisés (TEI, MATE, MUC)
• méta-schémas XML
• vers une norme ISO pour le codage (TC37/SC4)

• Annoter les corpus
• recenser et adapter les outils dannotation
  manuelle (MMAX) et (semi-)automatique
  ( CalCoRef , Xerox)
• normaliser les ressources existantes
• évaluer laccord entre annotateurs

• Assurer diffusion, accès libre et pérennisation

9
Bilan (très) provisoire

• Journée inaugurale (02/02, Nancy)
• prospective sur les ressources
• définition des phénomènes à annoter
• Journées  Corpus et Sémantique  (03/02,
  Toulouse)
• contacts pour récupération de ressources déjà
  utilisées
• contacts pour utilisation doutils existants
• extraction NP (D. Bourigault), pré-annotation
  anaphorique (M. Dupont, F. Trouilleux),
  alignement (O. Kraif)
• Workshop TALN  Chaînes de référence 
• Journée détude en juin à Nancy

10

• CommonRefs

11
Objectifs

• Outil de résolution pour définis et démonstratifs
• Vieira Poesio (2000) pour les définis de
  langlais
• étude de corpus WSJ PennTreebank
• classification, recherche dantécédent
• 50  discourse new 
• développement dun résolveur à base
  dheuristiques
• décision  discourse new  vs.  discourse old 
• si  discourse old  alors recherche dun
  antécédent
• F 63 (P 76, R 53)
• Extension au Français et au Portugais

12
Premières expériences

• Définition dune tâche de référence
• Dans quelle mesure des humains sont-ils capables
  de traiter des expressions nominales dans un
  texte écrit ?
• décision sur nouveau référent vs. anaphore
• identification dun antécédent
• typage de la relation (identité, association,
  ...)
• Mesure de laccord inter-annotateur (Kappa)
• Annotation de descriptions définies et
  démonstratives dans un corpus parallèle

13
Nos classes

• Anaphore  fidèle  même entité, même
  expression

A á Comissão tem conhecimento do livro... D
á Comissão costata ainda que o livro não se
debruça sobre

• Anaphore  infidèle  même entité, expression
  différente

A uma declaração sobre o conteúdo do
estudo... D Comissão tem conhecimento do
livro...

• Anaphore associative entité différente,
  relation de dépendance

A o recrutamento de pessoal científico e
técnico... D exceptuando estes casos
específicos, as condições de acesso à carreira
científica

• Discourse new entité différente, pas de
  relation de dépendance

14
Corpus MLCC (JOC)
15
Outil dannotation MMAX
ltDIV2 TYPE"WQA"gt ltHEAD TYPE"OR"gt QUESTION
ÉCRITE ltABBRgtNº lt/ABBRgt ltRS TYPE"WQ"gt676/91lt/RSgt
de ltNAME TYPEPERSONgtltABBR RENDTAIL-SUPERgtM.lt/AB
BRgt Antonio Iodice (PPE) lt/NAMEgt à la Commission
des Communautés européennes ltDATEgt (16 avril
1991) lt/DATEgt lt/HEADgt ltHEAD TYPE"INFO"gt (93/C
32/01) lt/HEADgt ltDIV3 TYPEBODYgt ltDIV4
TYPE"Q"gt ltHEADgt Objet Afflux de réfugiés
albanais dans le sud de l'Italie lt/HEADgt ltPgt
Suite à l'exode de milliers d'Albanais arrivés
pour la plupart dans le port de Brindisi,
quelles mesures la Commission a-t-elle adoptées
pour alléger la tâche difficile des régions
touchées par cet afflux massif de réfugiés
auxquels elles doivent fournir une assistance
humanitaire? lt/Pgt lt/DIV4gt
lt?xml version'1.0' encoding'ISO-8859-1'?gt lt!DOCT
YPE words SYSTEM "words.dtd"gt ltwordsgt ltword
id"word_1"gtQUESTIONlt/wordgt ltword
id"word_2"gtÉCRITElt/wordgt ltword
id"word_3"gtNlt/wordgt ltword id"word_4"gtlt/wordgt ltw
ord id"word_5"gt676/91lt/wordgt ltword
id"word_6"gtdelt/wordgt ltword id"word_7"gtMlt/wordgt lt
word id"word_8"gt.lt/wordgt ltword
id"word_9"gtAntoniolt/wordgt ltword
id"word_10"gtIadicelt/wordgt ltword
id"word_11"gt(lt/wordgt ltword id"word_12"gtPPElt/word
gt ltword id"word_13"gt)lt/wordgt ltword
id"word_14"gtàlt/wordgt ltword id"word_15"gtlalt/wordgt
ltword id"word_16"gtCommissionlt/wordgt ltword
id"word_17"gtdeslt/wordgt ltword id"word_18"gtCommuna
utéslt/wordgt ltword id"word_19"gteuropéenneslt/wordgt
lt?xml version"1.0" encoding"ISO-8859-1"?gt lt!DOCT
YPE text SYSTEM "text.dtd"gt lttextgt ltheadlinegt
ltsentence id"sentence_1" span"word_1..word_5"/gt
lt/headlinegt ltparagraphgt ltsentence
id"sentence_2" span"word_6..word_3564"/gt lt/parag
raphgt ltlt/textgt
16
Fichiers sortie / Évaluation

• Sortie MMAX

lt?xml version"1.0"?gt ltmarkablesgt ltmarkable
classification"4_pas_de reprise"
id"markable_17" np_form"defNP"
span"word_129..word_136" type"none"/gt ltmarkable
classification"1_reprise_directe"
id"markable_18" np_form"defNP"
pointer"markable_551" span"word_125,word_126"
type"none"/gt ltmarkable classification"1_reprise_
directe" id"markable_19" np_form"defNP"
pointer"markable_553" span"word_138,word_139"
type"none"/gt ltmarkable classification"2_reprise_
autre_expression" id"markable_22"
np_form"defNP" pointer"markable_559"
span"word_189..word_206" type"none"/gt ltmarkable
classification"1_reprise_directe"
id"markable_23" np_form"defNP"
pointer"markable_558" span"word_194..word_206"
type"none"/gt ltmarkable classification"2_reprise_
autre_expression" id"markable_24"
np_form"defNP" pointer"markable_557"
span"word_198..word_206" type"none"/gt ltmarkable
classification"1_reprise_directe"
id"markable_25" np_form"defNP"
pointer"markable_560" span"word_208,word_209"
type"none"/gt ltmarkable classification"3_reprise_
associative" id"markable_26" np_form"defNP"
pointer"markable_561" span"word_218..word_234"
type"none"/gt ltmarkable classification"4_pas_de
reprise" id"markable_29" np_form"defNP"
span"word_247..word_251" type"none"/gt ... ltmarka
ble classification"aucun" id"markable_560"
np_form"none" pointer"" span"word_36"
type"none"/gt ltmarkable classification"aucun"
id"markable_551" np_form"none" pointer""
span"word_84" type"none"/gt ... lt/markablesgt

• Calcul du Kappa intégré dans MMAX
• Comptages et matrices de confusion XSL
• Accord sur antécédents manuel, XSL ?

17
Résultats de classification (F)
0.68 ? K ? 0.8 conclusions préliminaires K gt
0.8 accord
18
Discussion

• Définis -(
• plus de 40  discourse new  (? langues, ?
  genres)
• autour de 25 danaphores  fidèles 
• variation importante pour anaphores  infidèles 
  et associatives
• Kappa insuffisant pour créer une ressource clé
• Démonstratifs -)
• moins de 10  discourse new 
• 60 anaphores  non fidèles 
•  discourse new  cas particuliers (déixis
  temporelle, déixis discursive, antécédents
  complexes)

19
Under construction

• Démonstratifs bon accord sur les antécédents

• Critères syntaxiques, sémantiques, de proximité

20
Pour Laurence, Hélène, Evelyne...

• Dépouillement de la classe  associative 

• coréférence événementielle

selon lesquelles un tribunal a considéré
récemment que le gouvernement belge avait pris
une décision illégale en interdisant l '
importation de déchets toxiques en Belgique ?
... ce jugement ...

• reprise darguments non réalisés

le vol Air Lingus EA 643 quitte Bruxelles ...
cet avion ...

• polysémie processive/résultative (?)

visant à l ' installation , dans la forêt
pétrifiée , de neuf aérogénérateurs , dans ...
... ce parc éolien...