Offre de stage - Master 2 - Industries de la langue, TAL, linguistique
informatique, Technologies du langage


Nom du projet  : Projet LaST : Lexique aligné Scientifique Transdisciplinaire.

Vers l'élaboration d'une ontologie interlingue pour le Lexique
Scientifique Transdiciplinaire (LST) à partir d'un lexique bilingue
aligné avec des techniques de traitement automatique du langage.


Compétences requises : La/le candidat.e devra être titulaire d'un
master 1 en Industries de la langues ou Traitement automatique des
langues (ou domaine voisin : linguistique informatique, humanités
numériques, etc.) et suivre un M2 correspondant. Elle/il aura des
compétences en traitement de corpus au format XML, ainsi que des
compétences en programmation (Perl ou Python) afin de mettre en oeuvre
des chaînes de traitement complexes (étiquetage, alignement,
projection d'un lexique sur un corpus, etc.).


Durée du stage : 3 mois et demi


Gratification : 554,4 euros mensuels (Financement Neurocog/Pôle cognition)


Objectifs du projet

Le discours scientifique intègre un lexique relevant de catégories
sémantiques et épistémologiques spécifiques, le lexique scientifique
transdisciplinaire (Pecman 2004, Paquot 2010, Hatier et al. 2016). Ce
lexique intègre des unités lexicales comme hypothèse, montrer,
quantitatif mais aussi des expressions polylexicales et des routines
plus larges comme obtenir des résultats encourageants, comme on l'a vu
précédemment, les résultats montrent que ... La constitution d'un tel
lexique est particulièrement utile pour plusieurs types
d'applications. En traitement automatique des langues, il peut être
exploité dans plusieurs types d'applications comme l'indexation
automatique et la fouille de données. Les applications didactiques
sont également nombreuses : aide à la rédaction scientifique, outils
d'aide à la lecture de textes scientifiques, outil d'aide à la
traduction, entre autres.

Dans le cadre du projet ANR Termith (2012-2016), le LIDILEM a élaboré
un lexique sémantique de ce type discours intégrant des étiquettes
sémantiques et une organisation ontologique, à partir d'informations
obtenues à partir de techniques distributionnelles appliquées à des
corpus du français (Hatier et al. 2016). Dans le cadre du présent
projet, nous souhaitons étendre ce lexique à une version anglaise, en
exploitant des techniques d'alignement de corpus (Schulz et al. 2016,
Kraif, 2015, Och et al. 1999) et des méthodes d'analyse
distributionnelle sémantique, permettant de caractériser le sens des
mots à partir de leurs contextes phrastiques (Mikolov et al. 2013,
ltszyler et al., 2016). Le lexique constitué pourra servir de base à
un projet d'aide à la rédaction scientifique (projet de soumission de
thèse dans le cadre de l'IDEX IRS).


Missions

La/le stagiaire partira du corpus existant afin de mettre en place une
chaîne de traitement permettant l'alignement des textes
parallèles. Elle/il effectuera une évaluation préalable de deux
aligneurs (Yasa et Hunalign) sur les textes du corpus, afin de
sélectionner le plus adapté des deux. Elle/il effectuera dans un
second temps un alignement au niveau lexical (avec Giza++) et un
étiquetage des parties françaises et anglaises du corpus.

Partant de ces alignements, elle/il effectuera une projection du LST
du français vers l'anglais (mots simples mais aussi collocations), et
étudiera les meilleurs critères pour effectuer le filtrage des
candidats à la traduction. Les résultats seront comparés à
l'interlexique élaboré par F. Gilles dans sa thèse.

La chaîne de traitement devra être conçue pour autoriser le traitement
rapide de nouveaux textes alignés (un autre stagiaire se chargera de
l'augmentation du corpus, en parallèle).

Les questions de recherches liées au stage auront trait à la
description et à la structuration sémantique de ce lexique
interlingue.

Pour candidater :

Envoyer un CV et une lettre de motivation à
olivier.kraif@univ-grenoble-alpes.fr avant le 10 novembre 2017.

Références

Gilles, F. (2017) Valorisation des analogies lexicales entre l'anglais
et les langues romanes : étude prospective pour un dispositif
plurilingue d'apprentissage du FLE dans le domaine de la santé, Thèse
de doctorat, sous la dir. de C. Degache et O. Kraif, Université
Grenoble Alpes

Hatier, S., Augustyn, M., Tran, T. T. H., Yan, R., Tutin, A., Jacques,
M.-P. (2016). "French Cross-disciplinary Scientific Lexicon:
Extraction and Linguistic Analysis", Euralex 2016, Tbilissi, Géorgie,
6-10 September 2016.

Altszyler, E., Ribeiro, S., Sigman, M., Fernández Slezak, D. (2016)
"Comparative study of LSA vs Word2vec embeddings in small corpora: a
case study in dreams database". arXiv:1610.01520

Och, F.J. and Tillmann, C. and Ney, H. and others (1999) Improved
alignment models for statistical machine translation, Proc. of the
Joint SIGDAT Conf. on Empirical Methods in Natural Language Processing
and Very Large Corpora

Mikolov, T., Sutskever, I., Chen, K., Corrado, G.S., Dean J. (2013)
Distributed representations of words and phrases and their
compositionality, Advances in neural information processing systems.

Paquot, M. (2010). Academic vocabulary in learner writing: From
extraction to analysis. London: Continuum.

Pecman M. (2004). Phraséologie contrastive anglais-français : analyse
et traitement en vue de l'aide à la rédaction scientifique, Thèse en
Sciences du Langage, Université Sophia Antipolis, UFR Lettres, Arts et
Sciences Humaines

Schulz, P., Wilker A. and Sima'an, K. (2016): Word Alignment without
NULL Words, Proceedings of the 54th Annual Meeting of the Association
for Computational Linguistics (Volume 2: Short Papers)