Reconnaissance de critères de comparabilité dans un corpus multilingue spécialisé

Notre objectif est d'automatiser la construction de corpus comparables specialises a partir du Web. La comparabilite se base sur trois niveaux : le domaine, le theme et le type de discours. Le domaine et le theme peuvent etre filtres grâce aux mots-cles utilises lors de la recherche. Nous presentons dans cet article la reconnaissance automatique du type de discours dans des documents specialises francais et japonais, qui necessite une analyse linguistique poussee. Une analyse contrastive des documents nous permet de determiner quelles informations paraissent discriminantes. En s'inspirant des travaux classiques de recherche d'information, nous creons une typologie robuste et linguistiquement motivee basee sur trois niveaux d'analyse : structurel, modal et lexical. Cette typologie nous permet d'apprendre des modeles de classification qui donnent de bons resultats, ce qui montre l'efficacite de cette typologie. Our goal is to automate the compilation of smart specialized comparable corpora. The comparability is based on three levels: domain, topic and type of discourse. Domain and topic can be filtered with the keywords used through web search. We present in this paper the automatic detection of the type of discourse in French and Japanese documents, which needs a wide linguistic analysis. A contrastive analysis of the documents leads us to specify which information is relevant to distinguish them. Referring to classical studies on information retrieval, we create a robust and linguistically motivated typology based on three analysis levels: structural, modal and lexical. This typology is used to learn classification models using shallow parsing. We obtain good results, that demonstrates the efficiency of this typology.