Titre: lemmatisation automatique de l'ancien français

Durée:  5 à 6 mois
Encadrement: Mathieu Constant (ATILF, Université de Lorraine) et Alexei
             Lavrentiev (IHRIM, ENS Lyon)

Lieu: laboratoire Analyse et Traitement Informatique de la Langue
      Française (ATILF), Nancy
      ou éventuellement, Institut d'Histoire des Représentations et des
      Idées dans les Modernités (IHRIM), Lyon

Gratification standard

Contact: Mathieu Constant (Mathieu.Constant@univ-lorraine.fr) et Alexei
Lavrentiev (alexei.lavrentev@ens-lyon.fr)

Compétences requises:
master de traitement automatique des langues ou linguistique
  informatique
bonnes compétences de programmation (python ou/et java)
le gout de mettre le nez dans les données

Description:

Le thème de recherche du stage s'inscrit dans le cadre du projet ANR
Profiterole (2017 - 2021). Ce projet a trois objectifs fortement
corrélés qui se situent dans les domaines de la linguistique et du
traitement automatique des langues (TAL).  Le premier objectif est de
modéliser les aspects morphologiques et syntaxiques de l'évolution
diachronique du français. Le deuxième objectif est de développer une
méthodologie pour explorer et annoter des données linguistiques
hétérogènes tout en fournissant des analyseurs automatiques pour
différents états du français. Le dernier objectif est d'augmenter la
couverture des ressources linguistiques existantes pour le français, en
construisant un corpus annoté de français médiéval (IXe - XVe siècles)
et des lexiques morphologiques couvrant plusieurs états du français.

Le stage sera dédié à la tâche de lemmatisation de l'ancien
français. Cette tâche consiste à automatiquement prédire la forme de
base d'une forme fléchie d'un mot apparaissant dans un texte dans le but
de rechercher ce mot dans des dictionnaires ou de neutraliser les
variations morphologiques. L'ancien français, qui est une langue
non-standardisée, est caractérisé par une variation morphologique bien
plus importante qu'en français moderne, ce qui complexifie la tâche de
lemmatisation. Par ailleurs, les données annotées manuellement pour
cette tâche sont rares ce qui rend difficile l'utilisation d'approches
reposant sur l'apprentissage automatique. Une autre difficulté est qu'il
n'existe pas de standard pour les formes lemmatisées en ancien français,
bien que des initiatives de standardisation soient en cours. Différentes
études se sont penchées sur le problème de la lemmatisation de l'ancien
français en utilisant diverses approches: par exemple, l'utilisation de
lexiques et de règles (Souvay et Pierrel 2009), l'utilisation d'outils
existants de lemmatisation réappris pour l'ancien français (Stein 2007,
Lavrentiev et al. 2017), l'utilisation d'une architecture neuronale
(Manjavacas et al. 2019).

L'objectif principal du stage est de développer un outil de
lemmatisation pour l'ancien français en s'appuyant sur des outils
existants, des corpus annotés et des ressources lexicales. Plus
particulièrement, les objectifs détaillés sont les suivants:

- lire la littérature sur la lemmatisation pour l'ancien français

- compiler et préparer les données disponibles 
- expérimenter divers lemmatiseurs existants adaptés aux données
  préparées
- développer un lemmatiseur reposant sur plusieurs sources d'information
  (ressources lexicales, corpus annotés et sorties des lemmatiseurs
  existants, plongements de mots)
- évaluer l'outil à la fois quantitativement et qualitativement


Références 

- Alexei Lavrentiev, Serge Heiden, and Matthieu Decorde. Building an
  Open Morphological Lexicon and Lemmatizing Old French Texts with the
  TXM Platform. In Corpus linguistics - 2017, Proceedings of the
  international conference "Corpus linguistics - 2017", pages 48-52,
  St-Pétersbourg, Russia, 2017. St-Petersburg State University and
  Institute for Linguistic Studies (RAS) and Herzen State Pedagogical
  University of Russia.
- Enrique Manjavacas, Ákos Kádár, and Mike Kestemont. Improving
  lemmatization of non-standard languages with joint learning. In
  Proceedings of the 2019 Conference of the North American Chapter of
  the Association for Computational Linguistics: Human Language
  Technologies, Volume 1 (Long and Short Papers), pages 1493-1503,
  Minneapolis, Minnesota, June 2019. Association for Computational
  Linguistics.
- Gilles Souvay and Jean-Marie Pierrel. LGeRM Lemmatisation des mots en
  Moyen Français. Traitement Automatique des Langues, 50(2):21, 2009.
- Achim Stein. Corpus-based perspectives in linguistics. In Yuji
  Kawaguchi, editor, Computing Machinery and Intelligence, pages
  217-229. Benjamins, 2007.