Analyse linguistique et extraction automatique de relations sémantiques des textes en arabe

Linguistic analysis and automatic information extraction of semantic relations in arabic

• Auteur / Autrice : Youcef Ihab Morsi
• Direction : Iana Atanassova
• Type : Thèse de doctorat
• Discipline(s) : Sciences du Langage. Traitement Automatique des Langues
• Date : Soutenance le 25/09/2020
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Lettres, Communication, Langues, Arts (Dijon ; Besançon ; 2017-....)
• Partenaire(s) de recherche : établissement de préparation : Université de Franche-Comté (1971-2024)
• Partenaire(s) de recherche : Laboratoire : Centre de recherches interdisciplinaires et transculturelles (Besançon)
• Jury : Président / Présidente : Mohamed Hassoun
• Jury : Examinateurs / Examinatrices : Iana Atanassova, Mohamed Hassoun, Ismaïl Biskri, Patrice Pognan, Bilal Shafei
• Jury : Rapporteur / Rapporteuse : Mohamed Hassoun, Ismaïl Biskri

Mots clés

Mots clés contrôlés

Innovation

Sémantique

Morphologie (linguistique)

Arabe (langue)

Analyse automatique (linguistique)

Traitement automatique du langage naturel

Mots clés libres

Extraction d'information

Arabe standard moderne

Schème

Analyse linguistique

Étiquetage morphologique

Morphologie

Langue arabe

Entreprise

Arabic-PADT UD treebank

Pattern

Modern Standard Arabic

Information extraction

Linguistic analysis

POS tagging

Morphology

Arabic language

Start-up

Résumé

Cette recherche porte sur le développement d’un outil de traitement automatique de la langue arabe standard moderne, au niveau morphologique et sémantique, avec comme objectif final l’extraction d’information dans le domaine de l’innovation technologique en entreprise. En ce qui concerne l’analyse morphologique, notre outil comprend plusieurs traitements successifs qui permettent d’étiqueter et de désambiguïser les occurrences dans les textes : une couche morphologique (Gibran 1.0), qui s’appuie sur les schèmes arabes comme traits distinctifs ; une couche contextuelle (Gibran 2.0), qui fait appel à des règles contextuelles ; et une troisième couche (Gibran 3.0) qui fait appel à un modèle d’apprentissage automatique. Notre méthodologie est évaluée sur le corpus annoté Arabic-PADT UD treebank. Les évaluations obtiennent une F-mesure de 0,92 et 0,90 pour les analyses morphologiques. Ces expérimentations montrent, entre autres, la possibilité d’améliorer une telle ressource par les analyses linguistiques. Cette approche nous a permis de développer un prototype d’extraction d’information autour de l’innovation technologique pour la langue arabe. Il s’appuie sur l’analyse morphologique et des patrons syntaxico-sémantiques. Cette thèse s’inscrit dans un parcours docteur-entrepreneur.

This thesis focuses on the development of a tool for the automatic processing of Modern Standard Arabic, at the morphological and semantic levels, with the final objective of Information Extraction on technological innovations. As far as the morphological analysis is concerned, our tool includes several successive processing stages that allow to label and disambiguate occurrences in texts: a morphological layer (Gibran 1.0), which relies on Arabic pattern as distinctive features; a contextual layer (Gibran 2.0), which uses contextual rules; and a third layer (Gibran 3.0), which uses a machine learning model. Our methodology is evaluated using the annotated corpus Arabic-PADT UD treebank. The evaluations obtain an F-measure of 0.92 and 0.90 for the morphological analyses. These experiments demontrate the possibility of improving such a corpus through linguistic analyses. This approach allowed us to develop a prototype of information extraction on technological innovations for the Arabic language. It is based on the morphological analysis and syntaxico-semantic patterns. This thesis is part of a PhD-entrepreneur course.