Extraction d'expressions polylexicales sur corpus arboré
Abstract
This document describes a method for extracting multiword expressions from syntactically analyzed corpora. These expressions are still a main issue for NLP applications. Their automatic extraction, and appropriate description, remain largely unsolved problems. This approach most notably allows the extraction of expressions composed of more than two words, and focuses on the issue of nested recurrent structures. It also yields a finegrained morphosyntactic description of the extracted units, including syntactic relations, possible word orders, contiguity, inflection or determination, which we think is necessary to a proper encoding of these expressions in lexicons, for applications such as information extraction or machine translation.
Ce document présente une méthode d'extraction d'expressions polylexicales à partir de corpus analysés syntaxiquement. Ces expressions restent un problème central pour le traitement automatique des langues naturelles, et leur extraction et encodage automatiques sont des tâches encore non résolues. L'approche implémentée permet en particulier d'extraire des expressions de plus de deux mots, et une attention particulière a été portée aux constructions récurrentes imbriquées. Une description morphosyntaxique fine des unités extraites est également générée, en termes de relations syntaxiques, ordres des mots possibles, distance entre mots, flexion ou détermination, informations qui nous semblent nécessaires à leur bonne intégration aux lexiques, pour des applications comme l'extraction d'information ou la traduction automatique.
Loading...