Cours sur le traitement automatique des langues : La sémantique (1b)

1. Cours sur le traitement automatique des langues :La sémantique (1b) Violaine Prince Université de Montpellier 2 LIRMM-CNRS

2. Plan de l’exposé • Classement des approches sémantiques • Par granularité • Par paradigme • Sémantique vectorielle : un modèle trans-granularité • Conclusion et perspectives

3. Classement des approches sémantiques • La notion de granularité : • Taille du segment interprétable. • Sublexical (les sèmes) • Lexical (le mot) • Syntagmatique (syntagmes/groupes) • Phrastique (phrase/proposition) • Textuel (ensemble de phrases) • Document (texte complet) • Collection

4. Les granularités définies • Le niveau sublexical est peu décrit : • Théories linguistiques de type sémantique structurale (Pottier, Greimas) • Travaux informatiques : • M. Gross : constitution de dictionnaires (Intex/ Sylberstein) • Informatisation des travaux de F. Rastier (P; Beust)

5. Sémantique structurale • Ecole Française de Bernard Pottier et ses élèves (Greimas, Rastier) • Le mot est un « ensemble » de « sèmes » ou signes de sens. • La structuration sémantique est une « superstructure » de la structuration sémique. • Deux unités sont différenciées : le sème (signe) et le sémantème (unité de sens)

6. Représentation sémantique structurale • Une « partie » du mot « pompe » 1. appareil aspiration liquide 2. appareil à essence les propriétés de l’essence 3. essence pour véhicule lieu consacré à la vente station d’essence 4. entreprise

7. Le niveau lexical (sémantique lexicale) est très riche. • Mots ou groupes de mots inséparables. • Exemples : • Pomme • Pomme-de-terre • Sert de base aux dictionnaires • Plusieurs paradigmes défrichent ce niveau.

8. Niveau syntagmatique/groupe : les sémantiques n-grammes (bi ou trigrammes) • Expression syntagmatique nominale : • N1 de N2 (B. Habert) • Moulin à café (quasi-lexicalisé) • Médecin de famille • Fleur des champs, fleur de pommier… • Peu de travaux sur les groupes verbaux (sauf en anglais en raison des suffixes) • En gros, des sémantiques de type « opérationnel » à base fréquentielle (Zipf, Harris…)

9. Le niveau propositionnel est le domaine privilégié des modèles sémantiques logiques. • La proposition est « complète » en termes de sens • Elle est évaluable • L’évaluation se fait après décomposition (en éléments constitutifs) et recomposition du sens • Le rapport entre phrase et proposition n’est pas toujours très clair (la majorité des exemples de phrases sont des propositions). • Les expressions figées : lexicalisation (E. Laporte). • Balayer devant sa porte. • Tourner autour du pot (to beat around the bush).

10. Le niveau textuel sémantique commence à se confondre avec le niveau thématique. • Un texte = un énoncé = un ensemble de phrase. • N’est pas une unité « complète » • Possède un « thème » (ou plusieurs) • De quoi parle le texte ?

11. Travaux sur les liens entre phrases (inter-phrastiques). • Anaphore pronominale : attachement syntaxe-sémantique.. Parfois fondé sur des connaissances extra-sémantiques. • Le médecin est venu voir Pierre. Il avait 39 de fièvre. • Le médecin est venu voir Pierre. Il avait une sacoche noire bourrée. • Le médecin est venu voir Pierre. Il est arrivé une heure et demie après notre appel. • Le médecin est venu voir Pierre. Il était enrhumé.

12. Travaux de Grosz et Sidner (1986) : « focus and attention » • L’attachement pronominal se fait majoritairement avec le dernier nom de même genre et nombre. • Le médecin est venu voir Pierre. Il avait 39 de fièvre • (1/4 exact) • Sinon, il dépend du « thème » général du texte. • Thème médecin : personne spécialiste, faisant des visites, à l’appel des malades, portant une sacoche. • Le médecin est venu voir Pierre. Il avait une sacoche noire bourrée. • Le médecin est venu voir Pierre. Il est arrivé une heure et demie après notre appel. • 2/4 exact.

13. Thème « Pierre est malade » • Il a de la fièvre, il est enrhumé. • Le médecin est venu voir Pierre. Il avait 39 de fièvre • Le médecin est venu voir Pierre. Il était enrhumé. • 2/4 exact. • Double thème : le médecin et Pierre est malade. • Les quatre énoncés sont interprétables • Cependant, le médecin peut-être lui aussi enrhumé.

14. Les anaphores nominales : la relation de synonymie ou de proximité sémantique lexicale. • Pierre est allé voir un ophtalmologiste. Le spécialiste lui a donné une ordonnance pour une nouvelle paire de lunettes. • Qu’avez-vous fait à Marie-Hélène ? Cette femme n’arrête pas de téléphoner.

15. Dès lors qu’on dépasse en granularité le niveau propositionnel, des « niveaux » d’analyse autres que sémantiques semblent être sollicités. • Trois dimensions semblent co-exister et interagir: • La syntaxe (règles de composition) • La sémantique (règles de pré-interprétation) • La pragmatique (stratégies d’interprétation => opérer des choix dans les pré-interprétations sémantiques)

16. Au niveau du document : • On passe complètement dans des structures d’analyse ou de représentation « stylistiques » ou de contenu. • Les travaux informatiques sur le document ne concernent que : • Sa structuration (formalisée ou pas) • Ses liens (hypertextes…) • Sa pertinence par rapport à une requête (recherche d’information) • Sa thématique représentable par des mots clés (indexation) • Sa catégorisation (par rapport à un thème fourni) • Sa classification (par rapport à un thème, une collection ou un autre document)

17. La collection : complètement dans une vision thématique • Collection de textes • Collection d’ouvrages qui sont eux-mêmes des collections de texte • Les travaux informatiques sont ceux de la recherche documentaire (Salton et dérivés).

18. Conclusion sur la notion de granularité • La sémantique s’efface avec l’augmentation de la granularité, graduellement, au profit de la thématique. • La sémantique apparaît plus non pas comme un choix univoque d’interprétation (fonction) que comme un choix ensembliste (application d’un élément vers une partie d’ensemble). On parle plutôt de « champ sémantique ».

19. En réalité, la sémantique est un mécanisme de comparaison beaucoup qu’un mécanisme d’affectation de valeur. • Au niveau sublexical : pompe : « proche » d’appareil, d’appareil à essence, de station, d’entreprise… proche aussi d’aspiration (appareil aspirant) d’air(fusil à pompe), de mouvement haut et bas (faire des pompes)….

20. Au niveau lexical : quel terme exact choisir pour remplacer « pompe » … • Au niveau syntagme/groupe : savoir si le syntagme à un sens différent de la composition des sens des constituants. • Composition non commutative ; • Voile de Bateau différent de Bateau à voile • Valeur des moyennes différent de moyenne des valeurs

21. Composition souvent non intègre • Moulin à paroles -> bavard • Pomme-de-terre -> rien à voir avec la pomme et la terre • Les formalismes n-grammes ne conservent pas toujours la nature même du lien

22. Au niveau propositionnel : • L’évaluation à la valeur de vérité n’est absolument pas pertinente. • Une phrase est interprétée linguistiquement si on en reconnaît le thème et on sait l’associer à des objets du monde (interprétation extra-sémantique) • Une phrase est interprétée informatiquement si et seulement si elle est transcrite dans un formalisme sans perte d’information intrinsèque, qui conserve ses relations de proximité et son appartenance thématique.

23. Langue référent : objet linguistique objet référé: objet du monde référé: objet mental monde individu triangle aristotélicien • L’interprétation linguistique associe : • pour un individu donné • Un référent donné (objet linguistique) • À un objet du monde

24. L’ « interprétation informatique » associe, • pour un objet linguistique donné • - un objet mathématique • Calculable par une machine Interprétable Par un individu Et représentable Par ce dernier Langue Formalisme . machine

25. En machine on ne fait que re-présenter et non pas interpréter • On délègue à la machine le processus de calcul des similitudes et des proximités (entre énoncés) • Quand il y a de GRANDES MASSES de données

26. Les paradigmes (de calcul) • Le paradigme symbolique logique • On traduit l’énoncé en langue en un énoncé logique que l’on manipule ensuite selon ses propres lois • Au lieu d’interpréter en valeur de vérité absolue, on vérifie que l’énoncé est valide par rapport aux « ontologies ». • On appelle ontologie une structure de connaissances qui : • Relie des concepts entre eux • Leur associe des propriétés • Possède des propriétés exploitables par des opérateurs

27. Exemple : ontologie de schémas (Minsky) • valeurs par défaut pour C1n sous forme d ’{attribut (facette, valeur)} C11 Schéma de C11 Schéma de C1n-1 C1n-1 Schéma de C1n lien « is-a » C1n

28. Exemple fait en : matière (organique, minérale) type (naturelle, artificielle) prix: origine : • Chaise : composé de: pieds (3, 4) dosseret (oui,non) barreaux :( oui,non) assise :matière meuble chaise fauteuil chaise-à-porteur 17ème siècle mode de transport

29. Formalismes d’ontologies : • Treillis(de Galois) • Arborescences • Réseaux (sémantiques) • Ont du mal a différencier le statut « langue» du statut « formalisme » au niveau lexical • « dictionnaires », « thésaurus »

30. Les modèles de données • Les « ontologies » arborescentes • après l ’échec d’une structuration trop importante et trop large • restriction des années 90 • à une application • à un domaine, de préférence technique et défini • à une structure arborescente • plusieurs « arbres de connaissance » plutôt qu ’un seul réseau

31. Exemple (1) • domaine : chimie • application : enseignement secondaire de la chimie atomique: • agrégats « partie-de » substance molécule atome particule

32. Exemple (2) • domaine : chimie • application : enseignement secondaire de la chimie atomique: • agrégat « sorte-de » particule particule chargée particule neutre proton électron neutron

33. Propriétés structurelles • relations typées • sorte-de selon un critère • sorte-de : inclusion de classe • sorte-de : membre-de • partie-de • Les ontologies arborescentes supposent : • un mot un sens • ce qui correspond qu ’à un sous-ensemble très faible du langage naturel

34. Les modèles multi-structure • Les graphes conceptuels (Sowa 1984) • l ’idée que l ’esprit et le langage s ’organisent de la même manière (ressemblance des contextes linguistique et mental) • il existe une représentation en lambda-calcul du contexte mental • application à la langue

35. Graphes conceptuels • Modèle de données • Un treillis de concepts • Un treillis de relations • Lambda-formules • Graphe canonique • Graphe de définition • Graphe de phrase

36. Fonction des modèles symboliques logiques • Actions « sémantiques » réalisées: • Transformer la phrase en LN : • La chaise est bleue • En sa structure logique (ou sa lambda-expression): • Chaise (x)  couleur (x, « bleu ») • Vérifier dans l’ontologie • Que chaise existe • Qu’elle peut avoir une couleur • Que la couleur « bleu » existe • Qu’il n’existe pas de contrainte contre la couleur bleue pour une chaise

37. Limites en LN • Reste le problème de savoir : • S’il s’agit d’un exemplaire de chaise répertorié dans l’ensemble des connaissances •  x0X/ chaise(x0) couleur(x0, « bleu ») • S’il s’agit d’un nouvel exemplaire •  xchaise(x) couleur(x, « bleu ») => x X • S’il s’agit d’une assertion concernant la classe des chaises • xX chaise(x) => couleur(x, « bleu »)

38. Beaucoup de connaissances à intégrer • Problème des sens figurés du mot: • jouer aux chaises musicales • mener une vie de bâton de chaise • Et de certains de ses dérivés : • ambitionner le fauteuil présidentiel. • A éviter en recherche d’information ou indexation

39. Autres paradigmes • Le paradigme symbolique numérique • Le modèle connexionniste • Le modèle vectoriel (non saltonien) • Le paradigme statistique/probabiliste • Modèle vectoriel de Salton • La co-occurrence de Church • Les mesures de similarité ou de similitude • La sémantique distributionnaliste (Harris) • Les chaînes de Markov • Le modèle de Markov caché

40. Le modèle connexionniste • Plusieurs approches connexionistes de la sémantique • Sémantique Lexicale • Calculer le sens d’un mot en contexte (par rapport aux autres mots co-occurents). • Un réseau mono ou bi-couche de • n cellules ayant chacune une variable d’état xn • Des arcs entre ces cellules avec un poids qui affecte les états des cellules qu’ils relient • Des équations d’état pour qui sont des gradiants d’une fonction d’énergie F(x,p,t))= grad_x(E(x,p,t)). • Un mécanisme d’apprentissage sous forme d’équation de modification de poids/ p’=L(x,p,t).

41. Les cellules représentent des mots • Ils sont reliés en fonction de leur présence dans un contexte donné (fenêtre) • Les poids sont définis initialement. • Les changements d’état interviennent entre un état initial correspondant à une définition et un état final correspondant à la position en contexte dans une phrase donnée. • Le mécanisme d’apprentissage recalcule le poids en fonction de la phrase apprise.

42. Modèles connexionnistes en sémantique : limites • Le réseau mono-couche « perd » la définition initiale. • Le réseau bi-couche la conserve et permet de mesurer la différence entre un sens « dictionnairique » et un sens « en corpus », mais il est limité en taille… • Les modèles mono-couche risquent de modifier très fortement les relations entre les mots en fonction des corpus rencontrés. • On peut « oublier » des sens rares • On peut apprendre de manière biaisée.

43. Les modèles vectoriels • Le modèle vectoriel sera présenté dans le prochain cours. • Modèle à famille génératrice de taille fixe (équipe TAL du LIRMM) • Issu du TAL. • Modèle sémantique. • Modèle à base de taille variable (modèle de Salton). • Issu de la recherche documentaire. Problème de la pertinence d’un texte par rapport à une requête • Non TAL • Non sémantique

44. La co-occurrence de Church: Formule de l’information mutuelle (n-grammes) • Modèle fondé sur des probabilités conditionnelles • Notion de fréquence d’apparition commune entre des termes. • Si x et y sont tous deux des mots, l’information mutuelle I(x,y) est donnée par la formule : • Où, si N est le nombre total de mots : • p(x) = freq(x)/N p(y) = freq(y)/N p(x,y) = freq(x,y)/N I(x,y) = log2 [p(x,y)/(p(x)p(y))]

45. On remarque que plusieurs bi-grammes sont de fréquence très basse. • L’information mutuelle a des valeurs exagérémment élevées pour des bigrammes de basse fréquence , cad qu’elle considère comme associés des termes qui ne le sont pas tellement. • Formule du maximum de vraisemblance • log[ (freq(x,y)/N)/(freq(x)/N)(freq(y)/N) ] • Quand on passe aux n-grammes , la fréquence diminue encore.

46. Les mesures de similarité ou de similitude • Plusieurs mesures existent. • Elles définissent • La proximité d’un document par rapport à un autre en fonction des termes qu’ils contiennent • La pertinence thématique d’un document par rapport à un index, un mot-clé, une requête • Elles proviennent d’une approche « recherche documentaire »/statistique (vs IA/logique ou IA/connexionniste)

47. Les mesures de similarité ou de similitude • Produit scalaire (cosinus) ou similarité de Salton. • Mesure géométrique de type distance : cos(d,d’)= d.d’/(IIdIIxIId’II) • Coefficient de Jaccard • Mesure ensembliste ou {d} est l’ensemble des unités linguistiques du document d • jaccard(d,d’)= I{d}{d’}I/(I{d} {d’}I) • 1- jaccard(d,d’) vérifie l’inégalité triangulaire et donc se comporte comme une distance.

48. La sémantique distributionaliste (Harris) • En France, travaux de Rajman, Habert, Bonnet • Ailleurs : Grefenstette, Dagan, Sparck Jones…Forte corrélation entre les caractéristiques distributionnelles observables des mots et leurs sens. • Les contextes apportent suffisamment d’information pour un lecteur humain pour être en mesure d’affecter un sens à un mot en contexte. • Lemme : Deux unités linguistiques sont sémantiquement similaires si leurs contextes textuels sont similaires.

49. Approches distributionalistes • Intégration de matrices de co-occurrence • Interprétation de profils de co-occurrence probabilistes (Besançon et Rajman) • P(tiIuj) ≈ cij= f(tj,ui)/ kf(tk, ui) • En d’autres termes; la probabilité que le sens porté par le terme tj soit associé à l’unité linguistique ui est aussi le coefficient dans la matrice de co-occurrence des termes d’indexation avec les contextes (unités linguistiques) du corpus, c’est-à-dire la fréquence d’occurrence du terme par rapport à la somme des fréquences d’occurrences des termes dans cette même unité.

50. Exemple • Le X se comporte de façon individualiste, il a une grande gueule rose quand il baille, et est très soucieux de sa toilette. • Les Egyptiens adoraient le X et lui associaient des qualités de paix du foyer et de miséricorde. • La nuit tous les X sont gris. X= chat