Intégration de ressources lexicales riches dans un analyseur syntaxique probabiliste. (Integration of lexical resources in a probabilistic parser)

Cette these porte sur l'integration de ressources lexicales et syntaxiques du francais dans deux tâches fondamentales du Traitement Automatique des Langues [TAL] que sont l'etiquetage morpho-syntaxique probabiliste et l'analyse syntaxique probabiliste. Dans ce memoire, nous utilisons des donnees lexicales et syntaxiques creees par des processus automatiques ou par des linguistes afin de donner une reponse a deux problematiques que nous decrivons succinctement ci-dessous : la dispersion des donnees et la segmentation automatique des textes. Grâce a des algorithmes d'analyse syntaxique de plus en plus evolues, les performances actuelles des analyseurs sont de plus en plus elevees, et ce pour de nombreuses langues dont le francais. Cependant, il existe plusieurs problemes inherents aux formalismes mathematiques permettant de modeliser statistiquement cette tâche (grammaire, modeles discriminants,...). La dispersion des donnees est l'un de ces problemes, et est causee principalement par la faible taille des corpus annotes disponibles pour la langue. La dispersion represente la difficulte d'estimer la probabilite de phenomenes syntaxiques apparaissant dans les textes a analyser mais qui sont rares ou absents du corpus ayant servi a l'apprentissage des analyseurs. De plus, il est prouve que la dispersion est en partie un probleme lexical, car plus la flexion d'une langue est importante, moins les phenomenes lexicaux sont representes dans les corpus annotes. Notre premiere problematique repose donc sur l'attenuation de l'effet negatif de la dispersion lexicale des donnees sur les performances des analyseurs. Dans cette optique, nous nous sommes interesse a une methode appelee regroupement lexical, et qui consiste a regrouper les mots du corpus et des textes en classes. Ces classes reduisent le nombre de mots inconnus et donc le nombre de phenomenes syntaxiques rares ou inconnus, lies au lexique, des textes a analyser. Notre objectif est donc de proposer des regroupements lexicaux a partir d'informations tirees des lexiques syntaxiques du francais, et d'observer leur impact sur les performances d'analyseurs syntaxiques. Par ailleurs, la plupart des evaluations concernant l'etiquetage morpho-syntaxique probabiliste et l'analyse syntaxique probabiliste ont ete realisees avec une segmentation parfaite du texte, car identique a celle du corpus evalue. Or, dans les cas reels d'application, la segmentation d'un texte est tres rarement disponible et les segmenteurs automatiques actuels sont loin de proposer une segmentation de bonne qualite, et ce, a cause de la presence de nombreuses unites multi-mots (mots composes, entites nommees,...). Dans ce memoire, nous nous focalisons sur les unites multi-mots dites continues qui forment des unites lexicales auxquelles on peut associer une etiquette morpho-syntaxique, et que nous appelons mots composes. Par exemple, cordon bleu est un nom compose, et tout a fait un adverbe compose. Nous pouvons assimiler la tâche de reperage des mots composes a celle de la segmentation du texte. Notre deuxieme problematique portera donc sur la segmentation automatique des textes francais et son impact sur les performances des processus automatiques. Pour ce faire, nous nous sommes penche sur une approche consistant a coupler, dans un meme modele probabiliste, la reconnaissance des mots composes et une autre tâche automatique. Dans notre cas, il peut s'agir de l'analyse syntaxique ou de l'etiquetage morpho-syntaxique. La reconnaissance des mots composes est donc realisee au sein du processus probabiliste et non plus dans une phase prealable. Notre objectif est donc de proposer des strategies innovantes permettant d'integrer des ressources de mots composes dans deux processus probabilistes combinant l'etiquetage ou l'analyse a la segmentation du texte