Problèmes de tokénisation pour deux langues régionales de France, l’alsacien et le picard

Delphine Bernhard (1) , Amalia Todirascu (1) , Fanny Martin (2) , Pascale Erhart (1) , Lucie Steiblé (1) , Dominique Huck (1) , Christophe Rey (2, 3)

1 LILPA - Linguistique, Langues et Parole
2 HM - Habiter le Monde - UR UPJV 4287
3 LDI - Lexiques, Dictionnaires, Informatique

La tokénisation est une étape essentielle dans tout système de traitement automatique des langues, d’autant plus que de nombreux outils dépendent du découpage obtenu. La tâche est particulièrement ardue pour les textes qui ne respectent pas les conventions orthotypographiques ou les langues pour lesquelles ces conventions ne sont pas stabilisées. Nous nous intéressons ici aux cas de deux langues régionales de France, l’alsacien et le picard. Nous présentons les défis posés par ces deux langues, et proposons des critères de découpage implémentés dans des tokéniseurs.

Mots clés: tokénisation; alsacien; picard; conventions orthotypographiques.

Domaines: Traitement du texte et du document

Delphine Bernhard, Amalia Todirascu, Fanny Martin, Pascale Erhart, Lucie Steiblé, et al.. Problèmes de tokénisation pour deux langues régionales de France, l’alsacien et le picard. DiLiTAL 2017, Jun 2017, Orléans, France. pp.14-23. ⟨hal-01539160⟩