TA statistique à petits corpus pour des petits sous-langages

Najeh Hajlaoui (1, 2, 3) , Christian Boitet (1, 2, 3)

1 LIG - Laboratoire d'Informatique de Grenoble
2 IMAG - Institut d'Informatique et de Mathématiques Appliquées de Grenoble
3 CLIPS - IMAG - Communication Langagière et Interaction Personne-Système

Nous avons appliqué un système de TA statistique au "portage linguistique" de l'arabe au français de CATS, un système traitant le contenu de brefs messages spontanés en langue naturelle (SMS). Il s'agit d'un "sous-langage" très restreint. Nous ne disposions que d'un très petit corpus parallèle, augmenté d'un dictionnaire bilingue assez complet lié à l'application choisie (petites annonces en occasion automobile). Bien que la TA statistique soit réputée ne fonctionner assez bien que si l'on dispose de très grands corpus parallèles, le système que nous avons construit avec Pharaoh a produit des résultats satisfaisants, au sens où les descripteurs de contenu obtenus sont assez proches de ceux obtenus à partir des SMS correspondants en arabe. Il semble donc qu'on puisse se passer de très grands corpus pour utiliser efficacement la TA statistique sur des "sous-langages" très restreints : les traductions ne sont pas très "fluides", mais elles sont "adéquates", et ce même si les deux "langues-mères" des deux sous-langages considérés sont assez distantes.

Mots clés: extraction de contenu; sous-langage; langue générale; langue standard; énoncés spontanés; traduction statistique; extraction de contenu.

Domaines: Informatique et langage [cs.CL]

Najeh Hajlaoui, Christian Boitet. TA statistique à petits corpus pour des petits sous-langages. TOTh 2008 Conférence sur la Terminologie & Ontologie : Théories et Applications., Jun 2008, France. 20 p. ⟨hal-00390857⟩