Outils génériques pour l'étiquetage morphosyntaxique de la langue arabe : segmentation et corpus d'entraînement - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance
Master Thesis Year : 2011

Outils génériques pour l'étiquetage morphosyntaxique de la langue arabe : segmentation et corpus d'entraînement

Abstract

The main goal of this study is the implementation of a new tool for the part-ofspeech tagging of Arabic. After studying the different approaches and problems of arabic tagging, we implemented a tagging system based on TreeTagger, a generic stochastic tagging tool, very popular for its efficiency. First of all, we began by gathering a working corpus, large enough to ensure a general linguistic coverage. This corpus has been used to implement the tokenization process, as well as to train Treetagger. We first present our method of tokenization, then we describe all the steps of the preprocessing and training process, using ASVM 1.0 to yield a raw POS tagging that was subsequently manually corrected. Finally, we implemented a straightfoward evaluation of the outputs, both in a quantitative and qualitative way, on a small test corpus. Though restricted, this evaluation showed really encouraging results.
L'objectif de ce travail est la réalisation d'un nouvel outil pour l'étiquetage morphosyntaxique de la langue arabe. Après avoir étudié les spécificités de la langue arabe et confronté celles-ci avec les différentes approches de l'étiquetage, nous avons mis en oeuvre un système basé sur l'étiqueteur stochastique TreeTagger, réputé pour son efficacité et la généricité de son architecture. Pour ce faire, nous avons commencé par la constitution de notre corpus de travail. Celui-ci nous a d'abord servi à réaliser l'étape de segmentation lexicale. Dans un second temps, ce corpus a permis d'effectuer l'entraînement de TreeTagger, grâce à un premier étiquetage réalisé avec l'étiqueteur ASVM 1.0, suivi d'une phase de correction manuelle. Nous détaillons ainsi les prétraitements requis et les différentes étapes de la phase d'apprentissage avec cet outil. Nous terminons par une évaluation sommaire des résultats, à la fois qualitative et quantitative. Cette évaluation, bien que réalisée sur un corpus de test de taille modeste, montre que nos premiers résultats sont encourageants.
Fichier principal
Vignette du fichier
GHOUL Dhaou_M2R_TALEP.pdf (1.49 Mo) Télécharger le fichier
Loading...

Dates and versions

dumas-00631517 , version 1 (12-10-2011)

Identifiers

  • HAL Id : dumas-00631517 , version 1

Cite

Dhaou Ghoul. Outils génériques pour l'étiquetage morphosyntaxique de la langue arabe : segmentation et corpus d'entraînement. Linguistique. 2011. ⟨dumas-00631517⟩
630 View
2899 Download

Share

More