Vous êtes sur la nouvelle plateforme d’Érudit. Bonne visite! Retour à l’ancien site

Articles

Des déclencheurs des énumérations d’entités nommées sur le Web

  • Caroline Bush

…plus d’informations

  • Caroline Bush
    Laboratoire d’Informatique pour la Mécanique et les Sciences de l’Ingénieur (LIMSI), CNRS

Corps de l’article

1. Introduction

Le Web est une importante source pour l’acquisition lexicale (Crimmins et coll. 1999), et surtout pour l’acquisition des entités nommées, parce qu’il est continuellement mis à jour. Amitay 1997 et Hunter 1998 étudient la linguistique du langage et des structures employés dans les documents hypertextuels. Notre travail se situe dans le cadre de ces études, au sein d’un domaine actuellement en plein essor.

Il existe des énumérations dans tous les types de textes, mais elles sont particulièrement fréquentes dans les pages Web, parce que ces dernières exigent une structure claire qui facilite la compréhension du lecteur. Ces énumérations partagent un certain nombre de caractéristiques communes, et nous pensons qu’il faut utiliser ces traits communs pour une exploitation automatique efficace de ces sources d’information. Nous étudions dans ce document un trait particulier : le déclencheur, c’est-à-dire la phrase ou la séquence qui introduit l’énumération.

Parce qu’elle a des fonctions précises, la structure d’un déclencheur est assez limitée. Ce travail a pour but de modéliser cette structure à partir des analyses linguistiques interprétatives et descriptives. Ces modèles contribuent au développement d’un système d’acquisition et de classification d’entités nommées (EN) à partir du Web (Jacquemin et Bush 2000).

Dans ce document, nous ne traitons pas en détail le balisage HTML, qui est un trait distinctif des documents sur le Web. Ce balisage fournit de nombreuses façons différentes de construire une énumération sur le Web, donc il n’est pas pratique d’exploiter les balises HTML afin de repérer ces structures. Cependant, une fois qu’on a trouvé une énumération, des connaissances à propos du balisage HTML permettent d’en extraire des données, exploitables dans l’extraction des EN à partir des énumérations.

1.1 Contribution à l’analyse automatique des déclencheurs des énumérations d’entités nommées

Pour mieux définir une énumération, nous prenons la définition de Pascual 1991 qui dit qu’énumérer, «c’est conférer une égalité d’importance à un ensemble d’objets, et ensuite c’est ordonner ces objets, selon des critères variés». Les articles d’une énumération sont des entités qui ont une fonction commune et qui sont marquées des mêmes traits de formatage. Plusieurs idées dans le travail de Luc et coll. 1999 sur des énumérations standard et non standard nous servent de notions de base dans ce document. Ces auteurs ont noté que toute énumération dans leur corpus possède un élément introducteur, qui peut avoir quatre types de balises : des balises lexicales, syntaxiques, typographiques, et dispositionnelles. C’est cette idée que nous utilisons comme thème central dans ce travail et que nous allons examiner beaucoup plus en détail. Virbel 1985 introduit le terme de mise en forme matérielle pour l’ensemble des caractéristiques physiques d’un texte édité, ce qui est très important lorsqu’on considère des textes structurés tels que les énumérations.

Le but de notre travail est d’élargir les connaissances sur l’élément introducteur, le déclencheur, en précisant ses propriétés plus en détail. Ces analyses contribuent à la conception d’un outil pour l’identification et l’analyse des séquences qui jouent le rôle de déclencheurs.

Notre corpus est construit de séquences tirées du Web en utilisant deux méthodes différentes. Presque 90 % des séquences ont été collectées automatiquement par un outil d’acquisition d’entités nommées (Jacquemin et Bush 2000). Le reste des déclencheurs dans le corpus a été extrait du Web manuellement en utilisant des requêtes d’entités nommées particulières dans des moteurs de recherche. Le corpus entier contient 650 déclencheurs.

Dans ce document, nous commençons par présenter une analyse linguistique des déclencheurs, d’abord sur le plan sémantique (section 2) et ensuite sur les plans syntaxique et structurel (section 3). Nous proposons une forme canonique pour un déclencheur (section 3.1) et nous en formulons un modèle. Puis, nous traitons des formes réduites de cette structure canonique et nous formalisons les règles qui contraignent les réductions (section 4). Finalement nous décrivons la contribution de ce travail à un système d’acquisition et de classification des entités nommées à partir du Web, et nous faisons une évaluation de nos programmes (section 5). Comme point de départ, nous allons décrire les analyses linguistiques des séquences qui jouent le rôle de déclencheurs.

2. Le rôle sémantique des déclencheurs

Dans cette section, nous allons étudier les déclencheurs du point de vue sémantique, en considérant leur rôle quant aux énumérations qu’ils introduisent. Nous partons de quelques séquences qui jouent le rôle de déclencheurs et que nous analysons au niveau de leurs fonctions et de leurs constituants sémantiques.

2.1 Les constituants sémantiques d’un déclencheur

Afin de bien comprendre la structure d’un déclencheur, il faut d’abord comprendre son rôle. Les quatre fonctions d’un déclencheur sont premièrement de signaler la présence d’une énumération, deuxièmement de décrire la nature de la structure de l’énumération, troisièmement de décrire l’hyperonyme, c’est-à-dire la catégorie des articles de l’énumération, et quatrièmement, de décrire les differentia, c’est-à-dire de caractériser les articles de l’énumération.

Il est donc logique qu’un déclencheur se compose de quatre éléments, dont certains sont facultatifs, qui correspondent chacun à une de ces fonctions. Nous allons maintenant essayer de les identifier. Prenons un déclencheur typique :

Dans cet exemple, repris dans la figure 1, nous pouvons détecter les quatre constituants distincts.

Figure 1

Modèle des éléments d’un déclencheur

Modèle des éléments d’un déclencheur

-> Voir la liste des figures

Au centre, on a le noyau sémantique qui précise la nature des articles dans l’énumération (publicly funded universities in Vietnam). Il n’est pas possible de déduire cette information en étudiant la structure de l’énumération. Dans ce noyau, il existe ce qu’on peut appeler un classificateur (ici universities), c’est-à-dire l’élément qui précise le type de l’article. Nous trouvons ensuite l’élément qui décrit la structure de l’énumération : l’organisateur. Dans l’exemple (1), il prend la forme a list of. Enfin, il y a l’introducteur, l’élément qui introduit la présence et la proximité de l’énumération. Ici, l’introducteur est The following is.

Après avoir constaté l’existence des quatre éléments, il faut les étudier plus précisément pour bien les définir. Nous pouvons classer les éléments en deux groupes principaux : ceux qui servent à localiser l’énumération et ceux qui font du typage, en expliquant soit le type de la structure, soit le type des articles de l’énumération.

2.2 La localisation

C’est l’introducteur qui indique la localisation spatiale de l’énumération. Il est toujours composé d’un lexème déictique d’un des types suivants :

Tableau 1

Pourcentage des déclencheurs du corpus utilisant des mots déictiques

Pourcentage des déclencheurs du corpus utilisant des mots déictiques

-> Voir la liste des tableaux

Le tableau 1 montre le pourcentage des déclencheurs du corpus qui contiennent chacun des mots déictiques. Ces mots sont une référence qui renvoie à la situation particulière de l’énonciation plutôt qu’aux éléments du monde (Gezundhajt 1999). Placés hors contexte, leur référence manque. Mais dans un texte, ils indiquent que l’énumération se trouve dans le cotexte, c’est-à-dire dans l’environnement textuel immédiat (Maingueneau 1996). L’introducteur est donc une cataphore, c’est-à-dire une référence déictique qui annonce par un substitut une partie du contexte à venir.

L’emploi de ces mots constitue une catachrèse spatio-temporelle. Certains mots acquièrent de nouveaux sens au cours du temps par le phénomène de la catachrèse (Ferrari 1997). Autrement dit, la catachrèse est un écart que certains mots font de leur première signification pour en prendre une autre qui y a rapport. Par exemple, le mot below (ci-dessous) exprime une position qui est au-dessous, donc après dans le texte comme si l’orientation de la page était verticale. De la même façon, le sens littéral du mot following (suivant) est plus tard sur une échelle temporelle. Ce type de métaphore est très courant dans l’écriture des textes et il est donc devenu lexicalisé.

2.3 Le typage

Les trois autres éléments d’un déclencheur servent à typer soit les articles de l’énumération, soit l’énumération elle-même. Examinons tout d’abord le noyau et le classificateur qui typent les articles.

2.3.1 Le typage des articles

Le noyau est le seul élément obligatoire dans un déclencheur parce qu’il n’y a pas d’autres indices, ni sémantiques ni structurels, qui indiquent ce que l’énumération contient. Il caractérise la nature de chaque article qui compose l’énumération, en décrivant les conditions nécessaires pour qu’un article y apparaisse. Le classificateur est la sous-structure du noyau qui rend explicite le type large des articles qui composent l’énumération. Prenons l’énumération suivante :

Ici, chaque article de l’énumération est une université. Le mot universities caractérise le type des articles; il est donc le classificateur. Cet élément est presque toujours au pluriel parce que l’énumération est une collection de plusieurs exemples de ce type, ainsi plusieurs personnes ou plusieurs universités. Si nous disons que l’énumération a n articles, le classificateur recouvre les articles 1 à n.

Nous pouvons définir le noyau et le classificateur de la manière suivante : le classificateur est le nom qui donne le type des articles de l’énumération, tandis que le noyau se compose du classificateur et de tous ses modifieurs.

La relation entre ces deux éléments est une hyponymie, une relation transitive (Hearst 1998) et paradigmatique (Borillo 1995). L’hyponymie dénote le fait que le sens d’un mot est inclus dans celui d’un autre. L’hyperonyme, le terme le plus général, exprime le genus (le type); et l’hyponyme, le terme plus spécifique, est composé du genus ainsi que de ses differentiae, qui font la différence entre ce terme et les autres membres de la classe (Leech 1977). La figure 2 montre que le classificateur est l’hyperonyme du noyau, et que le noyau est l’hyperonyme de chaque article de l’énumération. Tous les articles sont des membres d’un paradigme : ils sont des hyponymes du noyau, et donc des hyponymes du classificateur. Puisque les relations entre leurs articles sont paradigmatiques, les énumérations d’entités nommées peuvent être caractérisées comme des énumérations paradigmatiques (Luc et coll. 2000).

Figure 2

L’ontologie du noyau

L’ontologie du noyau

-> Voir la liste des figures

En fait, le noyau est un exemple de discours définitoire, parce qu’il définit les caractéristiques des articles de l’énumération. L’hyponymie est utilisée dans la construction d’un grand nombre de définitions (Borillo 1995). Péry-Woodley 1998 montre qu’une définition est typiquement constituée d’un élément qui donne la classe (l’hyperonyme), ainsi que de modifieurs qui expriment la spécificité.

2.3.2 Le typage de la structure de l’énumération

L’organisateur a pour rôle de typer la structure de l’énumération. Il explicite l’organisation des données qui composent l’énumération et déclare le type de la structure, qui peut être soit une liste, soit un tableau.

Dans la plupart des exemples de notre corpus, l’organisateur a la forme suivante (où ADJ est un adjectif) :

2.4 Synthèse

Nous venons de définir les quatre éléments d’un déclencheur du point de vue de leur rôle sémantique. Le noyau caractérise des conditions nécessaires pour l’apparition d’un article dans l’énumération. Il est l’élément minimal qui peut fonctionner comme déclencheur, et c’est un hyponyme du classificateur, décrivant la catégorie fine des articles. Il contient le classificateur qui rend explicite le type des articles de l’énumération et qui est l’hyperonyme du noyau, décrivant la catégorie de base des articles. L’organisateur déclare le type de la structure de l’énumération. L’introducteur est une cataphore dont l’antécédent est l’énumération elle-même, qui indique la proximité de l’énumération.

Étudions maintenant les déclencheurs du point de vue de leur structure.

3. La structure syntaxique d’un déclencheur

Dans la section précédente, nous avons défini les constituants d’un déclencheur ainsi que leur rôle sémantique. Dans cette section, nous examinons les déclencheurs du point de vue de leurs structures syntaxiques. Les déclencheurs ont une structure canonique dont nous définissons les variantes acceptables.

Bien qu’elles partagent les éléments communs présentés ci-dessus, les séquences qui jouent le rôle de déclencheurs peuvent avoir plusieurs formes. Les structures différentes peuvent être groupées dans deux classes principales : celles auxquelles il manque un élément syntaxique, ce qu’on va appeler des structures non saturées (exemple (4)), et celles qui sont des phrases complètes, ce qu’on appellera des structures saturées (exemple (5)).

Cette distinction a déjà été faite chez Luc et coll. 1999, qui parlent d’amorces incomplètes et d’amorces complètes. Nos constatations sont en accord avec leurs définitions, d’après lesquelles, pour un déclencheur sous la forme d’une phrase incomplète, chaque article de l’énumération remplit le trou dans la structure syntaxique, permettant ainsi de rendre la phrase complète. Les structures saturées fonctionnent comme des titres qui annoncent l’énumération.

3.1 La forme canonique d’un déclencheur

Un déclencheur saturé est une phrase complète presque indépendante. Séparé de son énumération, il manquerait de référence, mais il serait bien formé sur le plan grammatical. La dénomination anglaise de ce type de séquences données par Luc et coll. 1999, leading sentences (les amorces complètes), est particulièrement juste parce qu’il s’agit de phrases qui mènent à l’énumération.

La forme canonique d’un déclencheur est une structure saturée qui rend explicites tous les éléments identifiés dans la section 2.1. Voici un exemple :

Cette séquence comprend une indication de la proximité de l’énumération, l’introducteur (This is), une référence au type de la structure, l’organisateur (a list of), ainsi qu’une identification du type de chaque article, le classificateur (companies). Les caractéristiques des articles sont précisées dans le noyau American companies with business interests in Latvia. Le tableau 2 montre plusieurs déclencheurs, soit de la forme canonique (qui est saturée), soit d’une forme réduite, présentés avec leurs différents éléments. Dans ce tableau, les éléments en gras peuvent se déduire des autres éléments du déclencheur (ils ne sont pas explicités dans la séquence), et les références sont co-indexées.

Dans notre corpus, on rencontre plusieurs formes réduites de cette structure canonique. Le phénomène sera traité dans la section 4. Nous allons maintenant décrire notre modèle de la structure syntaxique de la forme canonique d’un déclencheur.

Tableau 2

Les composants des déclencheurs

Les composants des déclencheurs

-> Voir la liste des tableaux

Dans notre corpus, on rencontre plusieurs formes réduites de cette structure canonique. Le phénomène sera traité dans la section 4. Nous allons maintenant décrire notre modèle de la structure syntaxique de la forme canonique d’un déclencheur.

3.2 Un modèle de la structure de la forme canonique

La forme canonique d’un déclencheur est composée d’un introducteur, d’un organisateur et d’un noyau qui contient un classificateur. La figure 3 montre les constituants syntaxiques de cette structure, et le tableau 3 donne la structure syntaxique de chacun des éléments, ainsi qu’une récapitulation de leur fonction sémantique respective.

L’introducteur est un syntagme nominal qui peut être modifié par un adjectif. Dans cette forme étendue, il y a toujours un verbe conjugué et ce verbe est souvent une forme de to be. L’organisateur est un syntagme nominal qui comprend un syntagme prépositionnel dont la préposition est of, par exemple a list of. Ce syntagme prépositionnel attend le noyau pour le compléter. Le noyau est toujours un syntagme nominal dont la tête est le classificateur.

Figure 3

La structure syntaxique de la forme canonique

dét = déterminant, SN = syntagme nominal, Ns = nom au singulier, Npl = nom au pluriel, adj = adjectif, PropRel = proposition relative, Vp = verbe au présent, SP = syntagme prépositionnel

La structure syntaxique de la forme canoniquedét = déterminant, SN = syntagme nominal, Ns = nom au singulier, Npl = nom au pluriel, adj = adjectif, PropRel = proposition relative, Vp = verbe au présent, SP = syntagme prépositionnel

-> Voir la liste des figures

Tableau 3

La structure des éléments de la forme canonique

La structure des éléments de la forme canonique

-> Voir la liste des tableaux

Nous allons maintenant étudier des structures saturées qui n’ont pas la forme canonique.

3.3 Structures saturées non canoniques

Un type particulier de structure saturée jouant le rôle de déclencheur a comme classificateur un syntagme nominal qui contient le modifieur following (suivant), par exemple the following universities (les universités suivantes). Ce modifieur apparaît aussi dans les introducteurs des déclencheurs, par exemple the following is a list of (ce qui suit est une liste de) ou the following list (la liste suivante). La tête du syntagme modifiée par le mot following (suivant) est donc le classificateur sauf si elle est un lexème dénotant une structure énumérative comme list (liste), listing (listage), collection (ensemble), etc. Dans ce cas, elle représente l’organisateur.

Dans l’exemple (7), le syntagme nominal the following institutions (les institutions suivantes) est une cataphore pour les articles de l’énumération. Nous pouvons remplacer ce syntagme nominal par l’ensemble des articles et obtenir une phrase bien formée. Le seul changement exigé est syntaxique : il faut ajouter des virgules et une conjonction afin de transformer la liste en une chaîne de texte. Ainsi l’énumération suivante :

peut se transformer en :

La combinaison du déclencheur et son énumération (7) est sémantiquement équivalente à la phrase bien formée (8). Ce type de structure est une variante de la forme canonique d’un déclencheur et n’est pas saturé parce qu’il ne contient pas d’organisateur explicite.

3.4 Les déclencheurs non saturés

L’autre type de déclencheur est une structure non saturée. Il s’agit de phrases syntaxiquement incomplètes dont les constituants manquants sont fournis par les articles de l’énumération (Luc et coll. 1999). Nous les analysons plus en détail dans cette section.

Les déclencheurs qui contiennent des lexèmes tels que such ... as (tel que) ou une forme du verbe include sont des phrases avec un trou syntaxique. Chaque article de la liste remplit ce trou. Donc, sans la liste, la phrase est incomplète. Par exemple :

Ces déclencheurs ne sont pas des phrases complètes. Dans le déclencheur de l’exemple (9), le lexème qui introduit les articles de l’énumération est such as (tel que), et il exige un syntagme nominal (SN) pour compléter la phrase. Dans la séquence (10), il y a un trou après le verbe include (comprendre), parce que ce verbe attend un SN comme complément d’objet :

Some of the well-known graduates from the
La Guardia school include [X]
X = chaque élément de l’énumération.

Les quatre constituants sémantiques (le noyau, le classificateur, l’organisateur et l’introducteur) sont plus difficiles à mettre en évidence dans un déclencheur non saturé, en particulier parce que sa structure est moins régulière.

Dans la séquence (10), la chaîne qui caractérise les articles de l’énumération (le noyau) est well-known graduates from La Guardia school. Dans certains cas, une réorganisation de mots est nécessaire pour former une séquence grammaticale, mais ce n’est pas le cas pour cet exemple. Cette chaîne est le plus petit élément qui peut servir à introduire cette énumération. Comme toujours, le classificateur est la tête syntagmatique de ce noyau (ici, graduates).

Dans cet exemple, le signe de ponctuation est un deux-points qui indique que ce qui suit est lié. Ici c’est la ponctuation, une marque typographique, liée aux exigences syntaxiques du lexème include, qui joue le rôle de l’introducteur de l’énumération en indiquant qu’elle se trouve à proximité du déclencheur. Dans cette séquence, l’organisateur est implicite parce que le déclencheur ne décrit pas la structure de l’énumération.

Des expressions telles que such as et include sont des indicateurs de l’apposition (Greenbaum et Quirk 1973). Elles se trouvent entre des appositives et indiquent explicitement l’apposition. Possédant des instructions sémantiques particulières, chaque indicateur correspond à des cas particuliers d’apposition. Toutefois, les séquences suivantes sont presque synonymes, et pourraient toutes introduire la même énumération : such cities as [TROU], cities such as [TROU] (des villes telles que) ; cities include [TROU] (ces villes comprennent), cities including [TROU] (plusieurs villes, dont).

Les indicateurs d’apposition such as et including doivent précéder la deuxième appositive. Ils exigent donc un élément qui les suit pour former une phrase syntaxiquement complète, comme dans les exemples (9) et (10).

3.5 Transformations en une forme canonique

Dans les sections précédentes, nous avons vu quelques exemples de structures qui jouent le rôle de déclencheurs. En ce qui concerne les structures non saturées, l’identification des constituants sémantiques peut poser un problème. Il est donc peut-être utile de regarder ces déclencheurs du point de vue de leur relation à la forme canonique.

Nous pouvons réécrire les exemples (7) et (10) sous la forme canonique saturée, sans changer le sens global du déclencheur. Les éléments qui ne sont pas explicités dans la forme non saturée sont soulignés ici:

Tableau 4

Réécriture en forme canonique saturée

Réécriture en forme canonique saturée

-> Voir la liste des tableaux

Dans les séquences non saturées, il peut être difficile de reconnaître des constituants sémantiques. Il est possible de changer toutes les variantes de déclencheurs en une forme canonique composée d’un introducteur, d’un organisateur et d’un noyau contenant lui-même un classificateur, la structure expliquée visuellement par la figure 1. Cette structure est la forme la plus explicite d’un déclencheur et elle facilite l’identification des éléments sémantiques. Nous avons étudié la transformation des formes variantes en forme canonique dans Bush 2000, mais nous ne présentons pas dans cet article le mécanisme utilisé, car il est relativement complexe.

3.6 Des structures non traitées

D’autres types de structures sont rarement employés pour introduire des énumérations. Par exemple, il existe des titres qui introduisent une énumération sans donner explicitement ni la présence de l’énumération, ni le type des éléments qui la composent, comme Sightseeing in Trento (Le tourisme à Trente). Cet exemple introduit une liste d’attractions à Trente. Dans ce cas, c’est la structure elle-même qui annonce ce dont il s’agit, et le déclencheur ne respecte pas les fonctions décrites à la section 2.1, mais donne plutôt une idée générale du sujet de l’énumération. Il exige du lecteur une reconstruction importante pour qu’il comprenne qu’il s’agit d’une énumération. Un tel exemple fait donc appel à beaucoup d’informations pragmatiques. C’est pourquoi nous ne traitons pas ce type de déclencheurs dans cet article.

4. Des formes réduites de la structure canonique

Nous avons identifié la structure canonique d’un déclencheur dans la section 3.1. La plupart des énumérations ne sont cependant pas introduites par la forme canonique entière : environ 70 % des déclencheurs dans notre corpus sont des formes réduites de la forme canonique. Par exemple :

La séquence (11) n’a pas d’introducteur et la séquence (12) n’est composée que du noyau et de son classificateur. Toutefois, ces deux expressions peuvent jouer le rôle de déclencheurs et, comme nous allons le voir, l’emploi de ces formes réduites peut être justifié dans certains cas. Dans cette section, nous allons examiner quelques cas spécifiques d’emploi de ces réductions et formaliser les règles concernant les formes réduites qui sont acceptables dans le rôle de déclencheur.

4.1 Justification de l’emploi de formes réduites

Nous avons identifié les quatre constituants sémantiques d’un déclencheur (section 2.1). Il faut toutefois considérer le rôle des caractéristiques physiques du texte comme des marques typographiques et sémantiques. Elles jouent un rôle aussi important que les marques lexico-sémantiques étudiées jusqu’à présent en introduisant et en caractérisant des énumérations.

Chaque article d’une énumération typique d’entités nommées sur le Web se trouve sur une nouvelle ligne avec les mêmes traits de formatage. Cette forme de texte indique par elle-même qu’il s’agit d’une liste, ce qui permet d’omettre l’organisateur du déclencheur sans nuire à la compréhension. Péry-Woodley 1998 montre comment un texte écrit est un objet visuel dont on exploite les propriétés visuelles pour reconstruire le sens.

Les marques typographiques comme la ponctuation sont importantes pour l’acceptabilité de certaines formes réduites qui jouent le rôle de déclencheurs. La mise en forme matérielle (MFM) d’une chaîne de texte donnée renvoie à certaines contreparties entièrement ou partiellement discursives (Virbel 1985, Virbel 1989). Par exemple, le contraste entre le type de caractères utilisé pour le déclencheur (gras, souligné, couleur différente) et celui employé pour les articles de l’énumération indique le rôle de déclencheur de l’énumération. Comme Virbel (1985) l’a fait pour les définitions, nous pouvons identifier la forme entièrement discursive d’un déclencheur, ainsi que sa contrepartie basée sur la mise en forme :

Dans l’exemple (14), la combinaison des traits de formatage (le texte en gras et souligné) et l’emploi du deux-points (:) prennent la place de l’introducteur en introduisant l’énumération. Sans formatage et sans le deux-points, cette chaîne serait un déclencheur beaucoup moins convaincant. Ainsi, certains phénomènes de MFM peuvent être interprétés comme des équivalents non discursifs de certains énoncés ou même comme des traces de réductions des formes discursives.

Catach 1994 explique que le deux-points constitue «la marque principale et quasi-unique de la prise de distance entre segments majeurs, différents du point de vue de la construction, mais liés au point de vue du sens». Dans le cas des énumérations et de leurs déclencheurs, le deux-points indique que les deux éléments sont liés, mais il sert à séparer les deux types de structure du texte. Un guide de la ponctuation anglaise (Peck 1996) explique de la même manière que le deux-points fixe l’attention du lecteur sur ce qui suit. Il en résulte que ce signe est employé afin d’introduire une idée qui complète l’idée introductrice, comme une liste complète l’idée introduite par le déclencheur.

Souvent, à la fin des déclencheurs de la forme canonique – la forme entièrement discursive – on emploie un point à la place du deux-points. Or, le point est une forme de ponctuation qui n’indique pas de façon explicite qu’il y a un élément lié qui suit. La forme discursive rend explicite la référence à l’énumération en utilisant des marques lexicales telles que following (suivant), rendant redondante une notation telle que le deux-points.

La réduction linguistique est présente dans plusieurs aspects de la conception des pages Web. Le pourcentage de déterminants dans les documents hypertextuels est considérablement inférieur à celui de l’anglais écrit standard (Amitay 1999), ce qui indique qu’il y a une véritable tendance à la réduction des mots dont l’absence ne pose pas de problèmes pour la compréhension. De plus, afin de faciliter la navigation et la lisibilité, il y a dans les pages Web beaucoup moins de conjonctions, qui rendraient la structure plus compliquée. Le même principe explique la tendance à omettre des éléments du déclencheur qui sont redondants sur le plan sémantique. On préfère simplifier autant que possible les structures employées.

On peut alors se demander pourquoi utiliser la forme étendue d’un déclencheur si les marques typographiques et dispositionnelles portent les mêmes informations. Hunter 1998 dit qu’afin d’aider la compréhension, il vaut mieux signaler le contexte explicitement, même si cela entraîne des répétitions. C’est surtout important pour les lecteurs dont l’anglais n’est pas la première langue, comme beaucoup d’utilisateurs du Web. Si la structure de surface et les structures conceptuelles sous-jacentes sont parallèles, cela facilite la compréhension.

4.2 Modèle du déclencheur en contexte

Péry-Woodley 1998 suggère qu’il est possible d’élargir l’idée des marques sémantiques en intégrant dans la description sémantique d’une définition des traits de formatage et de typographie, pouvant jouer un rôle équivalent aux marques lexicales. De la même manière, dans la section précédente, nous avons vu que certaines des marques dispositionnelles et typographiques de l’énumération sont associées aux fonctions du déclencheur. Il est donc utile de formuler un modèle du déclencheur en contexte afin de prendre en compte ces propriétés.

Figure 4

Modèle d’une énumération avec son déclencheur

Modèle d’une énumération avec son déclencheur

-> Voir la liste des figures

Traduction de l’exemple :Voici une liste de villes hongroises. Le texte gras indique des villes régionales.

La figure 4 montre un déclencheur en contexte suivi par son énumération, avec éventuellement quelque lignes de texte entre ces deux éléments. Dans cette figure, nous employons la notation suivante : A = Article de l’énumération; D = Déclencheur; L = Ligne de texte; E = Énumération; tf = traits de formatage; nl = nouvelle ligne.

Avec cette notation, on peut exprimer des règles qui prennent en compte le rôle des propriétés structurelles d’une façon plus formelle :

Cette règle explique que si chaque article se trouve sur une nouvelle ligne et si tous les articles partagent les mêmes traits de formatage, la structure est du type liste.

Cette règle explique que la proximité entre le déclencheur et l’énumération indique que les deux sont liés, ce qui peut remplacer l’introducteur. Il est possible de réécrire la règle (16) en spécifiant le nombre de lignes de texte maximum permis entre le déclencheur et l’énumération :

S’il y a trop de texte entre le déclencheur et l’énumération (nous avons mis six lignes ici, mais il faudrait faire des évaluations systématiques de corpus pour fixer une limite précise), il faut expliciter le fait que ces deux éléments sont liés au moyen d’un introducteur dans le déclencheur.

Il n’est pas possible pour l’instant d’être beaucoup plus précis en ce qui concerne la nature des traits de formatage, parce que, comme l’a constaté Virbel 1985, il n’existe pas en général de conventions pour l’emploi des marques de mise en forme matérielle des textes. Certaines conventions se créent localement pour certains types de textes, mais il n’est globalement pas possible de faire des généralisations systématiquement vérifiées. Il s’agit plutôt de donner un contraste entre des unités de texte ayant des fonctions ou des statuts différents.

Nous examinons maintenant un type particulier de déclencheur qui est une forme réduite de la structure canonique.

4.3 Des formes réduites qui contiennent des mots WH

Les mots WH sont les mots anglais who (qui), what (quoi), where (où) et when (quand), qui sont des pronoms relatifs ou interrogatifs, selon leur emploi. Des déclencheurs qui contiennent des mots WH comme where et who sont un cas particulier des déclencheurs de la forme canonique réduite. En voici deux exemples :

Nous allons appeler des séquences de ce type des propositions WH. Des déclencheurs de ce type ressemblent aux propositions relatives qui modifient le classificateur sans que ce dernier soit explicite. Par exemple nous pouvons dire que l’exemple (18) est une forme réduite du déclencheur plus explicite suivant :

Les mots who, where et when ont tous la propriété de pouvoir prédire le type de l’antécédent (ici du classificateur) à partir du mot lui-même. Quand il s’agit du pronom who (qui), son antécédent doit être people (personnes), ou un mot qui décrit un type de personne, par exemple actors (acteurs), women (femmes), teenagers (adolescents).

Pour le pronom relatif where (où), le classificateur sera évidemment toujours un type de lieu, par exemple places (lieux), universities (universités), resorts (stations estivales). Cette notion de typage basé sur le mot WH ou sur d’autres indices dans la séquence relie ce sujet à un certain aspect du travail sur l’analyse des questions (Hirschman et coll. 1999, Ferret et coll. 1999).

Puisque les informations structurelles du texte ne contiennent pas les caractéristiques des articles, le noyau est en général le plus petit élément pouvant jouer seul le rôle de déclencheur. Cependant, dans les déclencheurs (18) et (19), le classificateur n’est pas explicitement présent :

Dans de tels cas, l’élément minimal qui peut jouer le rôle de déclencheur est effectivement le noyau, avec le classificateur en moins. Cela ne nuit pas à la caractérisation des articles de l’énumération, parce que le classificateur peut se déduire implicitement du mot WH qui introduit la séquence réduite. C’est le cas seulement quand il s’agit des mots who (qui), where (où) et when (quand).

Cependant, il n’est pas toujours acceptable d’employer une proposition WH seule comme déclencheur, même quand il s’agit des mots WH who, where et when. Prenons quelques exemples :

La raison principale pour laquelle les formes réduites de ces deux déclencheurs ne sont pas acceptables concerne la syntaxe des chaînes. Les séquences (23) et (25) sont inacceptables grammaticalement. Par contre, les formes suivantes peuvent jouer seules le rôle de déclencheurs :

Dans les propositions WH (26) et (27), les verbes sont à la troisième personne du singulier. Dans les séquences (23) et (25), les verbes sont à la troisième personne du pluriel, et on les trouve grammaticalement inacceptables sans leur classificateur respectif. Les séquences qui peuvent exister seules sans un classificateur ressemblent toutes aux questions indirectes. Considérons toutes les propositions WH observées jusqu’à maintenant qui sont acceptables seules comme déclencheurs :

Nous voyons que ces déclencheurs particuliers sont des propositions WH qui forment des questions indirectes, mais qu’ils ressemblent aussi aux propositions relatives. Une question indirecte exige que le verbe soit à la troisième personne du singulier. Dans un déclencheur, le classificateur est toujours au pluriel parce qu’il décrit une collection. Le verbe de la proposition relative qui modifie le classificateur est donc au pluriel, et cette proposition ne ressemble pas à une question indirecte. Cependant, dans certains cas, il n’y a pas de différence en anglais entre la forme du mot singulier et la forme du mot au pluriel. Ainsi, la proposition relative au pluriel et la question indirecte (au singulier) sont identiques. Par exemple, le verbe can (pouvoir) ne change pas au singulier et au pluriel (He can/They can (il peut/ils peuvent)) (exemple (18)). C’est dans ces cas que la proposition WH peut jouer seule le rôle de déclencheur.

Sur le plan sémantique, dans certains déclencheurs, le classificateur porte plus d’informations que l’on peut déduire à partir du mot WH. Par exemple, dans la séquence (22), le classificateur est famous people (célébrités). Le mot who suggère qu’il s’agit de personnes, mais il n’est pas possible de déduire les propriétés spécifiques de ces personnes (ici, le fait qu’ils sont célèbres). Donc, si un classificateur a des caractéristiques plus précises que celles données par le mot WH, il faut les expliciter.

Il existe encore une structure de déclencheur qui commence par un mot WH. Prenons l’exemple suivant :

Ceci n’est pas une proposition relative parce qu’en anglais il n’est pas possible d’y ajouter un classificateur de la même façon que dans l’exemple (20).

L’exemple (33) n’est pas acceptable, parce que les propositions relatives en anglais contiennent plutôt un verbe à la forme active qu’un verbe à l’infinitif. Des grammaires de la langue anglaise (Leech et Svartvik 1974, Greenbaum et Quirk 1973) aident à clarifier cette construction. Il existe en anglais un type de question indirecte où la proposition qui est rapportée contient un infinitif avec to et commence par un mot WH (Leech et Svartvik 1974). Par exemple :

Ce type de structure est lié aux ordres rapportés. Un ordre de style indirect en anglais utilise une proposition subordonnée avec un infinitif en to (Greenbaum et Quirk 1973).

Les exemples (34), (35) et (36) sont liés par le fait qu’ils peuvent tous représenter la même situation, celle de trouver des renseignements sur des lieux où l’on peut acheter une carte de téléphone. Cette structure diffère des autres déclencheurs étudiés jusqu’à maintenant parce qu’elle ne contient pas de mention explicite du type des articles, et qu’elle devient fausse sur le plan grammatical si on en ajoute une.

Nous venons de voir un cas exceptionnel de formes réduites de la structure canonique. Pour certaines chaînes qui comprennent un mot WH who, where ou when, il arrive que le noyau sans son classificateur joue le rôle de déclencheur, parce que ce classificateur peut se déduire du mot WH. Nous allons maintenant formaliser les règles qui contrôlent ces formes réduites.

4.4 Formalisation de l’emploi des formes réduites

Dans les deux sections précédentes, nous avons vu que nous pouvons légitimement choisir d’omettre certains éléments d’un déclencheur de la forme canonique. Par exemple, pour introduire la même énumération, chacune des séquences suivantes peut s’utiliser :

Voici une liste de gens qui peuvent en profiter.

Cependant, tous ces éléments ne forment pas nécessairement un déclencheur acceptable. Par exemple, comme variante des exemples (37-40), on ne s’intéressera pas à l’exemple (38), qui est trop générique :

Le noyau est obligatoire parce que c’est lui seul qui précise les caractéristiques des articles. Il n’est pas nécessaire qu’un déclencheur explicite les quatre éléments (l’introducteur, l’organisateur, etc.), mais il doit toujours comprendre au moins le noyau. Nous avons donné un cas particulier (section 4.2) où le classificateur est facultatif. Dans cette section, nous allons préciser plus en détail les combinaisons d’éléments qui sont acceptables, en formulant des règles.

Les exemples (37), (38), (39) et (40) montrent qu’on peut utiliser plusieurs formes réduites du même déclencheur pour introduire la même énumération. Maintenant nous allons examiner cet exemple et quelques autres d’une manière plus systématique. Dans le tableau 5, nous avons décomposé trois déclencheurs :

  1. [The following is]IImage de l’équation[a list of] O [publiclyfunded [universities]Cin Vietnam]N

    Voici une liste d’universités du Vietnam qui sontfinancées par l’État.

  2. [Here is]IImage de l’équation[a list of] O [[lakes]Cyou can fish]N

    Voici une liste de lacs où on peut pêcher.c)

  3. [This is]IImage de l’équation[a list of] O[[people]Cwho can benefit]N

    Voici une liste de gens qui peuvent en profiter.

Tableau 5

Tableau des éléments optionnels

I = Introducteur, O = Organisateur, C = Classificateur, N = Noyau moins classificateur

Tableau des éléments optionnelsI = Introducteur, O = Organisateur, C = Classificateur, N = Noyau moins classificateur

-> Voir la liste des tableaux

4.4.1 Le cas standard

Les séquences a) et b) ont des structures standard. Dans ce cas, le classificateur est enchâssé dans le noyau. Utilisant la notation employée dans le tableau 5, nous pouvons donner des règles pour les réductions du type dans les exemples a) et b) :

La seule combinaison qui présente un problème est I + C + N, comme dans l’exemple (44).

I est l’introducteur et contient un verbe et une cataphore. Si la cataphore est un pronom démonstratif comme this (ceci), il s’accorde en nombre avec l’objet du verbe. Si on omet l’élément O, l’organisateur, le classificateur devient l’objet du verbe. Le classificateur est toujours au pluriel parce qu’il s’agit d’une collection (section 2.3.1). Donc le démonstratif doit être au pluriel, comme these (ceux-ci). Si le verbe est to be (être), il faut un changement du même type, parce que ce verbe s’accorde en nombre avec ses arguments.

4.4.2 Le cas particulier

L’exemple c) montre le cas particulier où le classificateur et le noyau peuvent fonctionner comme des éléments distincts (section 4.2). Des déclencheurs de ce type ont un comportement différent : ils contiennent une proposition relative, et le classificateur peut se déduire du pronom relatif who (qui) ou where (où). À l’encontre des exemples a) et b), dans des exemples comme c), il n’y a pas nécessairement un classificateur (C), bien que le noyau (N) soit toujours obligatoire. Ainsi, N n’entraîne pasC. La règle (40) n’est donc pas vérifiée en c). Cela veut dire que N peut être présent sans que C le soit.

4.4.3 Synthèse

Il est donc possible de formaliser les conditions pour qu’une forme réduite de la structure canonique joue le rôle d’un déclencheur. Ainsi, dans tout déclencheur :

  1. N est obligatoire ;

  2. CN peut se combiner avec I ou O, ou les deux (IO);

  3. L’ordre des éléments est toujours conservé : I < O < C < N;

  4. Si CN se combine avec I sans O, le nombre du verbe de I doit devenir pluriel.

Puis, pour le cas particulier où le mot WH who ou where modifie le classificateur :

  1. N n’entraîne pas C.

Et pour tous les autres cas :

  1. N entraîne C (CN est obligatoire).

Nous avons vu dans cette section des cas d’emploi des formes réduites et les raisons de leur utilisation. Nous avons alors donné toutes les combinaisons linguistiques acceptables, ainsi que des modèles de ces réductions.

Nous avons formulé dans les sections précédentes un modèle de la forme canonique d’un déclencheur, ainsi qu’un modèle d’un déclencheur en contexte. Ces modèles servent dans une application qui extrait et classe des entités nommées à partir du Web, et que nous allons décrire dans la section suivante.

5. L’acquisition et la classification des entités nommées candidates

Le terme entités nommées (EN) recouvre des noms propres, c’est-à-dire des noms de personnes, des noms de lieux, des noms d’organisations, etc. Puisqu’elles sont évolutives, il est toujours nécessaire de mettre à jour les bases de données qui les stockent. Il existe plusieurs applications qui traitent des EN, par exemple des systèmes de repérage (Illouz et coll. 1999) et de désambiguïsation (Wacholder et coll. 1997). Le système FUNES (Coates-Stephens 1993) utilise des articles courts de journaux afin d’acquérir des EN. Les corpus Web sont une autre source riche pour ce type de données (Crimmins et coll. 1999) parce qu’ils sont constamment mis à jour.

Pour notre approche, Jacquemin et Bush 2000 ont développé un outil d’extraction des entités nommées (EN) à partir du Web. Cet outil a pour but de collecter des EN dans des énumérations sur le Web et de classer chacune de ces entités selon son type. En utilisant nos modèles des déclencheurs (section 5), nous avons créé un programme qui a pour but de réduire le taux d’erreur dans ce processus en identifiant des déclencheurs bien formés. De plus, nous avons développé un analyseur qui identifie les constituants dans le déclencheur de l’énumération afin de raffiner la classification des EN collectées.

5.1 Description du système d’extraction d’EN

Le système d’acquisition de EN décrit dans Jacquemin et Bush 2000 emploie des contextes définitoires tels que list of universities (liste d’universités) et international organisations such as (des organisations internationales telles que) pour trouver des énumérations de EN candidates à partir d’un moteur de recherche. Ces contextes définitoires font partie des déclencheurs des énumérations. Le mot dans la chaîne définitoire qui décrit le type des articles est le classificateur. Nous avons montré (section 2.3.1) qu’il existe une relation d’hyponymie entre le classificateur du déclencheur et les articles de l’énumération. Hearst 1992 a utilisé des patrons lexico-sémantiques du type such as (tels que) afin d’acquérir des exemples de la relation d’hyponymie, et ce système emploie la même méthode afin de trouver et classer des EN.

Les quatre chaînes définitoires suivantes sont employées par le système :

L’outil analyse les pages Web renvoyées par le moteur de recherche à partir de requêtes avancées de type chaînes formées sur ces quatre types de séquences. Ensuite, on analyse la phrase qui contient cette chaîne, ainsi que l’énumération qui la suit par des techniques d’analyse superficielle. Plusieurs analyseurs identifient et séparent chaque article de cette énumération en utilisant les balises HTML, et les prennent comme des EN candidates. Le système type ces candidats selon la chaîne définitoire. Par exemple :

Ici la chaîne définitoire est list of American companies, donc chaque EN candidate, AM-SARAS Inc., American Airlines, etc., sera typée comme une American company.

Ce système est assez efficace, mais il génère des erreurs. En particulier, quand la phrase qui contient la chaîne définitoire n’est pas un déclencheur, mais est suivie par une énumération qui n’y est pas liée, le système prend les articles de l’énumération en les classifiant selon le contenu de la chaîne définitoire.

Par exemple, on trouve la chaîne définitoire list of American companies dans la séquence (50), mais cette phrase ne joue pas le rôle de déclencheur. Si cette chaîne était suivie sur la page par une énumération, le système prendrait chaque article comme une société américaine. Afin de traiter ce problème, le premier module de notre programme identifie des chaînes qui jouent le rôle de déclencheur.

Le typage fait par le système d’acquisition de EN candidates (Jacquemin et Bush 2000) n’emploie que le classificateur du déclencheur qui fait partie de la chaîne définitoire. Le deuxième module de notre programme est donc un analyseur qui identifie le noyau d’un déclencheur, et donne ainsi une classification plus précise des EN candidates qui apparaissent dans une telle énumération. Nous décrirons ce programme dans les sections suivantes.

5.2 Programme de repérage et d’analyse des déclencheurs

Le programme est composé de deux modules principaux: le repérage des déclencheurs bien formés et l’analyse de ces déclencheurs pour identifier leurs constituants. La figure 5 montre cette structure.

Figure 5

Le programme de repérage et d’analyse de déclencheurs

Le programme de repérage et d’analyse de déclencheurs

-> Voir la liste des figures

Le premier module est composé de trois sous-modules : la préparation du corpus, le filtrage et la réorganisation de données.

5.2.1 Module de repérage

Ce programme a été développé sur des séquences trouvées sur le Web par le requête list of EN de l’outil d’extraction de EN candidates (Jacquemin et Bush 2000). Cette extraction s’appuie sur le formatage et se fait conjointement à l’extraction des EN.

Tous les déclencheurs potentiels sont d’abord étiquetés au préalable par le TreeTagger (Schmid 1999). Le filtrage commence ensuite, fait par onze modules distincts écrits en Perl.

À partir du modèle syntaxique de la forme canonique des déclencheurs (section 5.1), nous avons formulé une expression régulière, construite avec des étiquettes, permettant d’extraire toutes les séquences similaires à cette structure : (s = au singulier; pl = au pluriel) .

Ce qui est important dans ce patron, c’est la présence des deux noms dans la séquence. Le premier est l’organisateur qui décrit la structure de l’énumération. Comme il n’y a qu’une énumération pour chaque déclencheur, ce nom est toujours au singulier, par exemple a list (une liste). Le second nom est le classificateur. Il est toujours au pluriel parce qu’il s’agit de la collection des articles, par exemple : universities (universités), politicians (hommes politiques). La plupart des erreurs à cette étape sont dues à des erreurs dans l’étiquetage, comme lorsque des noms pluriels sont étiquetés comme des noms singuliers, ce qui provoque le rejet de la chaîne.

Les modules de filtrage suivants traitent des autres mots des séquences, c’est-à-dire ceux qui ne font pas partie de la chaîne de base formulée par la grammaire des déclencheurs canoniques. Ces modules emploient des expressions régulières basées sur les étiquettes ou les lexèmes particuliers, afin de filtrer des chaînes qui ne jouent pas le rôle de déclencheurs. Après ce filtrage, les chaînes qui restent sont triées et des formes identiques sont regroupées dans une seule forme.

5.2.2 L’analyseur

Le système d’acquisition de EN candidates à partir du Web (section 5.1) classe chaque EN trouvée selon le classificateur dans la chaîne de recherche employée (Jacquemin et Bush 2000). Par exemple, toute EN qui suit list of universities est classée comme une université. Mais le déclencheur fournit des informations plus précises sur les propriétés des articles en spécifiant des hyponymes du classificateur. Pour l’exploiter, il faut identifier le noyau du déclencheur en faisant une analyse automatique selon la structure mise en évidence dans la section 3.2. Le dernier module de ce programme utilise des expressions régulières afin d’identifier le classificateur et ses modifieurs. Le classificateur est spécifié par la chaîne de recherche utilisée par le système.

Cela permet un raffinement de la classification des EN candidates. Par exemple, tous les articles d’une liste qui suivent le déclencheur en (52) pourraient désormais être classés comme countries, mais avec la précision supplémentaire qu’ils sont des countries with which Mexico has a free trade agreement.

5.3 Évaluation

L’évaluation suivante des résultats montre que les sorties de ce programme sont assez correctes. Concernant le module de repérage, les sorties de chaque sous-module ont été évaluées manuellement. Pour calculer l’efficacité globale du module, un échantillon aléatoire d’une centaine de séquences a été vérifié. Globalement, la précision est de 76 % et le rappel est de 87 %.

Tableau 6

Exemples des déclencheurs décomposés par l’analyseur et évaluation de la qualité de l’analyse

N = Noyau, C = Classificateur

Exemples des déclencheurs décomposés par l’analyseur et évaluation de la qualité de l’analyseN = Noyau, C = Classificateur

-> Voir la liste des tableaux

Le tableau 6 montre quelques déclencheurs avec le résultat donné par l’analyseur. Le déclencheur est suivi par son noyau et son classificateur, avec une indication sur la qualité de l’analyse. Il y a trois sorties possibles : soit le constituant identifié est exact, soit l’analyseur identifie un constituant qui est plus long que le noyau ou que le classificateur exact, soit l’analyseur identifie un constituant qui est plus court que le constituant exact. L’évaluation de ces résultats a été faite manuellement par un seul juge.

L’identification du couple noyau/classificateur est basée sur un patron construit avec des étiquettes et nous observons que l’analyse est correcte avec une précision de 82 %. En formulant un modèle des déclencheurs (section 3.2), nous avons considéré la forme canonique en isolation. Il arrive cependant que cette structure canonique soit employée dans une phrase entourée par des éléments qui ont une autre fonction, en plus de celles d’introduire et de caractériser une énumération. Dans ce cas, notre modèle syntaxique n’est pas capable d’identifier la fin du noyau. Par exemple les deux déclencheurs (g) et (h) dans le tableau 6 ont la même structure syntaxique :

Toutefois, les modifieurs ont des fonctions différentes. En (g), le modifieur modifie le classificateur, donc il fait partie du noyau lakes found in Tillamook. Par contre, en (h) le modifieur est lié à l’organisateur - c’est la liste qui est accompanied with a map et non pas le classificateur. Dans cet exemple, le noyau n’est donc que regions, et l’analyse faite par le système n’est pas correcte. Cette ambiguïté syntaxique est très difficile à résoudre automatiquement. C’est pourquoi la plupart des problèmes sont posés par des exemples de ce type.

L’autre problème que nous n’avons pas considéré dans nos modèles concerne des classificateurs coordonnés. Dans tous les exemples analysés jusqu’à présent, chaque déclencheur n’a eu qu’un classificateur. Cependant, si nous examinons l’exemple () dans le tableau 6, nous voyons qu’il arrive qu’un déclencheur ait deux classificateurs qui sont coordonnés :

Dans cette séquence, le classificateur est universities and colleges, mais l’analyseur ne repère que universities comme classificateur. Pour corriger cette source d’erreurs il va falloir reconsidérer nos modèles et modifier le programme afin de traiter ce type de coordination.

Des erreurs dans le module de repérage des déclencheurs bien formés posent des problèmes pour l’analyseur. Des séquences qui ne jouent pas le rôle de déclencheurs ne sont pas analysables de la même manière que les vrais déclencheurs, et ces séquences erronées sont souvent mal analysées par l’analyseur.

Pour cette évaluation, toutes les mesures ont été calculées sur les séquences en dehors de leur contexte. Cela veut dire qu’une séquence est acceptée comme un bon déclencheur si elle peut jouer ce rôle. Nous n’avons pas encore vérifié si elles introduisent effectivement des énumérations. Les possibilités du système restent donc limitées, ne permettant d’identifier que les déclencheurs de la forme canonique. Par contre, le niveau de précision de 76 % est très élevé pour une identification de cette forme.

6. Conclusion

Dans ce document, nous avons montré que les séquences qui introduisent des énumérations d’entités nommées partagent certains traits. Nous avons décrit et analysé leurs propriétés sémantiques ainsi que leurs structures syntaxiques, en identifiant une forme canonique de déclencheur. À partir de ces analyses, nous avons proposé quelques modèles initiaux de la structure sémantique et syntaxique.

Ce travail a contribué à l’élaboration d’un système d’acquisition et de classification des entités nommées à partir du Web. Nous avons écrit un programme de base qui identifie des déclencheurs bien formés, ce qui a pour but de réduire le taux d’erreur dans ce système. De plus, nous avons réalisé un analyseur qui décompose des déclencheurs en éléments sémantiques. Cela sert à donner des précisions sur les articles des énumérations qui y sont liées.

Nous allons poursuivre ce travail en améliorant ces programmes afin de les rendre plus efficaces. Nous devrons ensuite étudier le rôle des ancres (ou hyperliens) dans les documents hypertextuels, un sujet qui est abordé chez Amitay 1999. Dans l’état actuel de nos travaux, la plupart de ces séquences ne sont pas acceptées comme des déclencheurs. Elles peuvent toutefois introduire des énumérations de la même manière que les séquences étudiées ici, mais les énumérations associées se trouvent dans un lieu accessible par l’hyperlien et non dans le cotexte.

Le thème des ancres qui introduisent des listes permettra d’exploiter des balises HTML qui sont une caractéristique importante des documents sur le Web. Pour le corpus de déclencheurs étudié dans cet article, ce balisage a été supprimé, donc les modèles n’en prennent par compte. Les balises sont cependant indispensables pour l’extraction des EN par l’outil de Jacquemin et Bush, et c’est une des raisons pour lesquelles le Web est si valable comme source d’informations.

Parties annexes