Acquisition d'informations lexicales à partir de corpus Cédric Messiant et Thierry Poibeau

Introduction L’existence de gros corpus (plusieurs millions de mots) et d’analyseurs syntaxiques performants fait qu’il est actuellement possible d’extraire automatiquement des connaissances à large couverture sur les mots et les constructions associées, directement à partir de corpus. Cette démarche permet d’obtenir des lexiques très complets à moindre coût, avec également des informations sur la fréquence et la productivité de différentes constructions, c’est-à-dire des données difficilement calculables à la main. Depuis une quinzaine d’années, plusieurs systèmes ont ainsi été conçus afin d’extraire automatiquement des informations sur la construction de mots essentiels du lexique, en général les verbes. On peut citer les travaux de (Brent (1993), Manning (1993), Briscoe and Carroll (1997), Korhonen (2002), Schulte im Walde (2002) parmi de nombreux autres. Nous avons nous-mêmes réalisé un système du même type pour le français, avec une première expérience qui s’appuie sur le corpus Le Monde (200 millions de mots, 1990–1999) et sur l’analyseur Syntex (Bourigault, 2007) pour inférer des connaissances sur la souscatégorisation de plus de 3000 verbes (Messiant et Poibeau, 2008 ; Messiant 2008). Le processus se décompose en 3 grandes étapes : 1) on rassemble d’abord l’ensemble des occurrences du verbe considéré ainsi que tous ses compléments, 2) on fait ensuite l’inventaire de toutes les constructions possibles pour le verbe considéré et enfin, 3) les constructions les plus rares sont éliminées, à partir de l’hypothèse qu’un nombre trop faible d’occurrences est le révélateur d’une erreur d’analyse (simple rencontre de surface). Tous les systèmes reposent sur cette architecture, même s’ils varient quant à la finesse de l’analyse considérée ou des stratégies de filtrage utilisées.