=Paper=
{{Paper
|id=None
|storemode=property
|title=Fusion d'un thesaurus et d'une terminologie : utilisation de ressources existantes
pour amorcer une onto-terminologie
|pdfUrl=https://ceur-ws.org/Vol-578/paper22.pdf
|volume=Vol-578
|dblpUrl=https://dblp.org/rec/conf/tia/KisterJG09
}}
==Fusion d'un thesaurus et d'une terminologie : utilisation de ressources existantes
pour amorcer une onto-terminologie==
https://ceur-ws.org/Vol-578/paper22.pdf
Fusion d’un thesaurus et d’une terminologie :
utilisation de ressources existantes pour amorcer
une onto-terminologie
Laurence Kister1, Evelyne Jacquey2, Bertrand Gaiffe2
1
UMR ATILF – Nancy Université – CNRS,
Laurence.Kister@univ-nancy2.fr
2
UMR ATILF – CNRS – Nancy Université,
{Evelyne.Jacquey, Bertrand.Gaiffe}@atilf.fr
Résumé : Cet article porte sur l’enrichissement d’un thesaurus par une
terminologie extraite d’un dictionnaire. Le thesaurus est structuré tandis que la
terminologie apporte des définitions. La fusion des deux ressources par
enrichissement mutuel permet de s’orienter vers une onto-terminologie destinée
à l’annotation sémantique de textes de spécialité. Nous examinons ici les
difficultés liées à structuration d’une terminologie en onto-terminologie et à
celles de l’enrichissement d’un thésaurus.
Mots-clés : Terminologie, Acquisition de ressources, Etiquetage de textes,
Classification, Enrichissement de textes
Abstract : In this paper, we are interested here in paper enrichment of a
thesaurus using a terminology extracted from a dictionary. The thesaurus is
structured and the terminology brings definitions. The merger of both resources
in an onto-terminology is intended to contribute to the semantic tagging of texts
of speciality. We examine the difficulties related to structuring of a
terminology in an onto-terminology and those related to the enrichment of a
thesaurus.
Keywords : Terminology, Resources acquisition, Texts tagging, Classification,
Texts enrichment
1 Introduction
L'augmentation et la diversification des échanges conduisent à une explosion de la
quantité d'informations dans les différents domaines scientifiques et à une
interpénétration des domaines en fonction d’approches multi- ou interdisciplinaires.
Les ressources terminologiques et ontologiques (Bourigault & Aussenac-Gilles,
2003) sont utilisés dans différents domaines : information et documentation (Roche,
2004), édition (El Mekki & Nazarenko, 2002), recherche d'informations, la
classification de documents (Sanjuan & Ibekwe-Sanjuan, 2002). L’extraction
automatique et la structuration de ressources terminologiques ont donné lieu à la
réalisation d’outils fondés sur des méthodes symboliques et numériques, utilisant
TIA’09
différents types d'informations pour leur structuration (relations hiérarchiques d'ordre
conceptuel, relations de sémantique lexicale, analyse distributionnelle des contextes
d'apparition des termes dans les textes, etc.) ((Nazarenko & Hamon, 2002),
(Bourigault et al., 2001) et (L'Homme, 2004)). Dans ces travaux, les ressources
terminologiques sont extraites de textes de spécialité (Dell’Ortella & al., 2008).
L'utilisation de ressources externes, tels des dictionnaires, est seconde.
Nous partons d’une terminologie des sciences du langage extraite du TLFi
fortement domanialisé1, validée sur un corpus spécialisé en sciences du langage
(Gaiffe & al., 2009). La terminologie extraite est suffisamment riche sémantiquement
pour différencier les emplois terminologiques des emplois de langue courante. En
revanche, sa structure est plate. Par ailleurs, nous disposons du thesaurus
Thesaulangue2, mis au format TMF par l’Inist dans le cadre du projet Termsciences.
Bien que structuré, il offre une image incomplète de la linguistique actuelle : sa
structure reste marquée par l’époque de son initialisation (Inalf, 1975). Les
développements récents et les usages non stabilisés de l’époque font que : (1) un
terme peut renvoyer à plusieurs termes dans différents sous-domaines : morphologie
lexicale renvoie à lexicologie et sémantique sans plus de précisions alors qu’il s’agit
d’intitulés d’étiquettes de micro-thesaurus, (2) des termes renvoient à d’autres termes
qui ne font l’objet d’aucun développement : analyse du discours est employé pour
analyse textuelle, linguistique textuelle et praxématique et renvoie à informatisation
de corpus textuels – un intitulé du micro-thesaurus non développé, (3) certains termes
sont employés pour plusieurs autres et renvoient à des termes relevant de plusieurs
micro-thesaurus : industrie de la langue est utilisé pour ingénierie linguistique et
génie linguistique et renvoie vers banque de données, informatisation de corpus
textuels, logiciel, informatisation de dictionnaires, traduction automatique qui
appartiennent aux micro-thesaurus approches interdisciplinaires pour les trois
premiers, lexicologie pour le quatrième et linguistique appliquée pour le dernier, (4)
certains termes font l’objet de renvois réciproques dans un même micro-thesaurus :
conjonction de coordination et coordination apparaissent tous deux en syntaxe dans
des sous-domaines distincts (syntaxe => conjonction => conjonction de coordination
=> adversative vs syntaxe => phrase => construction => coordination) et renvoient
l’un à l’autre.
Malgré les imperfections Thesaulangue constitue un bon point de départ pour la
structuration de la terminologie plane extraite du TLFi. En effet, les documentalistes
qui sont intervenus et qui font encore régulièrement évoluer le thésaurus ont pallié à
certaines anomalies en introduisant et développant de nouvelles subdivisions, parfois
en parallèle (cf. le cas de syntaxe en 4.1). Les micro-thesaurus les plus développés
constituent une base solide pour la construction d’une onto-terminologie destinée à
faciliter l’indexation du contenu des documents, à révéler les usages des termes du
domaine de spécialité dans les textes, à faire apparaître les évolutions sémantiques
1
Le Trésor de la Langue Française informatisé (TLFi) [Dendien & Pierrel, 2002] - comporte de nombreux
sens explicitement associés à des domaines de spécialité : 97330 sens domanialisés sur 271165, soit près de
36 %.
2
Thesaulangue est le thésaurus mis au point et maintenu par le centre de documentation de l’atilf – débuté
par l’Inalf - qui a été intégré au portail Termsciences de l’Inist.
Il ne faut pas numéroter les pages -
Fusion thesaurus – terminologie : amorce d’une onto-terminologie
ainsi que la répartition des termes en fonction du niveaux de scientificité ou de
vulgarisation du document (Kister & Jacquey, 2007a et b - Kister & al., 2008). Notre
approche rejoint celle des auteurs qui ont montré la possibilité d'indexer des textes à
partir d'une terminologie ou d'un thésaurus (Bourigault & al., 2004) et (Aussenac-
Gilles & Bourigault, 2000).
2 Les données en présence
La terminologie des sciences du langage a été extraite à partir du TLFi en utilisant
12 des sous-domaines des sciences du langage utilisés pour classer les entrées en
grandes disciplines scientifiques et techniques3 : grammaire, lexicographie,
lexicologie, linguistique, philologie, phonétique, phonologie, rhétorique, sémiologie,
sémiotique, stylistique, toponymie. Elle comporte 2042 candidats termes caractérisés
par des informations lexicographiques : conditions d’emploi, liens de synonymie
éventuels, syntagmes illustratifs du sens domanialisé et un ou plusieurs exemples.
Le thesaurus Thesaulangue comporte 844 termes structurés selon 20 micro-
thesaurus rattachés à la racine sciences du langage auxquels s’ajoutent 335 termes
pour lesquels on conseille l’emploi des 844 termes structurés, soit 1179 termes.
L’intersection des deux ressources - pour cette première expérience nous avons
confrontés les 844 termes utilisés pour l’indexation - concerne 307 termes.
3 Résultats de la fusion des deux ressources
La fusion conduit à un résultat satisfaisant qui permet d’enrichir une partie des
termes du thesaurus avec des définitions, mais plusieurs types d’interrogation
découlent de cette expérience : (1) la nécessité de compléter le thesaurus par
adjonction des termes définis dans la terminologie qui ne sont pas dans le thesaurus,
(2) la possibilité de définir les termes du thesaurus qui ne figurent pas dans la
terminologie extraite du TLFi, (3) l’importance à accorder à la structure du thesaurus,
(4) la prise en compte ou non des informations domaniales utilisées pour extraire la
terminologie du TLFi.
3.1 Divergences entre les termes dominants de Thesaulangue et du TLFi
Différents types de divergences surviennent entre le terme dominant de
Thesaulangue (‘broaderGenericConcept’ dans le format TMF) et le domaine extrait
du TLFi : (1) 188 termes ont un domaine générique dans le TLFi, (2) 82 termes de la
syntaxe dans Thesaulangue sont domanialisés, par grammaire dans le TLFi, (3) 29
termes de Thesaulangue sont caractérisés par un domaine du TLFi non conforme à la
3
Les domaines et les sous-domaines utilisés dans le TLFi sont accessibles à partir de la recherche assistée.
Les domaines des sciences du langage non retenu car jugés trop marginaux ou correspondant à un domaine
indépendant sont : épigraphie, graphologie, paléographie, terminologie, versification.
Il ne faut pas numéroter les pages -
TIA’09
structure du thesaurus, (4) 3 termes de Thesaulangue sont porteurs d’un domaine
TLFi différent mais compatible.
3.2 Etiquetage domanial dans le TLFi et dans Thesaulangue
3.2.1 Le domaine du TLFi est trop général
Près de 10% des cas posent la difficulté d’un positionnement dans un domaine
différent dans le TLFi et dans Thesaulangue. Les domaines utilisés par le TLFi
restent généraux : ils sont utiles pour extraire les termes du domaine des sciences du
langage et les informations lexicologiques qui s’y rapportent mais ils manquent de
précisions pour donner une représentation structurée du domaine. Si on prend
l’exemple des termes syntagmatique, pléonasme, dérivation impropre, ils sont
respectivement classés dans les domaines sémiotique, linguistique stylistique et
lexicologie du TLFi alors qu’ils sont positionnés au troisième et au quatrième niveaux
hiérarchiques dans Thesaulangue : (1) lexicologie => rapports => syntagmatique,
sémantique => rhétorique => figure de style => pléonasme, (2) morphologie =>
morphologie lexicale => dérivation => dérivation impropre.
Certains termes relevant de la sémiotique dans Thesaulangue sont répartis entre la
grammaire et la linguistique dans le TLFi. Pour la syntaxe certains termes de
Thesaulangue figurent sous sémiotique, linguistique structurale, grammaire
générative et sémantique contemporaine du TLFi. Deux de ces quatre domaines
figurent dans Thesaulangue : sémiotique est un micro-thesaurus et grammaire
générative un sous-domaine (méthodologie linguistique => fonctionnalisme =>
grammaire générative). Les deux autres domaines - peu utilisés dans le TLFi -
n’apparaissent pas dans Thesaulangue. Des termes relevant de la sémantique dans
Thesaulangue sont étiquetés comme appartenant aux domaines grammaire et
sémiotique du TLFi. Des termes du micro-thesaurus morphologie appartiennent au
domaine phonétique, lexicologie et grammaire du TLFi. Pour l’ensemble des
divergences l’utilisation de la structure du thesaurus permet d’atteindre un degré de
précision supérieur : les approches et les disciplines des sciences du langage y sont
plus détaillées et plus structurées. Ceci conforte notre démarche : l’utilisation de
Thesaulangue comme fondement d’une onto-terminologie est possible même si des
remaniements, le développement er la restructuration de certains micro-thesaurus
s’imposent.
3.2.2 Termes trop généraux et double étiquetage dans le TLFi
La généricité des étiquettes de domaines est trop importante ce qui a pour
conséquences une utilisation trop fréquente de certaines d’entre elles. Ces étiquettes
sont aussi régulièrement utilisées simultanément à d’autres étiquettes relativement
génériques qui ne permettent pas la structuration des concepts du thesaurus. Par
exemple, pour perfectif nous ne retenons ni linguistique ni grammaire qui
apparaissent pour l’entrée terminologique extraite à partir du TLFi, mais la hiérarchie
de Thesaulangue (syntaxe => aspect => verbe => perfectif) que nous enrichissons
Il ne faut pas numéroter les pages -
Fusion thesaurus – terminologie : amorce d’une onto-terminologie
avec l’information lexicographique du TLFi (perfectif DEF= (Aspect grammatical)
qui envisage le procès dans son terme).
3.3 Un exemple de désaccord : grammaire ou syntaxe
Dans le TLFi, les sciences du langage ne comportent pas le domaine syntaxe ce
qui a eu pour conséquence de domanialiser ce qui relève de la syntaxe sous
grammaire. Or, syntaxe correspond à une partie développée de Thesaulangue et par
conséquent de Termsciences. En effet, le thesaurus comporte un micro-thesaurus
grammaire (1 niveau de descendance composé de 9 fils : grammaire historique –
études sur les grammaires – grammaires du Moyen âge ainsi que grammaires du
16ème, 17ème, 18ème, 19ème, 20ème et 21ème siècle) et un micro-thesaurus syntaxe (5
niveaux de descendance avec 20 fils pour le 1er niveaux, 58 pour le 2ème, 65 pour le
3ème, 37 pour le 4ème et 2 pour le 5ème soit un total de 180 étiquettes. Le choix de tout
étiqueter grammaire dans le TLFi rend impossible la structuration et la
hiérarchisation de l’information. Ainsi, même si on accepte de considérer la syntaxe
comme un sous-domaine de la grammaire, on ne peut se résoudre à tout classer sous
l’étiquette générique de grammaire qui ne correspond pas au générique de syntaxe
dans le thesaurus : syntaxe est un fils de sciences du langage au même titre que
grammaire. Pour ce genre de divergence, nous conserverons la structure de
Thesaulangue. On peut alors s’interroger quand à la pertinence du micro-thesaurus
grammaire ou de son articulation avec celui de la syntaxe.
4 Perspectives
L’état d’avancement de cette expérience laisse entrevoir l’ampleur de la tâche
qu’il reste à effectuer pour produire une onto-terminologie dont les informations
sémantiques pourront être reportées sur un document en texte intégral : (1)
développer certaines parties du thesaurus par l’insertion des termes qui apparaissent
dans la terminologie qui ne sont pas dans le thesaurus, (2) structurer la ressource qui
résulte de la fusion des deux ressources préexistantes, (3) confronter les 335 termes
non utilisés pour indexer les documents à la terminologie pour y associer
d’éventuelles définitions afin d’offrir une représentation plus précise du domaine, (4)
définir les termes du thesaurus non définis par la terminologie, (5) enrichir la
ressource produite en traits sémantiques pour permettre l’annotation sémantique
automatique ou semi-assistée, (6) valider la ressource produite pour vérifier que
l’image qu’elle donne des sciences du langage est satisfaisante.
A plus long terme l’onto-terminologie peut constituer un outil pédagogique facilitant
la connaissance et l’utilisation des termes et du thesaurus des sciences du langage par
des documentalistes novices du domaine ou tout utilisateur le découvrant.
Il ne faut pas numéroter les pages -
TIA’09
5 Références
AUSSENAC-GILLES N. & BOURIGAULT D. (2000). The Th[IC]2 Initiative : Corpus-Based
Thesaurus Construction for Indexing WWW Documents. Proceedings of the EKAW'2000
workshop « Ontologies and texts », Juan-Les-Pins, Université Paul Sabatier, Toulouse, p. 71-
78, octobre.
BOURIGAULT D., JACQUEMIN C. & L'HOMME M.C. (2001). Recent Advances in Computational
Terminology. Amsterdam/Philadelphie : John Benjamins.
BOURIGAULT D. & AUSSENAC-GILLES N. (2003). Construction d'ontologies à partir de textes.
Actes de la conférence TALN 2003, Batz-sur-Mer.
BOURIGAULT D., AUSSENAC-GILLES N. & CHARLET J. (2004). Construction de ressources
terminologiques ou ontologiques à partir de textes : un cadre unificateur pour trois études de
cas. In M. SLODZIAN (Ed.), Revue d'Intelligence Artificielle (RIA), Numéro spécial sur les
techniques informatiques de structuration de terminologies, Hermès, Paris, Vol. 18, N. 1/2004,
p. 87-110, 2004.
DELL’ORTELLA F., LENCI A., MARCHI S., MONTEMAGNI S., PIRELLI V. & VENTURI G. (2008). Dal
testo alla conoscenza e ritorno : estrazione terminologica e annotazione semantica di basi
documentali di dominio. Analisi Testuale e Documentazione nella città digitale, Convegno
nazionale dell’Associazione Italiana per la Terminologia. I-TerAnDo, Università di Calabria,
Rende, 5-7 juin, AIDAinformazioni, 26, 1-2, pp. 185-206.
DENDIEN J. & PIERREL J.M. (2002). Le trésor de la langue informatisé : un exemple
d'informatisation d'un dictionnaire de langue de référence. TAL.
EL MEKKI T. & NAZARENKO A. (2002). Comment aider un auteur à construire l'index d'ouvrage.
Actes de la conférence CIFT 2002. pp. 141 – 157. Tunisie.
GAIFFE B., JACQUEY E. & KISTER L. (2009). Approche lexico-sémantique de l’extraction
terminologique : utilisation de ressources lexicographiques et validation sur corpus. Toth’09,
Annecy, 4-5 juin.
INALF. (1975). Trésor de la langue française. Le français moderne, (supplément), nouvelle
série, fascicule 2.
KISTER L., JACQUEY E. & GAIFFE B. (2008). Repérage de la référence à partir du thesaurus, de
la terminologie et de la sémantique lexicale. Analisi Testuale e Documentazione nella città
digitale. Convegno nazionale dell’Associazione Italiana per la Terminologia, I-TerAnDo,
Università di Calabria, Rende, 5-7 juin, AIDAinformazioni, 26, 1-2, pp. 25-36.
KISTER L. & JACQUEY E. (2007a). Comparaison des structures thématiques de textes spécialisés
et de thésaurus ou de terminologies. Terminologia e mediazione linguistica : approcci e metodi
a confronto. ASS.I.term et Università di Bologna, sede di Forli, Bertinoro, 8 juin, Realiter, en
ligne, (http://realiter.net/spip.php?article951).
KISTER L. & JACQUEY E. (2007b). Acquisition sémantique à partir de données lexicographiques
au service de la comparaison entre des structures thématiques de textes spécialisés et de
thésaurus. Terminologie : approches transdisciplinaires, Gatineau (Québec), 2-4 mai, an ligne,
(http://www.uqo.ca/terminologie2007/documents/kister_Jacquey.pdf).
L'HOMME M.C. (2004). La terminologie : Principes et Techniques. Presses Universitaires de
Montréal.
NAZARENKO A. & HAMON T. (2002). Structuration de terminologie. TAL, vol 43, n°1, 174
pages.
ROCHE M. (2004). Intégration de la construction de la terminologie de domaines spécialisés
dans un processus global de fouille de textes. PhD Thesis, Université Paris 11.
SANJUAN E. & IBEKWE-SANJUAN F. (2002). Terminologie et classification automatique des
textes, Actes de la conférence JADT 2002, pp. 677-688.
Il ne faut pas numéroter les pages -