Le CEA LIST propose le sujet de stage ci-dessous pour l'année
universitaire 2022-2023.


Titre de stage: Acquisition automatique de lexiques multilingues à
partir de corpus et leur évaluation en recherche d'information
interlingue

Lieu du stage: CEA Saclay Nano-INNOV, Laboratoire Analyse Sémantique
Texte et Image (LASTI), 8 Avenue de la Vauve, 91120 Palaiseau

Encadrant: Nasredine SEMMAR, CEA LIST, Laboratoire Analyse Sémantique
Texte et Image (LASTI)

Le Laboratoire d'Analyse Sémantique des Textes et des Images (LASTI)
est une équipe de 25 personnes (chercheurs, ingénieurs, doctorants)
menant des travaux de recherche sur les technologies de description et
de compréhension du contenu multimédia (image, texte, parole) et des
documents multilingues, en particulier à grande échelle. Les enjeux
scientifiques sont:
-   développer des algorithmes efficaces et robustes pour l'analyse et
    l'extraction de contenu multimédia, leur classification et analyse
    sémantique;
-   reconstitution ou fusion de données hétérogènes pour interpréter
    des scènes ou documents;
-   développer des méthodes et des outils pour la construction, la
    formalisation et l'organisation des ressources et connaissances
    nécessaires au fonctionnement de ces algorithmes;
-   intégrer plusieurs de ces briques technologiques afin d'accéder à
    l'information et répondre à un besoin utilisateur (moteurs de
    recherche, chatbot, rapports synthétiques de veille).


Contexte :

Les dictionnaires bilingues jouent un rôle important dans les
applications de Traitement Automatique de la Langue (TAL) telles que la
Recherche d'Information Interlingue (RII) et la Traduction Automatique
(TA). La quantité de travail nécessaire pour créer manuellement ces
dictionnaires est très importante. C'est la raison pour laquelle depuis
quelques années de nombreux travaux ont fait appel aux techniques
d'alignement pour automatiser le processus de construction de
dictionnaires bilingues. Ces techniques constituent un préalable à
l'exploitation des corpus de textes parallèles (Melamed, 2001) et
comparables (Chiao et al., 2002): qu'il s'agisse d'aligner au niveau
des paragraphes, des phrases ou d'apparier des unités lexicales, la
plupart des applications reposent sur la possibilité d'extraire des
correspondances précises entre les textes source et cible.


Sujet de stage:

Le stage consistera, d'une part, à constituer un alignement de
référence à partir de deux corpus spécialisés : parallèle et comparable
en utilisant l'outil Yawat (Germann, 2008), et d'autre part, à évaluer
les outils d'alignement de mots à partir de corpus de textes parallèles
ou comparables développés au Laboratoire Analyse Sémantique Texte et
Image (LASTI) du CEA-LIST (Semmar et al., 2010; Bouamor et al., 2012;
Bouamor et al., 2013). Cette évaluation sera réalisée selon deux
approches différentes : une évaluation intrinsèque à petite échelle
dans laquelle les lexiques multilingues construits automatiquement
seront comparés à un alignement de référence créé manuellement, et une
évaluation extrinsèque dans laquelle l'impact d'utilisation de ces
lexiques multilingues sera étudié dans le moteur de recherche
d'information interlingue du CEA-LIST (Besançon et al., 2004;
Semmar et al., 2008).


Le stage se déroulera selon les étapes suivantes:

-   Appropriation des principaux outils d'alignement de mots à partir
    de corpus de textes parallèles ou comparables développés au
    Laboratoire LASTI.
-   Appropriation des outils d'alignement de mots de l'état de l'art
    Giza++ (Och et al., 2003) et Dali (Hu et al., 2019).
-   Constitution de deux lexiques bilingues de référence à partir de
    deux corpus spécialisés: parallèle et comparable en utilisant
    l'outil Yawat.
-   Evaluation intrinsèque des lexiques bilingues construits à partir
    de corpus de textes parallèles ou comparables spécialisés.
-   Recherche de corpus de références (gold standards) pour
    l'évaluation du moteur de recherche interlingue (CLEF, TREC ...).
-   Evaluation extrinsèque des lexiques bilingues spécialisés en
    recherche d'information interlingue.
-   Développement d'une interface web pour l'acquisition automatique de
    lexiques bilingues à partir de corpus parallèles et comparables.

Mots-clés :
Traitement automatique des langues, recherche d'information
interlingue, extraction terminologique, lexique bilingue spécialisé.

Références:
-   Besançon R., Ferret O., Fluhr C., "LIC2M Experiments at CLEF 2004",
    Working Notes for CLEF 2004 Workshop co-located with the 8th
    European Conference on Digital Libraries (ECDL 2004), UK, 2004.
-   Bouamor D., Semmar N., Zweigenbaum P., "Identifying bilingual
    Multi-Word Expressions for Statistical Machine Translation",
    Proceedings of the Eight International Conference on Language
    Resources and Evaluation (LREC'12), Turkey, 2012.
-   Bouamor D., Semmar N., Zweigenbaum P., "Context Vector
    Disambiguation for Bilingual Lexicon Extraction from Comparable
    Corpora", Proceedings of the 51th Annual Meeting of the Association
    for Computational Linguistics : Human Language Technologies,
    ACL-HLT 2013, Bulgaria, 2013.
-   Chiao, Y.-C., Zweigenbaum, P., "Looking for candidate translational
    equivalents in specialized, comparable corpora", Proceedings of the
    19th international conference on Computational linguistics,
    Volume 2, COLING '02.
-   Germann U., "Yawat: Yet Another Word Alignment Tool", Proceedings
    of the ACL-08, Columbus, 2008.
-   Hu J., Xia M., Neubig G., Carbonell J., "Domain Adaptation of
    Neural Machine Translation by Lexicon Induction", Proceedings of
    the 57th Annual Meeting of the Association for Computational
    Linguistics, Italy, 2019
-   Melamed I.D., "Empirical Methods for Exploiting Parallel Texts",
    MIT Press, 2001.
-   Och F. J., Ney H., "A Systematic Comparison of Various Statistical
    Alignment Models", Computational Linguistics, volume 29,
    number 1, 2003.
-   Semmar N., Servan C., de Chalendar G., Le Ny B., Bouzaglou J. J,
    "A hybrid word alignment approach to improve translation lexicons
    with compound words and idiomatic expressions", Proceedings of
    Translating and the Computer 32, London, UK. Aslib, 2010.
-   Semmar N., Meriama L., Fluhr C., "Evaluating a Natural Language
    Processing Approach in Arabic Information Retrieval", Proceedings
    of the ELRA Workshop on Evaluation, 2008.

Conditions sur les candidatures et Profil recherché:
Niveau demandé: Master 2, Ingénieur
Durée : 6 mois
Rémunération : entre 700 ¤ et 1300 ¤ selon la formation
Compétences requises :
-   environnement de travail : linux
-   maîtrise de langages de programmation : Python, C++, Java
-   expérience avec une bibliothèque Deep Learning : Tensorflow,
    PyTorch, etc.
-   notions de base en traitement automatique des langues et en
    apprentissage automatique

Modalité de dépôt de candidature :
Les candidatures (CV + Lettre de motivation) sont à envoyer le plus
rapidement possible à Nasredine SEMMAR (nasredine.semmar@cea.fr).

Contacts pour plus d'information :
Nasredine Semmar,
Email: nasredine.semmar@cea.fr,
Tél: +33 (0)1 69 08 01 46