--------------
Offre de stage TAL M2 : POS tagging hybride avec Gate et Unitex/GramLab

--------------
Stage financé par le projet CRC de la Hankuk University of Foreign 
Studies (HUFS, Corée du Sud)
--------------

Le LIGM est un laboratoire CNRS de recherche en informatique inclus dans
le LabEx (Laboratoire d'excellence) Bézout. Le LIGM a 70 membres
permanents. La communauté des utilisateurs et développeurs du système
Unitex/GramLab est coordonnée par le LIGM.

Le projet de recherche CRC financé par le gouvernement coréen se propose
entre autres de développer un POS tagger hybride en combinant Gate et
Unitex/GramLab.

Gate et Unitex/GramLab sont deux systèmes open source complémentaires
qui couvrent un large éventail de tâches du traitement automatique des
langues (TAL), qui sont documentés et réunissent chacun une communauté
structurée.

Les étapes du tagging seront :
- tokenisation et découpage en phrases sous Unitex/GramLab
- génération d'étiquetages candidats par analyse morphologique
  symbolique sous Unitex/GramLab
- transfert des candidats vers Gate
- sélection du meilleur candidat par un modèle probabiliste entrainé sur
  un corpus annoté
- transfert vers Unitex.
Cette chaine de traitement convient pour toute langue nécessitant une
analyse morphologique, comme le coréen et l'arabe.

L'objectif du stage est de développer les fonctionnalités nécessaires
pour mener à bien cette expérience.

--------------
Description du poste
---------------
Les tâches principales concernent :
- Développement sous Unitex/GramLab de fonctionnalités d'exportation de
  corpus annotés vers Gate : d'une part, corpus étiquetés à la main
  (pour l'apprentissage du tagger) et d'autre part, étiquetages
  candidats obtenus par analyse morphologique. Le format cible est le
  format XML de sérialisation de Gate (C/C++, Java).
- Développement sous Gate d'un programme d'entrainement du tagger à
  partir d'un corpus en coréen annoté à la main par l'HUFS (Java).
- Développement sous Gate d'un programme d'application du tagger aux
  étiquetages candidats (Java).
- Développement sous Unitex:GramLab d'une fonctionnalité d'import de
  corpus annotés depuis Gate (C/C++, Java).

---------------
Profil souhaité
---------------
- Formation en cours : Master 2 en Linguistique Informatique ou
  similaire.
- Programmation en Java et C/C++.
- Intérêt pour le développement open source.
- Curiosité et capacité d'explorer de nouvelles méthodes statistiques en
  TAL.
- Une expérience d'Unicode serait un plus.

-----------------
Conditions
-----------------
Stage conventionné de 4 à 5 mois, 554,40 euros/mois net.

Nombre de postes : 1 poste

Selon les résultats du stage, une poursuite en thèse pourrait être
envisagée.

Merci d'envoyer votre candidature à l'adresse
eric.laporte@univ-paris-est.fr

Documents souhaités : CV, lettre de motivation, relevé de notes.

Lieu : LIGM, Université Paris-Est Marne-la-Vallée.

Encadrants : Eric Laporte (Université Paris-Est Marne-la-Vallée et UMR
CNRS 8049 LIGM)
Matthieu Constant (INRIA Alpage)
Cristian Martinez (LIGM)

Contrat : convention de stage.

Début : mars ou avril 2016.