Parsing en Dépendances Multilingue : Représentation de Mots et Apprentissage Joint pour l’Analyse Syntaxique

Abstract

L’analyse syntaxique est une étape cruciale du traitement de la langue. Suite aux récentes avancéesdans le domaine de l’apprentissage automatique, les parsers (analyseurs syntaxiques) atteignent des résultatscomparables à ceux d’experts humains. Cependant, en dépit des efforts de la communauté, le nombre de languesayant des données annotées est encore relativement faible et seules une vingtaine de langues ont plus de 10000phrases annotées. Afin de lutter contre le manque de données d’apprentissage et rendre l’analyse syntaxique endépendances accessible à plus de langues, des chercheurs ont proposé des méthodes pour partager de l’informationsyntaxique entre différentes langues. En transférant modèles et/ou annotations ou en apprenant à analyserplusieurs langues en même temps, l’on peut profiter des similarités grammaticales des différentes langues et ainsiaméliorer leurs analyses respectives. Par contre, alors que les mots sont une source d’information importante pourl’analyse monolingue, ils sont bien moins facilement utilisables dans un contexte multilingue du fait de le grandevariabilité même entre des langues proches. Les traits grammaticaux (personne, genre, mode, cas...) sont biensplus stables que les mots et ils encodent directement de l’information syntaxique. Il est également plus simpled’annoter du texte juste avec les traits grammaticaux qu’avec la structure en dépendances complète. D’autantplus qu’avec l’augmentation de nombre langues ayant des données annotées suivant les mêmes règles d’annotation,il devient possible d’utiliser l’information morphologique comme pont entre les langues pour l’analyse syntaxiquemultilingue en dépendances.Dans cette thèse, nous présentons de nouvelles méthodes pour partager de l’information entre plusieurslangues. Elles ont en commun le fait d’utiliser la morphologie comme espace de représentation pour partager l’in-formation. Nous présentons également une nouvelle mesure de la complexité morphosyntaxique nous permettantd’étudier le rôle de la morphologie dans l’analyse en dépendances.La première méthode utilise de l’information morphologique de plusieurs langues pour induire des représenta-tions de mots délexicalisées qui peuvent être utilisées ensuite pour améliorer les résultats de parsers monolingues.La seconde méthode traite la morphologie comme un espace de travail commun à toutes les langues pour ypartager de l’information lors de l’apprentissage simultané de modèles d’analyse syntaxique. L’apprentissage yest guidé par l’arbre phylogénique des différentes familles de langues, ce qui permet de partager de l’informationentre les langues historiquement liées susceptibles de partager des trait grammaticaux. Nous montrons par le biaisd’expériences avec les données du projet Universal Dependencies que cette nouvelle méthodes d’apprentissage estbien plus efficace que l’apprentissage de modèles indépendants pour les langues ayant très peu de ressources, etqu’elle est aussi bénéfiques pour les langues mieux dotées dès que leurs branches sont biens fournies. Nous finissonsavec une étude de la valeur intrinsèque de la morphologie pour l’analyse syntaxique. Dans les faits, alors quecertaines langues utilisent la morphologie pour encoder de l’information syntaxique (avec les cas et les personnes),d’autres encodent surtout de l’information sémantique (comme le temps ou le mode). Ainsi nous introduisonsune nouvelle mesure de la complexité morphosyntaxique qui quantifie l’information syntaxique contenue dans lamorphologie en termes d’attachement préférentiel au gouverneur. Nous montrons par une série d’expériences quecette nouvelle mesure est capable de discriminer les langues morphosyntaxiques des langues morphosémantiqueset qu’elle prédit mieux la qualité de l’analyse syntaxique d’une langue que les mesures plus traditionnelles decomplexité morphologique.