Résolution de la référence dans des dialogues homme-machine : évaluation sur corpus de deux approches symbolique et probabiliste

Cet article décrit deux approches, l’une numérique, l’autre symbolique, traitant le problème de la résolution de la référence dans un cadre de dialogue homme-machine. L’analyse des résultats obtenus sur le corpus MEDIA montre la complémentarité des deux systèmes développés : robustesse aux erreurs et hypothèses multiples pour l’approche numérique ; modélisation de phénomènes complexes et interprétation complète pour l’approche symbolique.

[1]  Matthieu Quignard,et al.  A Deep-Parsing Approach to Natural Language Understanding in Dialogue System: Results of a Corpus-Based Evaluation , 2006, LREC.

[2]  Laurent Romary,et al.  Towards a Reference Annotation Framework , 2004, LREC.

[3]  Candace L. Sidner,et al.  Attention, Intentions, and the Structure of Discourse , 1986, CL.

[4]  Andrei Popescu-Belis,et al.  Online Evaluation of Coreference Resolution , 2004, LREC.

[5]  Laurent Romary,et al.  Dialogue History Modelling for Multimodal Human-Computer Interaction , 2004 .

[6]  Sophie Rosset,et al.  Semantic annotation of the French media dialog corpus , 2005, INTERSPEECH.

[7]  Frédéric Béchet,et al.  Décodage conceptuel et apprentissage automatique : application au corpus de dialogue Homme-Machine MEDIA , 2006 .

[8]  R. Vion.  Dictionnaire encyclopédique de pragmatique , 1995 .

[9]  Susanne Salmon-Alt.  Référence et dialogue finalisé : de la linguistique à un modèle opérationnel , 2001 .

[10]  Kees van Deemter,et al.  On Coreferring: Coreference in MUC and Related Annotation Schemes , 2000, CL.

[11]  Françoise Kerleroux,et al.  Indéfini, défini et démonstratif , 1988 .

[12]  Bertrand Gaiffe,et al.  Représentations mentales et référence , 1999 .

[13]  Hélène Bonneau-Maynard,et al.  A framework for evaluating contextual understanding , 2000, INTERSPEECH.

[14]  Frédéric Béchet,et al.  Results of the French Evalda-Media evaluation campaign for literal understanding , 2006, LREC.

[15]  Andrew McCallum,et al.  Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data , 2001, ICML.