Stage M2 à l'INaLCO
Développement d'un outil de désambiguisation morpho-syntaxique pour le
bambara

Le bambara est une langue mandingue parlée en Afrique de l'Ouest et dans
la diaspora africaine. Elle fait partie des langues africaines les mieux
décrites (Dumestre 2003, Vydrine 2014). Comme pour toutes les langues et
en particulier pour les langues peu dotées, l'outillage du bambara est
une nécessité afin de permettre aux bambarophones d'utiliser leur langue
natale dans leurs interactions avec les nouvelles technologiques.

À cet effet, le Corpus Bambara de Référence (CBR), été constitué ces
dernières années (Vydrine 2013, Maslinsky 2014). Celui-ci contient
actuellement plus d'un million de mots et est géré au moyen du logiciel
NoSketchEngine (Kilgarriff 2007). Il s'appuie sur le lexique Bamadaba
afin de proposer des possibilités de catégories morpho-syntaxiques pour
les mots du corpus. Au sein de ce corpus, une sous-partie (300K mots) a
été manuellement désambiguisée.

Dans le cadre du projet MANTAL conduit par les équipes ERTIM et LLACAN
de l'INaLCO, le stage que nous proposons a pour objectif de mettre en
oeuvre et d'évaluer des approches pour désambiguiser automatiquement le
corpus. A cet effet, des modèles traditionnels à base, par exemple,
d'arbres de décision (Schmid 1995), de maximum d'entropie (Denis 2009)
ou de champs aléatoires conditionnels (Lafferty 2001), seront
évaluées. D'autres techniques seront mises à l'épreuve, dont celles
reposant sur l'utilisation conjointe de réseaux de neurones et de
techniques de sélection de features itératives.

Profil recherché :
+ Master 2 en Informatique
+ Bonnes compétences en programmation (Python, C++, Java)
+ Compréhension des approches en apprentissage automatique
+ Intérêt pour le traitement automatique des langues
+ La connaissance des langues mandingues sera vivement appréciée

Durée du stage : 5 mois à temps plein
Date de début : février ou mars 2015
Gratification : 500,51¤/mois (et rbst de 50% des transports)
Lieu : INaLCO, 2 rue de Lille, 75007 Paris
Contact: Damien Nouvel ( damien.nouvel@inalco.fr )

Références :
(Denis 2009) Denis, Pascal, Sagot, Benoît. Coupling an annotated corpus
and a morphosyntactic lexicon for state-of-the-art POS tagging with less
human effort. In Proceedings of PACLIC 2009, Hong-Kong, China, 2009.
(Dumestre 2003) Dumestre, Gérard. Dumestre, Gérard. Grammaire
fondamentale du bambara. Paris : Karthala, 2003.
(Kilgarriff 2007) A. Kilgarriff, P. Rychly, P. Smrz, D. Tugwell. The
Sketch Engine. Lexicology: Critical concepts in Linguistics Hanks,
editor.  Routledge, 2007.
(Lafferty 2001) Lafferty, John D., McCallum, Andrew, Pereira, Fernando
C.  N.. 2001. Conditional random fields: Probabilistic models for
segmenting and labeling sequence data. ICML, pp 282-289.
(Maslinsky 2014) Maslinsky, Kirill. Daba: a model and tools for Manding
corpora. Traitement Automatique des Langues Naturelles, 2014.
(Schmid 1995) Schmid, Helmut. Improvements in Part-of-Speech Tagging
with an Application to German. Proceedings of the ACL
SIGDAT-Workshop. Dublin, Ireland. , 1995
(Vydrine 2013) Vydrin, Valentin. Bamana Reference Corpus (BRC) Procedia
- Social and Behavioral Sciences, 95:25 October 2013, pp. 75-80.
http://www.sciencedirect.com/science/journal/18770428
(Vydrine 2014) Vydrin, Valentin. Projet des corpus écrits des langues
manding : le bambara, le maninka. In : Mathieu Mangeot, Fatiha Sadat
(éd.).  Actes de l'atelier sur le traitement automatique des langues
africaines TALAf 2014. http://jibiki.univ-savoie.fr/~mangeot/TALAf/2014/