La construction automatique de ressources multilingues à partir des réseaux sociaux : application aux données dialectales du Maghreb. (Automatic building of multilingual resources from social networks : application to Maghrebi dialects)

Le traitement automatique des langues est fonde sur l'utilisation des ressources langagieres telles que les corpus de textes, les dictionnaires, les lexiques de sentiments, les analyseurs morpho-syntaxiques, les taggers, etc. Pour les langues naturelles, ces ressources sont souvent disponibles. En revanche, lorsqu'il est question de traiter les langues peu dotees, on est souvent confronte au manque d'outils et de donnees. Dans cette these, on s'interesse a certaines formes vernaculaires de l'arabe utilisees au Maghreb. Ces formes sont connues sous le terme de dialecte que l'on peut classer dans la categorie des langues peu dotees. Exceptes des textes brutes extraits generalement des reseaux sociaux, il existe tres peu de ressources permettant de traiter les dialectes arabes. Ces derniers, comparativement aux autres langues peu dotees possedent plusieurs specificites qui les rendent plus difficile a traiter. Nous pouvons citer notamment l'absence de regles d'ecriture de ces dialectes, ce qui conduit les usagers a ecrire le dialecte sans suivre des regles precises, par consequent un meme mot peut avoir plusieurs graphies. Les mots en arabe dialectal peuvent s’ecrire en utilisant le script arabe et/ou le script latin (ecriture dite arabizi). Pour les dialectes arabes du Maghreb, ils sont particulierement influences par des langues etrangeres comme le francais et l'anglais. En plus de l'emprunt de mots de ces langues, un autre phenomene est a prendre en compte en traitement automatique des dialectes. Il s'agit du probleme connu sous le terme de code-switching. Ce phenomene est connu en linguistique sous le terme de diglossie. Cela a pour consequence de laisser libre cours a l’utilisateur qui peut ecrire en plusieurs langues dans une meme phrase. Il peut ainsi commencer en dialecte arabe et au milieu de la phrase, il peut "switcher" vers le francais, l'anglais ou l’arabe standard. En plus de cela, il existe plusieurs dialectes dans un meme pays et a fortiori plusieurs dialectes differents dans le monde arabe. Il est donc clair que les outils NLP classiques developpes pour l’arabe standard ne peuvent etre utilises directement pour traiter les dialectes. L'objectif principal de ce travail consiste a proposer des methodes permettant la construction automatique de ressources pour les dialectes arabes en general et les dialectes du Maghreb en particulier. Cela represente notre contribution a l'effort fourni par la communaute travaillant sur le traitement automatique des dialectes arabes. Nous avons ainsi produit des methodes permettant de construire des corpus comparables, des ressources lexicales contenant les differentes formes d'une entree et leur polarite. Par ailleurs, nous avons developpe des methodes pour le traitement de l'arabe standard sur des donnees de Twitter et egalement sur les transcriptions provenant d'un systeme de reconnaissance automatique de la parole operant sur des videos en arabe extraites de chaines de televisions arabes telles que Al Jazeera, France24, Euronews, etc. Nous avons ainsi compare les opinions des transcriptions automatiques provenant de sources videos multilingues differentes et portant sur le meme sujet en developpant une methode fondee sur la theorie linguistique dite Appraisal.