INSTITUT DE LA FRANCOPHONIE POUR L’INFORMATIQUE Vers une grammaire électronique du vietnamien MÉMOIRE présentée et soutenue publiquement le 22 décembre 2005 pour l’obtention du DEPA de l’Institut de la Francophonie pour l’Informatique (Spécialité Informatique) par LE Hong Phuong Encadrants : Laurent ROMARY Directeur de Recherche INRIA Equipe Langue et Dialogue, LORIA Thi Minh Huyen NGUYEN Equipe Langue et Dialogue, LORIA Laboratoire Lorrain de Recherche en Informatique et ses Applications — UMR 7503 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Mis en page avec la classe thloria. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com i Remerciements Je tiens tout d’abord à remercier Monsieur Laurent ROMARY, Directeur de Recherche INRIA de l’équipe Langue et Dialogue du LORIA, pour m’avoir accueilli au sein de l’équipe en me proposant ce stage. Je suis reconnaissant à Madame Thi Minh Huyen NGUYEN pour son encadrement, ses bons conseils, son soutien dévoué, sa patience ainsi que sa touche finale apportée à ce mémoire. Je tiens à remercier Madame Isabelle BLANCHARD pour tout ce qu’elle a fait pour préparer mon arrivée et ma vie à Nancy.
Je remercie également toute l’équipe de recherche Langue et Dialogue : chercheurs, enseignants, techniciens, doctorants, post-doctorants qui font du LORIA un environne- ment idéal de travail. Je remercie particulièrement Monsieur Azim ROUSSANALY pour ses conseils et sa coopération tout au long du travail. J’adresse un grand merci à Monsieur Mathias ROSSIGNOL pour sa correction du français de ce rapport. Enfin, j’exprime mon entière reconnaissance à ma famille et mes amis pour leur soutien et leurs encouragements.
LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des matières Table des figures vi Liste des tableaux viii 1 Introduction 3 1.1 Problématique et objectif du stage .2 Environnement de travail .4 Aperçu du mémoire. 6 2 La grammaire d’arbres adjoints 7 2.3 Arbres dérivés et arbres de dérivation .4 Contraintes sur l’adjonction .2 Usage et motivation .2 Domaine de localité étendu .3 Dépendances à longue distance .4 Traitement des exceptions .5 Traitement des mots composés et des expressions semi-figées .2 Représentation du lexique. 24 iii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3 Une grammaire électronique du vietnamien 28 3.1 Principes de bonne formation des arbres élémentaires .2 Les principes de propagation des traits syntaxiques .2 Catégories et traits utilisés .1 Catégories des nœuds .2 Traits associés aux nœuds des arbres élémentaires .3 Familles à tête verbale .5 Arbres ditransitifs à préposition relative .6 Arbres impératifs à complément verbal .7 Arbres impératifs à complément adjectival .8 Complément de direction .9 Verbes de déplacement avec complément nominal .10 Verbes de mouvement avec complément adjectif .11 Arbres ditransitifs avec un verbe de déplacement .4 Familles à tête adverbiale .5 Familles des compléments facultatifs du syntagme verbal .1 Complément suffixal avec l’adposition .2 Complément suffixal sans adposition .5 Complément de comparaison égale .6 Complément de manière. 44 4 Implémentation et traitement informatique 47 4.1 Les choix d’implémentation .2 Introduction au format TAGML2.
48 iv LUAN VAN CHAT LUONG download : add luanvanchat@agmail.1 Description des entrées lexicales .3 Les traits top et bottom .4 Les co-ancres .5 Les équations de traits .8 Les traits d’arbres .3 Analyse du vietnamien .1 Le logiciel LLP2 .2 Un analyseur LTAG pour le vietnamien. 57 5 Conclusion et perspectives 62 5. 62 Bibliographie 64 v LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des figures 2.1 Schéma général de l’adjonction .2 Exemples d’arbres initiaux .3 Exemples d’arbres auxiliaires .4 Exemple de substitution .6 Arbre initial ou arbre auxiliaire .7 Arbre dérivé et dérivations pour verre à vin / verre de vin .8 Historique de la dérivation .9 Grammaire TAG qui engendre an bn cn dn .10 Substitution avec structures de traits .11 Adjonction avec structures de traits .12 Unification des traits .13 Expression des dépendances à longue distance .14 Factorisation morpho-syntaxique du système XTAG .1 Arbre déclaratif intransitif αnV .2 Arbre déclaratif transitif αn0 V n1 .3 Arbre déclaratif avec complément phrastique αn0 V S .5 Arbre ditransitif à adposition relative au milieu αn0 V n1 On2 .6 Arbre ditransitif à adposition relative avant αn0 V On1 n2 .7 Arbre impératif à complément verbal αn0 V n1 v .8 Arbre impératif à complément adjectival αn0 V n1 a .9 Arbre auxiliaire de complément de direction βvV .10 Processus d’adjonction d’un complément de mouvement .11 Verbe de déplacement après un syntagme verbal .12 Verbes de déplacement avec complément nominal αn0 V0 V1 n1 .13 Verbes de mouvement avec complément adjectif αn0 V0 AV1 .14 Arbre ditransitif avec un verbe de déplacement αn0 V0 n1 V1 n2 .15 Complément modal αnV v .17 Adverbes à gauche du syntagme verbal βRv .18 Adverbes à droite du syntagme verbal βvR .19 Complément suffixal avec l’adposition βvOn .20 Complément suffixal sans adposition βvn. 43 vi LUAN VAN CHAT LUONG download : add luanvanchat@agmail.21 Complément causal est un nom βvCn .22 Complément causal est un syntagme verbal βv1 Cv2 .23 Complément causal est un syntagme adjectival βvCa .24 Complément causal est une phrase βvCS .25 Complément objectif est un nom βvOn .26 Complément objectif est un verbe avec adposition βv1 Ov2 .27 Complément objectif est un verbe sans adposition βv1 v2 .28 Complément de comparaison est un nom .29 Complément de comparaison est un verbe .30 Complément modal est un adjectif .31 Complément modal est un verbe .1 Le schème d’analyse pour le vietnamien .2 L’affichage d’arbres élémentaires .3 Un résultat d’analyse d’une phrase vietnamienne .4 L’affichage d’arbres de dérivation d’analyse .5 La lexicalisation des arbres élémentaires.
61 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Liste des tableaux 3.1 Catégories du vietnamien .2 Spécifications des catégories du vietnamien .3 Traits associés aux nœuds des arbres. 32 viii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Résumé Au long du développement des ressources linguistiques, on peut distinguer entre des grammaires qui sont dépendantes de programmes et celles qui sont utilisables pour des applications diverses. Les formalismes de grammaire d’unification (unification-based for- malisms) ont été utilisés pour développer des grammaires à large couverture pour l’anglais, le français, l’allemand, le chinois, le japonais, le coréen, etc. Néanmoins, il n’existe pas une telle grammaire pour le vietnamien, une langue parlée par environ 85 millions de personnes dans le monde entier.
Dans ce rapport, nous présentons d’abord la première grammaire LTAG (Lexicalized Tree Adjoining Grammar, grammaire d’arbres adjoints lexicalisée et augmentée par des structures de traits basées sur l’unification) pour le vietnamien, appelée vnLTAG, qui a été développée pendant notre stage de recherche au LORIA. La grammaire vise à modéli- ser la compétence écrite et elle est à la fois indépendante du domaine et de l’application. Elle peut être utilisée pour l’étiquetage syntaxique, l’analyse et pour la génération du viet- namien. La grammaire que nous avons développée implémente le standard international ISO/DIS 24610-1, un standard pour la représentation, l’archivage et l’échange des struc- tures de traits dans les applications du traitement des langages naturels, pour l’annotation et la production des données linguistiques.
Ensuite, nous présentons une procédure robuste d’analyse en utilisant vnLTAG et un analyseur pour la grammaire qui est basé sur LLP2 – un analyseur syntaxique du LORIA qui a été développé depuis quelques années. LLP2 est un logiciel d’analyse des grammaires d’arbres adjoints qui utilise une représentation efficace de grammaires en se basant sur un format standard XML (appelé TAGML). Pour construire un analyseur pour la grammaire vietnamien, nous avons, d’une part, adapté et perfectionné presque tous les modules de LLP2 et, d’autre part, développé quelques nouveaux modules avant de les intégrer au LLP2. Enfin, nous effectuons une évaluation pour l’analyseur en utilisant un jeu de phrases de test.
Le jeu vise à couvrir les phénomènes syntaxiques majeurs pour la langue, en se basant sur un vocabulaire relativement petit. Quelques résultats initiaux sont présentés. Mots-clés: vietnamien, grammaire, étiquetage, analyse, TAG, LTAG LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Abstract As far as electronic syntactic resources go, one can distinguish between program- dependent and reusable grammars. The unification-based grammar formalisms have been used to develop reusable broad-coverage grammars for English, French, German, Chinese, Japanese, Korean, etc.
However, there does not exist such a grammar for Vietnamese, a language spoken by about 85 millions people around the world. In this report, we present the first sizable grammar written for Vietnamese LTAG developed during our internship at LORIA, named vnLTAG. The grammar is intended to model writer competence and is both application and domain independent. It can be used for syntactic tagging, parsing and for generation of Vietnamese.
The grammar that we have developed implements the international standard ISO/DIS 24610-1 that provides a format to represent, store or exchange feature structures in natural language applications, for both annotation and production of linguistic data. We then present a robust parsing scheme using vnLTAG and a parser for the grammar which is based on LLP2, a syntactic parser that has been developed at LORIA for years. LLP2 is dedicated LTAG software which uses an effective representation of grammar based on a standard XML format (called TAGML). To build a parser for Vietnamese grammar, we have not only adapted and upgraded most of the modules of LLP2 but also developed from scratch some new modules before integrating them into LLP2.
Finally, we perform an evaluation for the parser using a test suite. The test suite aims at covering the major syntactic phenomena for the language, using a relatively small vocabulary. Some initial results are given. Keywords: Vietnamese, grammar, tagging, parsing, TAG, LTAG LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Chapitre 1 Introduction 1.1 Problématique et objectif du stage Le traitement automatique des langues connaı̂t aujourd’hui un grand développement et ses applications vont en se diversifiant.
La plupart d’entre elles, des plus simples (correc- tion d’orthographe, indexation automatique, extraction de termes) aux plus ambitieuses (résumé, traduction automatique, génération de textes), ont besoin d’un composant syn- taxique. Nous concevons le composant syntaxique comme un module commun pour des appli- cations diverses, qui peut être constitué de façon indépendante du domaine d’application, et de la nature de l’application visée. Les traitements automatiques nécessitent des dictionnaires et des grammaires électro- niques d’une précision et d’une exhaustivité non imaginées jusque-là. De nos jours, un nombre important de grammaires électroniques à large couverture ont vu le jour pour des langues comme l’anglais, le français ou l’allemand.
On peut citer pour l’anglais et le français, quelques projets comme : – le projet Alvey, basé sur HPSG (la grammaire syntagmatique guidée par les têtes – Head-driven Phrase Structure Grammar ) en Grande-Bretagne ([17]), – le projet ParGram de grammaires multilingues parallèles, basé sur LFG (la gram- maire lexicale fonctionnelle – Lexical Functional Grammar ), chez Xerox ([14]), – le projet XTAG, basé sur les TAG (la grammaire d’arbres adjoints – Tree Adjoining Grammar ), à l’Université de Pennsylvanie ([16]), – le projet FTAG, basé sur TAG, à l’Université Paris 7 ([3]), – le projet Lingo, basé sur HPSG, au centre CSLI de Stanford ([15]), Il n’en reste pas moins que pour le vietnamien, il n’existe pas à notre connaissance de grammaire électronique à large couverture réalisée. Ce rapport s’intéresse à la construction d’une telle grammaire pour le vietnamien dans le paradigme d’une grammaire fortement lexicalisée. En effet, nous présentons une grammaire d’arbres adjoints lexicalisée de taille moyenne pour le vietnamien. Les grammaires fortement lexicalisées comme les grammaires d’arbres adjoints sont issues d’une évolution de la réflexion en linguistique formelle et en théorie des langages, d’une part, et autorisent un traitement informatique relativement efficace de l’analyse 3 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.
Introduction syntaxique, d’autre part. Le modèle des grammaires d’arbres adjoints fait partie des gram- maires d’unification en ce qu’il s’appuie sur des représentations linguistiques déclaratives et monotones, vise à une description directe des phénomènes de surface, et utilise des structures de traits combinées par unification. Il est basé sur des définitions mathéma- tiques rigoureuses et a des propriétés informatiques intéressantes.