Un système dédié à l'étiquetage morpho-syntaxique des corpus de spécialité
Résumé
In this paper, we treat the problems of Part-of-Speech (PoS) tagging of unannotated corpora of specialty. The existing taggers are trained on non-specialized corpora, and most often give inconsistent results on specialized texts. In order to learn rules adapted to a specialized field, the usual approach labels manually a large corpus of this field. This is extremely time-consuming. We propose here a semi-automatic approach for PoS tagging corpora of specialty. ETIQ, the new tagger we are building, make it possible to correct the base of rules obtained by Brill‘s tagger and to adapt it to a corpus of specialty. The expert of the field visualizes a basic tagging and corrects it by the insertion of specialized contextual lexical rules. The inserted rules are more expressive than Brill‘s rules. To help the user in this task, we designed an inductive algorithm biased by the "correct" knowledge acquired beforehand by the user. By using machine learning techniques while allowing the expert to incorporate knowledge of the field in an interactive and convivial way, we improve the tagging of a specialty corpus. Our approach has been applied to a molecular biology corpus.
Le travail que nous présentons ici traite de la problématique de l'étiquetage morpho-syntaxique des corpus de spécialité non annotés. Les étiqueteurs existants sont entraînés sur divers corpus, et produisent des erreurs d'étiquetage dans les textes de spécialité. La méthode la plus triviale pour apprendre des automates adaptés à un domaine spécialisé est d'étiqueter manuellement de grands corpus du domaine, ce qui nécessite un travail très important. Pour éviter cela, nous proposons une méthode semi-automatique. ETIQ, le nouvel étiqueteur que nous avons développé, permet de corriger la base de règles obtenue par l‘étiqueteur de BRILL et de l‘adapter à un corpus de spécialité. L'expert du domaine visualise l‘étiquetage de base et le corrige par l‘écriture et l‘application de règles lexicales et contextuelles spécialisées. Les règles insérées sont plus expressives que celles de Brill. Pour aider l'expert dans sa tâche, nous avons conçu un algorithme inductif biaisé par les connaissances « correctes » acquises préalablement par l'expert. Ainsi, en utilisant des techniques d‘apprentissage et en permettant à l‘expert d‘incorporer ses connaissances de manière interactive, nous améliorons nettement l‘étiquetage des corpus de spécialité. Notre approche a été appliquée à un corpus de biologie moléculaire.