Archives

[-] Jade Mekki, "Élaboration d’un outil d’aide à la décision : depuis sa base de connaissance jusqu’à l’interface utilisateur".
Directeur de recherche : Delphine Battistelli (Modyco, Université Paris Nanterre).

Résumé : EDF est un fournisseur d’énergie leader en France et en Europe. L’entreprise, forte de ~150 000 employé (2017), se divise en différentes branches elles-mêmes organisées en plusieurs unités. L’une d’entre elles est le Pôle Intelligence Artificielle. Ce dernier fut créé afin de répondre aux besoins métiers avec des solutions dites d’intelligence artificielle : les métiers producteurs ou les fonctions supports sont à l’origine de ces demandes. Ce rapport d’alternance porte sur les problématiques soulevées par le développement d’un outil d’aide à la décision dans le domaine du nucléaire. Un tel outil nécessite des travaux qui vont de l’élaboration d’une base de connaissance, au développement d’algorithmes de classification et de similarité ; de microservices, à la création d’une interface graphique pour l’utilisateur. En d’autres termes, nous verrons la conception de l’outil, sa mise en production et sa maintenance. Les langages majoritairement utilisés sont python et bash.

Mots-clés : base de connaissance, algorithmes de classification et de similarité, intelligence artificielle, mise en production, maintenance

 mémoire au format PDF

[-] Julien Chanson, "Des bases de connaissances à la fouille de textes, lier des méthodes et domaines".
Directeur de recherche : Arnaud Cassaigne.

Résumé : Ce rapport de stage relate un projet d'entreprise mené pour un client afin de répondre à ses besoins en fouille de textes entre autres. Il a nécessité d'allier de nombreuses méthodes et domaines. Il reste un projet en cours à l'écriture de ce rapport. Ces domaines et méthodes incluent la catégorisation de paragraphes et d'éléments, les bases de connaissances, la sémantique inférentielle et la fouille de textes. Tous ces différents aspects ont été traités avec des solutions conçues et développés par Mondeca ainsi qu'avec GATE, un logiciel libre de droits de traitement de texte.

Mots-clés : Traitement Automatique du Langage, fouille de textes, Bases de connaissance, Sémantique, Inférences, Catégorisation, GATE

 mémoire au format PDF

[-] Lila Kim, "Classification automatique de voyelles nasales pour une caractérisation de la qualité de voix des locuteurs : réseaux de neurones convolutifs, analyse acoustique et perception".
Directeurs de recherche : Cédric Gendrot, Nicolas Audibert (LPP, Université Sorbonne nouvelle, Paris 3).

Résumé L’objectif de ce mémoire est d’évaluer, au moyen de réseaux de neurones convolutifs (CNN pour Convolutional Neural Networks), la capacité à discriminer acoustiquement une voyelle orale d’une voyelle nasale sur un corpus de 45 locuteurs francophones, ainsi que la possibilité de généraliser cette discrimination sur des locuteurs et/ou des voyelles non entraînées au préalable. Pour une classification voyelle nasale vs. voyelle orale, les résultats obtenus pouvaient atteindre jusqu’à 97% d’identification correcte. Ces résultats ont été validés acoustiquement et perceptivement afin de montrer que certains locuteurs pouvaient être identifiés comme ayant une voix plus nasale que d’autres. Ces scores s’avèrent particulièrement élevés pour une analyse acoustique de la nasalité en comparaison d’autres mesures acoustiques obtenues dans la littérature (Chen, 1997 ; Lonchamp, 1988), ces résultats étant imputables à l’utilisation de réseaux de neurones profonds qui sont réputés pour leurs capacités d’extraction de paramètres (Hinton et al., 2012; Lozano-Diez et al., 2018), et à l’utilisation de grands corpus de parole segmentés au niveau phonémique avec une grande précision. Les limites de ce travail, ainsi que ses suites pour mettre en application sur l’ensemble de la parole sont abordées dans la discussion.

Mots-clés : Classification automatique, réseaux de neurones convolutifs, nasalité, qualité de voix, caractérisation du locuteur.

 mémoire au format PDF

[-] Emmett Strickland, "Interface entre prosodie et structure informationnelle, une approche statistique appliquée à un corpus de naija".
Directeurs de recherche : Sylvain Kahane (Modyco, Paris Nanterre), Anne Lacheret (Modyco, Paris Nanterre).

Résumé Ce projet vise à explorer le rôle de la prosodie dans la structure informationnelle d'une langue d’Afrique de l’Ouest appelée naija en se concentrant sur le contenu de structures syntaxiques nommés prénoyaux. L'objectif de ce projet était de déterminer si différentes fonctions pragmatiques étaient associées ou non à des contours prosodiques distincts, ce qui suggérerait que les fonctions pragmatiques sont, dans une certaine mesure, marquées prosodiquement. Dans cette perspective, nous avons exploité un ensemble d'outils pour extraire des informations prosodiques d'un corpus de naija parlé et établir des corrélations avec un ensemble parallèle d'annotations pragmatiques. Cette approche nous a permis de démontrer ce qui semble être un lien clair entre prosodie et fonction pragmatique.

Mots-clés : prosodie, phonétique, treebank, structure informationnelle.

 mémoire au format PDF

[-] Alican Yüksel, "Mesure de similarité entre textes courts - Utilisation de BERT pour un système de recommandation".
Directeur de recherche : Damien Nouvel (Ertim, INALCO).

Résumé La mesure de similarité entre textes courts est considérée diffcile à cause du fait que deux phrases sémantiquement liées peuvent ne contenir aucun mot en commun. Cela signifie que les mesures standards de similarité textuelle, qui sont basées sur la cooccurrence des mots et conçues pour fonctionner pour les documents, ne sont pas appropriées. Ce mémoire présente la mise en place d'un système de recommandation basé sur la similarité entre textes courts au sein de l'entreprise Yoomap. Pour ce faire, nous nous sommes intéressés à la constitution d'un corpus de référence avec des paires de phrases afin de réaliser le fine-tuning d'un modèle pré-entraîné de Transformers (BERT). L'objectif majeur de cette étude est d'observer la pertinence du système d'attention de Transformers pour détecter la similarité entre textes même s'ils sont courts. Les motivations de ce sujet sont multiples puisqu'elles s'inscrivent dans des problématiques actuelles du TAL telles que la mesure de similarité entre textes ou le développement des systèmes de recommandation qui nécessite de comprendre la sémantique des mots. Les expériences sur corpus constitué ont permis de tester la performance de plusieurs modèles, d'ajuster leurs paramètres, et ont montré l'intérêt de ces modèles pour la similarité, mais aussi leur coût du point de vue computationnel. Le système d'attention de Transformers, malgré tout, apporte des perspectives et des nouveautés dans le Traitement Automatique des Langues.

Mots-clés : traitement automatique des langues, similarité textuelle, classification de textes, BERT, fine-tuning.

 mémoire au format PDF

[-] Veronika Solopova, "Adapting coreference resolution systems to Twitter conversations".
Directeurs de recherche : Manfred Stede (Postdam University), Pascal Amsili (Lattice, Université Sorbonne Nouvelle Paris 3), Loïc Grobol (Lattice, Ecole Normale Supérieure).

Résumé :

Mots-clés :

 mémoire au format PDF

[-] Trang Lam, "Attribution d’auteur des textes courts par utilisation des méthodes d’apprentissage profond".
Directeur de recherche : Julien Longhi (CY Cergy Paris Université).

Résumé : Attribution d’auteur est un sous-domaine de Traitement Automatique de Langues qui utilise les techniques d’apprentissage automatique pour identifier la paternité d’un texte. La plupart des travaux précédents se focalisent sur des textes longs tandis que les tendances actuelles des technologies de l’information encouragent des textes plus courts et informels. Ainsi, il est important de trouver les méthodes qui traitent ce type de textes. Ce mémoire vise à étudier la question d’attribution d’auteur sur des messages courts extraits du service micro-blogging Twitter. Nous explorons cette tâche sur la base des réseaux de neurones profonds. Pour ce faire, nous sélectionnons tout d’abord des traits stylométriques (des mots, des n-grammes de caractères et des lemmes) et nous nous en servons ensuite pour construire un système d’attribution d’auteur. La construction de ce système se réalise à l’aide des réseaux de neurones convolutionnels (CNN) et des réseaux récurrents à mémoire court et long terme (LSTM).

Mots-clés : attribution d'auteur, classification automatique, stylométrie, apprentissage profond

 mémoire au format PDF

[-] Yuchen Song, "Extraction de lexiques syntaxiques à partir d'un treebank - Le cas du treebank SUD du naija, un pidgin créole de l'anglais".
Directeurs de recherche : Sylvain Kahane (Modyco, Paris Nanterre), Kim Gerdes (Lpp, Université Sorbonne nouvelle, Paris 3).

Résumé : Ce mémoire décrit un travail de recherche qui vise à extraire deux lexiques à partir d'un corpus annoté en syntaxe. Nous utilisons un corpus annoté en syntaxe de dépendance, également appelé dependency treebank . Ce treebank, constitué dans le cadre du projet NaijaSynCor, est un treebank de la langue de naija - un pidgin créole à base lexicale anglaise. À partir des annotations des treebanks, nous extrayons des informations sur les lexèmes et leur distribution au sein des structures de dépendance. Ce sont des informations nécessaires pour construire les deux lexiques, un lexique morphosyntaxique dont chaque entrée est associée à ses traits morphologiques et un lexique syntaxique dont chaque entrée est associée à ses cadres de sous-catégorisation. Nous proposons également les modes d'emploi pour les deux lexiques, y compris la fouille des erreurs d'annotation à l'aide du lexique morphosyntaxique, le regroupement des cadres de sous-catégorisation, et l'analyse statistique des informations extraites. Ainsi, lors de l'extraction et la mise en application des lexiques, nous avons rencontré des problèmes intéressants qui motivent constamment notre travail : Quelle sont les phénomènes grammaticaux particuliers de la langue naija ? Comment traiter les erreurs d'annotation liées au mot qui correspond à plusieurs parties du discours ? Comment formaliser un cadre de sous-catégorisation ? Quelles sont les processus pour préparer des ressources linguistiques propres à exploiter ?

Mots-clés : naija, treebank, SUD, CONLL-U, lexique, cadre de sous-catégorisation.

 mémoire au format PDF

[-] Natalia Kalashnikova, "Classification automatique avec SVM et CNN de la parole expressive".
Directeur de recherche : Nicolas Audibert (LPP, Université Sorbonne nouvelle, Paris 3).

Résumé : La classification automatique des émotions est largement utilisée dans plusieurs domaines, comme la relation client, la santé, les banques, etc. Malgré l’intérêt croissant de cette problématique, il n’existe pas de standard de combinaison de descripteurs d’apprentissage optimal, ni d’algorithme de référence pour sa performance. Ainsi, ce mémoire présente la comparaison de performances des SVM et des CNN. Le SVM est appliqué aux différents types de données, y compris les données audio. Le CNN à deux dimensions est utilisé pour la classification des images avec une très haute performance. La performance des CNN à une dimension est peu étudiée pour la classification des émotions à l’oral. Ainsi, nous avons appliqué l’approche du CNN à une dimension de Li et al. (2019) qui a été utilisée pour la classification des émotions. Le corpus RECOLA annoté en continu en polarité a été segmenté en extraits de 2 à 2,5 secondes représentant les polarités neutre, positive et négative. Après la segmentation, le corpus d’apprentissage contient peu de données annotées en polarité négative. Le SVM et le CNN à une dimension ont été entraînés sur des statistiques calculées pour toute la durée des extraits mais aussi sur des valeurs de MFCC extraites à partir des fenêtres glissantes de 25 ms. Les images des MFCC ont été générées à partir des valeurs et ont été utilisées pour l’entraînement du CNN à deux dimensions. Le MFCC, qui est l’un des descripteurs cepstraux, est souvent utilisé pour la reconnaissance des émotions à l’oral, grâce aux critères statistiques et leurs bonnes performances dans les tâches de classification. Nous avons découvert que le CNN est mieux adapté pour la classification de la polarité dans le cas du corpus déséquilibré et des extraits à durée différente. Le CNN à une dimension entraîné sur les valeurs de MFCC a montré de meilleurs résultats que le CNN à deux dimensions développé sur les images. L’approche de Li et al. (2019) a donc prouvé son efficacité. Le meilleur résultat a été obtenu par le CNN à une dimension entraîné sur les statistiques de MFCC.

Mots-clés : classification automatique, SVM, CNN, parole expressive, polarité émotionnelle, MFCC.

 mémoire au format PDF

[-] Kirian Guiller, "Analyse syntaxique automatique du pidgin-créole du Nigeria à l’aide d’un transformer (BERT) : Méthodes et Résultats".
Directeurs de recherche : Sylvain Kahane (Modyco, Paris Nanterre), Kim Gerdes (Lpp, Université Sorbonne nouvelle, Paris 3).

Résumé : Ce mémoire a pour but de retracer le travail que nous avons effectué pour la réalisation d’un analyseur de dépendances syntaxiques pour le naija, le pidgin-créole de l’anglais parlé au Nigeria, afin de montrer l’influence du transfert de connaissances depuis l’anglais pour compenser le peu de ressources brutes disponibles en naija. Nous avons entraîné sur des treebanks annotés en syntaxe un transformer BERT couplé à une architecture d’attention bi-affine. Notre travail s’inscrit dans le projet ANR NaijaSynCor (en partenariat avec les laboratoires du Llacan et de Modyco) dans le cadre duquel un corpus oral de 500 000 mots a été réalisé dont un quart a été annoté en syntaxe. Notre participation au projet a consisté d’une part à fournir aux linguistes une pré-annotation syntaxique afin de les aider dans leurs travaux d’annotation et d’autre part à enrichir le treebank en annotant automatiquement sans correction manuelle 350 000 mots. Nous proposons dans ce mémoire de répondre à la question suivante : Comment développer un analyseur pour le naija en s’aidant de sa proximité avec l’anglais pour lequel il existe un grand nombre de ressources ?

Mots-clés : Analyse syntaxique automatique, BERT, naija.

 mémoire au format PDF

[-] Clara Ponchard, "Classification automatique des lieux d’articulation des consonnes occlusives du français".
Directeurs de recherche : Didier Demolin (LPP, Université Sorbonne nouvelle), Nicolas Audibert (LPP, Université Sorbonne nouvelle).

Résumé : Ce mémoire décrit un travail de recherche qui vise à étudier les paramètres aérodynamiques impliqués dans la production des occlusives du français. Nous centrerons notre analyse sur les mesures de pression intra-orale et de pression sous-glottique. L’objectif majeur de cette étude est d’automatiser le traitement des données aérodynamiques afin de contribuer à apporter des données de référence qui sont en nombre limité dans la littérature. Nous souhaitons également analyser les variations de pression en fonction de l’opposition de voisement, du contexte intervocalique et des différents lieux d’articulation. Pour ce faire, nous procéderons à une analyse phonétique au moyen de tests statistiques afin d’analyser les descripteurs jugés pertinents pour comprendre les variations des segments consonantiques. Puis, nous procéderons à une tâche de classification supervisée afin d’évaluer la pertinence de ces descripteurs. Le champ de recherche est donc pluridisciplinaire et fait intervenir des méthodes relevant à la fois du domaine de la phonétique, du Traitement Automatique des Langues et de l’apprentissage automatique.

Mots-clés :

 mémoire au format PDF

[-] Audrey Gombault, "Classification automatique de l’âge du locuteur. Influence des descripteurs, du sexe et des conditions d’enregistrement".
Directeur de recherche : Nicolas Audibert (LPP, Université Sorbonne nouvelle).

Résumé : Cette étude porte sur la classification de l'âge du locuteur à partir d’extraits de parole, avec des descripteurs phonétiques seuls ou ajoutés à des paramètres cepstraux de type MFCC. Nous évaluons les effets de variables telles que l'âge, le sexe et la condition d'enregistrement sur des paramètres phonétiques tels que la fréquence fondamentale, les valeurs de formants ou encore la durée des phones. Pour cela, nous avons constitué un corpus constitué de deux sous-corpus enregistrés dans deux conditions différentes : une condition contrôlée, en présentiel avec le même matériel pour tous les locuteurs, et une condition moins contrôlée, pour laquelle les locuteurs s'enregistraient en ligne sur une plateforme d'enregistrement développée à cet effet. Les enregistrements recueillis auprès de 80 locuteurs âgés de 18 ans à 86 ans ont été répartis en sept classes d'âge, avec un maximum de quinze énoncés par locuteur. La comparaison directe entre conditions d’enregistrement sur un sous ensemble de 13 locuteurs indique que globalement, la variabilité entre conditions pour un même locuteur est très inférieure à la variation entre locuteurs pour les mesures de durée, de F0 et de formants. L’analyse d’un ensemble de descripteurs phonétiques en fonction de l’âge révèle une augmentation progressive des durées des phones et des syllabes, une augmentation de la fréquence fondamentale moyenne chez les locutrices de plus de 60 ans, et une baisse avec l'âge des formants F2 et F3 de la voyelle /a/ pour les locutrices de plus de 50 ans. La comparaison des scores de classification obtenus par les algorithmes JRIP, J48 et SMO sur les données enregistrées en ligne indiquent que les performances les meilleures sont obtenues avec l’algorithme SMO en séparant les données recueillies auprès des hommes et des femmes. Si les paramètres cepstraux permettent d’obtenir des taux de classification correcte nettement supérieurs à ceux des descripteurs phonétiques utilisés seuls (92% pour les femmes, 98% pour les hommes), une sélection de ces derniers conduit à une amélioration marginale des taux de classification allant jusqu’à 2,5%

Mots-clés : classification automatique, phonétique, MFCC, enregistrement en ligne, reconnaissance du locuteur et vieillissement de la voix

 mémoire au format PDF

[-] Apolline Marin, "Vers l'annotation automatique de l'hésitation exprimée dans la parole spontanée".
Directeur de recherche : Nicolas Audibert (LPP, Université Sorbonne nouvelle).

Résumé : Ce mémoire a pour vocation de présenter pas à pas les différentes étapes de notre stage effectué au laboratoire de Phonétique et Phonologie (LPP) situé à l’ILPGA (Institut de Linguistique et de Phonétique Générales et Appliquées) dont la finalité est la production d’un système automatique capable de reconnaître et de généraliser d’une manière fiable des éléments dans la parole humaine spontanée. Dans un premier temps, nous avons dû établir un cadre d’annotation pour relever les éléments pertinents et les marques d’hésitation que nous appellerons ici disfluences et ce dans un corpus de parole spontanée. Puis, après plusieurs corrections apportées à ce cadre d’annotation, nous avons appliqué manuellement cette annotation au corpus NCCFr (Nijmegen Corpus of Casual French) afin d’attribuer des scores de degrés d’hésitation ainsi que de valence, d’activation et de contrôle aux segments identifiés (5833 en tout) comme porteurs de disfluences. Cette étape d’annotation s’est déroulée en plusieurs phases : deux minutes par locuteur puis dix minutes par locuteur sur un total d’une trentaine de fichiers audio. Le corpus est constitué d’enregistrements audio de 46 locuteurs français en pleine conversation informelle. Une fois les enregistrements sélectionnés et annotés, nous avons effectué des analyses acoustiques, phonétiques et linguistiques afin de faire des regroupements de vecteurs de paramètres qui serviront à l’apprentissage automatique en suivant le principe de l’apprentissage actif. Les corrélations observées entre le degré d’hésitation et certaines des variables choisies comme la présence de la voyelle [?] ou [ø] à la fin d’un mot suivi d’une pause pleine transcrite « euh » ou le nombre de conjonctions consécutives indiquent que l’utilisation de ces variables dans la classification automatique pourrait améliorer les performances de l’annotation automatique, réalisée dans un premier temps par le LIUM à partir de paramètres acoustiques de bas niveau. La mise en relation du degré d’hésitation et des dimensions affectives annotées sur un ensemble de 575 segments suggèrent de plus que la classification pourrait être améliorée par l’annotation en degré de contrôle, intégrée dans certains systèmes existants de reconnaissance des émotions.

Mots-clés : annotation manuelle et automatique, corpus, oral spontané, disfluences, français, apprentissage actif, synthèse de la parole

 mémoire au format PDF

[-] Aline Etienne, "Compréhension de textes par les enfants et émotions : point(s) de vue psycholinguistique(s) et leur mise en oeuvre en TAL".
Directeur de recherche : Delphine Battistelli (Modyco, Université Paris Nanterre).

Résumé : Ce mémoire présente les premiers éléments d’une recherche visant à caractériser l’expression linguistique des émotions dans les textes pour enfants à l’aide de critères ne relevant pas strictement du lexique émotionnel et potentiellement implémentables dans une chaîne de traitement automatique des émotions. Ce travail s’insère dans le contexte de l’étude du développement des capacités langagières des enfants, en particulier de leur capacité à comprendre un texte. Pour mener à bien notre recherche, une typologie des modes d’expression linguistique des émotions a été précisée et un corpus annoté en émotions a été construit (97 numéros issus du journal en ligne Le P’tit Libé adressé aux 7-12 ans, représentant environ 196 426 tokens). Grâce aux 2043 unités exprimant une émotion délimitées et à une analyse linguistique fine d’exemples extraits du corpus, deux types principaux de critères linguistiques ont été identifiés : d’une part, des critères lexicaux – mais ne relevant pas du lexique émotionnel directement – : interjections, termes renvoyant à des manifestations physiques ou comportementales des émotions, termes décrivant des situations associées de manière conventionnelle à une émotion ; d’autre part, des critères d’ordre syntaxique : énoncés averbaux, exclamation, dislocations. Ces critères pourront entrer dans le développement d’une chaîne d’identification automatique des émotions dans les textes. L’analyse quantitative des résultats de l’annotation suggèrent par ailleurs l’utilisation préférentielle de certains éléments linguistiques pour l’expression de certaines catégories émotionnelles (par ex. la surprise, la joie et la colère seraient bien plus souvent réalisées par l’intermédiaire d’interjections ou de structures syntaxiques comme la dislocation que la peur ou la tristesse).

Mots-clés :

 mémoire au format PDF

[-] Angèle Barbedette, "Les actes de dialogue explicites et implicites dans les questions : typologie et classification automatique".
Directeur de recherche : Iris Eshkol-Taravella (Modyco, Université Paris Nanterre).

Résumé : Ce mémoire s’inscrit dans un travail de recherche pluridisciplinaire ayant pour but de lier les domaines de la pragmatique et du Traitement Automatique des Langues. Nous nous intéresserons plus particulièrement à la façon dont sont exprimées les intentions des locuteurs dans les questions qu’ils posent, aux indices permettant de les interpréter et donc de les traiter automatiquement. Nous proposerons une typologie des actes de dialogue explicites et implicites dans les questions en nous appuyant sur nos recherches et sur un corpus issu d’ESLO (Enquêtes SocioLinguistiques à Orléans) de transcriptions de conversations spontanées enregistrées au cours de repas. Un des enjeux sera de réussir à définir clairement chacune des classes constituant notre typologie et à annoter de façon pertinente et cohérente nos données. Puis, nous procéderons à l’implémentation d’un modèle de classification automatique supervisée auquel nous fournirons des informations sur les questions et leurs contextes d’énonciation nous semblant intéressantes et utiles. Les motivations de ce sujet sont multiples puisqu’elles s’inscrivent dans des problématiques actuelles du TAL telles que la détection d’ironie ou le développement d’agents conversationnels qui nécessitent de comprendre ce qu’un locuteur veut vraiment dire lors de la production d’un énoncé.

Mots-clés :

 mémoire au format PDF

[-] Guillaume Le Noé-Bienvenu, "Analyse d’opinion dans les dialogues d’agents conversationnels".
Directeur de recherche : Damien Nouvel (ERTIM, Inalco).

Résumé : L’analyse d’opinion est utilisée par les entreprises afin de mieux connaître le ressenti des clients sur un produit. Le traitement automatique des langues aide à répondre à cette problématique, en faisant ressortir des tendances au sein d’un corpus. Dans ce mémoire, nous proposons plusieurs applications de l’analyse d’opinion sur les conversations d’un agent conversationnel. Ces applications, qui peuvent produire des visualisations, permettent de déterminer la satisfaction du client pour des thématiques déterminées et de regarder de plus près celles sur lesquelles les clients ont une mauvaise opinion. Ce mémoire présente la mise en place d’un tel outil au sein de l’entreprise Orange Bank, en se focalisant sur une analyse temporelle de ces indicateurs et la comparaison de l’interaction entre un agent conversationnel (chatbot) et un agent humain.

Mots-clés :

 mémoire au format PDF

[-] Marine Courtin, "Mesures de distances syntaxiques entre langues à partir de treebanks".
Directeur de recherche : Sylvain Kahane (Modyco, Université Paris Nanterre, Nanterre), Kim Gerdes (LPP, Université Sorbonne nouvelle, Paris 3).

Résumé : Ce mémoire décrit un travail de recherche qui vise à proposer des mesures de distances syntaxiques entre langues. Nous utilisons des corpus annotés en syntaxe, aussi appelés treebanks, constitués dans le cadre du projet Universal Dependencies. À partir de ces corpus annotés en syntaxe de dépendance, nous extrayons des informations sur la distribution des annotations (parties du discours, dépendances syntaxiques, motifs syntaxiques...). Puis, nous proposons différentes méthodes permettant d’exploiter ces mesures afin de modéliser les relations de distances et de similarités syntaxiques entre les langues de ces corpus. Ainsi, les questions qui motivent ce travail sont les suivantes: les treebanks sont-ils des modèles de langues intéressants pour dégager des connaissances typologiques? Comment mesurer des distances entre langues à partir d’indices syntaxiques? À quels types de connaissances les distances ainsi obtenues nous permettent-elles d’accéder ? Comment le Traitement Automatique des Langues peut-il mettre à profit des mesures qui rendent compte de proximités syntaxiques pour développer de nouveaux systèmes ?

Mots-clés : treebank, typologogie, distance syntaxique

 mémoire au format PDF

[-] Roland Trouville, "Performances de la segmentation automatique du signal de parole en phones: Influence de l’âge, de la variété régionale du français et du bruit.".
Directeur de recherche : Nicolas Audibert (LPP, Université Sorbonne nouvelle, Paris 3).

Résumé : Cette étude a pour but de comparer les résultats de la segmentation automatique avec la segmentation manuelle selon plusieurs facteurs : la finesse de transcription fournie, l’âge du locuteur, la variété de français du locuteur, le contenu segmental et le niveau de bruit. Les résultats montrent que même si l’âge n’apparaît pas être un facteur direct dans les performances du segmenteur, la finesse de transcription et la variété de français quant à eux jouent un rôle critique dans la qualité du résultat fourni par le segmenteur automatique. Le bruit est un perturbateur, et son niveau a un effet adverse sur le comportement du logiciel. Le contenu segmental, et au-delà l’ordre d’apparition des sons à aligner, est aussi un aspect qui influe sur la qualité de la segmentation automatique.

Mots-clés : segmentation automatique, alignement forcé, phonétique, mesure de performance

 mémoire au format PDF

[-] Gabriele Chignoli, "Reconnaissance Automatique du Locuteur, mécanisme humain et tâche informatique : application de méthodes statistiques.".
Directeur de recherche : Cédric Gendrot (LPP, Université Sorbonne nouvelle, Paris 3).

Résumé : Ce mémoire s’inscrit dans le domaine de la Reconnaissance Automatique du Locuteur, une tâche informatique liée au traitement de la parole dans laquelle un système fournit une réponse, binaire ou selon un score de confiance, sur l’identité d’un locuteur dont il analyse un extrait sonore donné en entrée et appelé test. Nous avons choisi pour cette analyse de comparer les Coefficients Cepstraux à Fréquence Mel (MFCC), paramètres habituellement utilisés en Reconnaissance pour caractériser le locuteur, et un ensemble de mesures acoustiques : des indices spectraux et reliés au bruit dans le signal ; la durée et le rythme de l’élocution ; des mesures de fréquence fondamentale. L’analyse effectuée se base sur l’évaluation de la variabilité expliquée par ces indices au niveau phonémique et à l’aide de méthodes, telles que l’Analyse en Composantes Principales et les arbres de classification, pour tester la robustesse effective des indices face à la variabilité des données. Nous utilisons un corpus de voix journalistique et un deuxième composé d’enregistrements en milieu contrôlé..

 mémoire au format PDF

[-] Manying Zhang, "Who’s the werewolf : Speech comprehension and role prediction in the game of Werewolf.".
Directeur de recherche : Kim Gerdes (LPP, Université Sorbonne nouvelle, Paris 3).

Ressources en ligne : https://github.com/ExeCuteRunrunrun/loup-garou

Abstract : The project is to build a model to predict the identities of the werewolves in the game of The Werewolves of Millers Hollow, aimed for future incorporation in an AI player program. The corpus data comes from the transcription of Chinese TV show Pandakill where 12 players are divided into 4 werewolves, 4 ordinary villagers and 4 divine villagers. The game has several speech and reaction turns until all the werewolves are eliminated, or either all the ordinary villagers or all the divine villagers are eliminated by werewolves. We assume that our AI plays as an ordinary villager to analyze all the speeches and behaviors before its reaction. The speech analysis is composed of 2 steps: the classification of the intent of a single sentence, and the summarizing of sentence meaning and player attitude in a speech turn. The first step is implemented with one of several machine learning and deep learning methods such as Multinomial naive Bayes, logistic regression, Linear support vector machine and Long Short Term Memory model in recurrent neural network; those methods are compared to each other. The second step, along with the behavior analysis part, is built by hand-crafted rules, which in the end gives a most probable Werewolf Team for each game turn.

 mémoire au format PDF

[-] Madeleine Hernandez, "Automatic Generation of Hip-Hop and Rap Lyrics. A backwards n-grams model using its own corpus to produce original rap lyrics.".
Directeur de recherche : Kim Gerdes (LPP, Université Sorbonne nouvelle, Paris 3).

Résumé : This study aims to answer the following questions: 1. Can a machine creatively produce hip-hop and rap lyrics? 2. Can the machine produce organic original lines? 3. Will the lines rhyme? How can the lines rhyme? 4. Will the lyrics be equivalent to modern hip-hop and rap lyrics? 5. Will the produced lyrics be semantically coherent? 6. Can the machine’s output be recognized as human output? These questions will be answered using several different methods with some trial and error to find the best solution. The results of this study were founded through several objectives. The overall objective of this study was to create a deep learning machine to formulate hip-hop and rap lyrics at the most naturalist outcome. Steps in the process of creating such a machine included: tackling the input line and producing an output verse—equivalent in rhyme, stress, and semantic meaning. A subgoal of this study was analysing the mechanisms in hip-hop and rap lyrics, dissecting the intricacies of the genre, such as, what constitutes a rhyme and the layering of rhymes involved in these lyrics. In addition, the importance of stress in combination with the phonetic transcription in a line was also involved.

 mémoire au format PDF

[-] Luigi (Yu-Cheng) Liu, "Normalisation des structures de la définition : étude empirique à partir des articles de Wikipédia".
Directeur de recherche : Sylvain Kahane (Modyco, Université Paris Nanterre, Nanterre), Kim Gerdes (LPP, Université Sorbonne nouvelle, Paris 3).

Résumé :

Mots-clés :

 mémoire au format PDF

[-] Yan Chunxiao, "Étude du flux de dépendance dans 70 corpus (50 langues) de UD".
Directeur de recherche : Sylvain Kahane (Modyco, Université Paris Nanterre, Nanterre).

Résumé :

Mots-clés :

 mémoire au format PDF

[-] Ibrahim Bompoko, "Classification par apprentissage automatique supervisé et hors ligne : Application à la veille sanitaire".
Directeur de recherche : Jean-Luc Minel (Modyco, Université Paris Nanterre, Nanterre).

Résumé :

Mots-clés :

 mémoire au format PDF

[-] Juliette Potier, "Fouille de résumés d’articles biomédicaux. Annotation d’entités et extraction de relations".
Directeur de recherche : Isabelle Tellier (Lattice, Paris 3).

Résumé :

Mots-clés :

 mémoire au format PDF

[-] Guersande Chaminade, "Génération automatique de contrepèteries. Implémentation d'une baseline".
Directeur de recherche : Sylvain Kahane (Modyco, Université Paris Nanterre, Nanterre), Kim Gerges (LPP, Université Sorbonne nouvelle, Paris 3).

Résumé :

Mots-clés :

 mémoire au format PDF

contrepeteur-v1.tar

[-] Asma Zamiti, "Analyse diachronique de concepts politiques dans un corpus tunisien issu de Facebook".
Directeur de recherche : Mathieu Valette (Er-tim, INALCO).

Résumé : Le présent travail se fixe comme principal objectif l’étude d’un corpus en tunisien composé de textes issu d’Internet dans le but de s’interroger sur les difficultés concrètes qui peuvent émerger lors du traitement automatisé de cette langue. Ces difficultés sont multiples. Le tunisien est minoré par rapport à l’arabe et n’a pas le statut officiel de langue, il n’y a de fait aucune norme codifiée pour le tunisien. En l’absence de toute norme et en raison du plurilinguisme qui caractérise la situation linguistique en Tunisie, l’écriture du tunisien peut être multiple mélangeant les systèmes d’écriture et les langues. Notre corpus de travail est constitué de commentaires en tunisien postés sur la page Facebook officielle de la radio tunisienne Mosaique FM entre janvier 2011 et décembre 2011. Cette période englobe la chute de la dictature avec le départ de l’ancien président Ben Ali (le 14 janvier 2011) ainsi que l’élection démocratique d’une Assemblée constituante (23 octobre 2011). Les commentaires reflètent les principaux événements qui ont marqué l’actualité tunisienne. Pour cette première exploration, nous ne procédons pas à la normalisation des graphies. L’analyse textométrique de certains concepts politiques exprimés dans les commentaires vise ici à essayer de déterminer si le choix d’un système d’écriture ou d’une langue est significatif dans l’expression des avis et opinions.

Mots-clés : textométrie, langue tunisienne, arabizi, analyse du discours politique

 mémoire au format PDF

[-] Pierre Godard, "Typologie pour l’alignement multilingue".
Directeur de recherche : Isabelle Tellier (Lattice, Université Sorbonne nouvelle, Paris 3), François Yvon (Limsi).

Résumé : Nous nous proposons, dans cette étude, d’étudier différentes approches visant à identifier automatiquement des liens de correspondance entre des textes en relation de traduction réciproque dans différentes langues. Des corpus parallèles de grande dimension, construits par alignement de ces textes au niveau phrastique, sont disponibles ou peuvent être construits automatiquement de manière efficace.

Mots-clés :

 mémoire au format PDF

[-] Adèle Désoyer, "Apprentissage d’un modèle de résolution automatique de la coréférence à partir d’un corpus de français oral".
Directeur de recherche : Isabelle Tellier (Lattice, Université Sorbonne nouvelle, Paris 3), Frédéric Landragin (Lattice).

Résumé : .

Mots-clés :

 mémoire au format PDF

[-] Clémence Filmont, "Les rôles sémantiques. Théories et applications".
Directeur de recherche : Delphine Battistelli (Modyco, Université Paris Nanterre, Nanterre).

Résumé : .

Mots-clés :

 mémoire au format PDF

[-] Marie-Amélie Botalla, "Analyse du flux de dépendance dans un corpus de français oral annoté en microsyntaxe".
Directeur de recherche : Sylvain Kahane (Modyco, Université Paris Nanterre, Nanterre).

Résumé : .

Mots-clés :

 mémoire au format PDF

[-] Uyên-To Doan-Rabier, "Interface de recherche web pour l’exploration de corpus oraux annotés".
Directeur de recherche : Pierre Zweigenbaum (Limsi-Cnrs, INALCO).

Résumé : Ce mémoire a été écrit dans le cadre d'un stage pour le projet ANR CorpAfroAs qui a réuni un groupe de linguistes de terrain dans le but de rassembler des enregistrements et des transcriptions de langues afroasiatiques et de fournir des méthodes de travail ainsi que des outils informatiques facilitant l’accès et la consultation des ressources produites. Dans les dernières décennies s’est développé un intérêt particulier pour les productions orales dans le domaine du traitement automatique des langues qui a pour objectif de leur faire prendre un statut de matière de recherche valorisable. De plus, avec le développement de la typologie et le souci croissant face à la disparition rapide de la valeur patrimoniale de centaines de langues, en particulier sans tradition d'écriture, la description de celles-ci est jugée de plus en plus nécessaire mais ne peut passer que par l'analyse d'enregistrements oraux. Les travaux menés tout au long de ce projet ont permis de créer un "corpus-pilote" de 12 langues afroasiatiques réparties sur 5 familles. Ce corpus est constitué des enregistrements récupérés sur le terrain, de leurs transcriptions et de leurs annotations au format ELAN. Les fichiers sons et ELAN sont également accompagnés de leurs métadonnées. Notre contribution au projet a été de développer une interface de recherche web pour l'exploration de ce corpus, ne nécessitant pas l'installation d'un logiciel mais juste l'utilisation d'un navigateur. Cet outil présente 3 fonctionnalités : listes de fréquences d'apparition des mots, morphèmes et étiquettes d'une sélection de fichiers, concordancier sur tous les niveaux d'annotation avec possibilité de paramétrage de la longueur du contexte et formulaire de recherche avec expressions de contraintes sur les axes temporel et paradigmatique. Tous les résultats obtenus par cet outil permettent l'accès à la plage sonore correspondante. Les listes de fréquences générées ont servi à la détection des erreurs d'annotation (non conformité des gloses utilisées par rapport à la liste des gloses préalablement établies) ainsi qu'à une analyse quantitative, à l'aide de l'outil de fouilles de données WEKA, dans une perspective d'exploration typologique et d'impact des divergences des théories linguistiques sur la tâche d'annotation.

Mots-clés : CorpAfroAs, ELAN, WEKA, typologie, annotation

 mémoire au format PDF

[-] Ilaine Wang, "Segmentation automatique d’un corpus de français oral en unités macrosyntaxiques".
Directeur de recherche : Isabelle Tellier (Lattice, Université Sorbonne nouvelle, Paris 3), Sylvain Kahane (Modyco, Université Paris Nanterre, Nanterre).

Résumé : .

Mots-clés :

 mémoire au format PDF

[-] Ilaria Tiddi, "Découverte de patrons de dépendances pour la construction d’ontologies".
Directeur de recherche : Isabelle Tellier (Lattice, Université Sorbonne nouvelle, Paris 3)

Résumé : Le World Wide Web représente aujourd’hui une source d’informations hétérogènes en constante évolution. La dernière décennie a connu l’essor du Web Sémantique en réponse à un besoin de représenter ces informations de façon sémantiquement structurée. Ceci peut garantir y un accès rapide et automatique. Cependant, il est encore difficile d'envisager un passage à l’utilisation à large échelle du Web Sémantique de la part des utilisateurs, à cause de la grande quantité d’informations et domaines à traiter. Il faut donc envisager des méthodes de TAL qui comprennent les textes en langage naturel, et les transforment automatiquement en information structurée. L'idée sous-jacente de ce travail est qu'il existe dans le langage naturel des structures figées exprimant des relations entre concepts. Par exemple, la relation <lieuDeNaissance> sera exprimée par "X né(e) à|aux|en Y". Pour représenter ces structures, nous utilisons les grammaires de dépendances. Une fois identifiés ces patrons, il est possible d'identifier les concepts et de créer ensuite des triplets RDF conduisant finalement à la construction automatique d'une ontologie. Ce faisant, le travail humain est considérablement réduit.

Mots-clés : Web Sémantique.

 mémoire au format PDF

[-] Lucie Vercruyssen, "Etude des interactions langagières dans les jeux vidéo".
Directeur de recherche : Jean-Luc Minel (Modyco, Université Paris Nanterre, Nanterre)

Résumé au format PDF

Mots-clés : jeux ; corpus oral ; marqueurs référentiels.

 mémoire au format PDF

[-] Julie Belião, "Formalisation, implémentation et exploitation d’une hiérarchie objet intono-syntaxique. Étude sur un treebank de français oral spontané".
Directeur de recherche : Sylvain Kahane (Modyco, Université Paris Nanterre, Nanterre).

Résumé : Ce mémoire se concentre sur la problématique que soulève le traitement de corpus oraux. Ces travaux ont été réalisés dans le cadre du projet Rhapsodie qui vise à étudier l’intono-syntaxe du français . Le corpus est constitué de 57 échantillons et correspondant à 3h de français spontané. Sur l’ensemble du corpus ont été effectuées des annotations syntaxiques et prosodiques qui reposent chacune sur une structure hiérarchique différentes. De manière à pouvoir les intégrer et à effectuer des études intono-syntaxiques, l’introduction d’un formalisme spécifique est nécessaire. Dans un premier temps, je présente mes efforts en vue de produire une structure hiérarchique objet enrichie, appelée multi-arbre, de l’ensemble des données syntaxiques et prosodiques du corpus. Chaque échantillon est modélisé comme une interaction d’objets de différents types. Sa transcription tout d’abord est considérée comme une suite d’objets "mots". L’annotation syntaxique consiste à associer ces "mots" à des unités syntaxiques. Un noeud est caractérisée par son type, comme "noyau", "unité illocutoire", etc. et entretient avec les autres noeuds des relations hiérarchiques. Par exemple, un noeud de type "noyau" pourra avoir pour père un noeud de type "unité illocutoire". L’annotation prosodique se concentre sur un modèle hiérarchique où un échantillon, objet de type "TextGrid", est constitué de plusieurs objets de type "Tier". Chaque tier contient contient différents "Intervals", qui contiennent des informations d’un type prosodique particulier, comme "le ralentissement", "les proéminences", etc. Je réunis ces hiérarchies en associant à chaque mot de la transcription ses différents objets Intervals. Pour construire l’arborescence de ces objets, il faut analyser le langage de balisage utilisé pour l’annotation syntaxique. Ce travail a donné lieu à la création d’un analyseur ad-hoc, capable de générer un multi-arbre à partir de la transcription annotée. Muni de cette structure de données, on peut générer des segments analysables par un parseur syntaxique automatique. On récupère dès lors des objets "tokens" et "lexèmes" ainsi que des liens de dépendances syntaxiques entre eux. Ces objets sont intégrés au multi-arbre, de manière à offrir une architecture faisant interagir les TextGrids, leur Tiers et Intervals, avec les unités syntaxiques de l’annotation et les Token et Lexemes issus de l’analyse automatique. Ma contribution consiste en la création du multi-arbre comportant les différents niveaux d’analyse syntaxique et prosodique. Dans un deuxième temps je propose une étude intono-syntaxique mettant à profit ces structures de données. Le principe d’une étude intono-syntaxique est d’étudier certains phénomènes syntaxiques par le biais de leur propriétés prosodiques et vice versa, on peut ainsi étudier la f0 au sein chaque unité illocutoire par exemple. Le phénomène syntaxique étudié est l’entassement. L’entassement est une dimension orthogonale à la rection, on dit qu’un segment Y s’entasse sur un segment X si Y vient occuper la même position régie que X, il peut également s’agir de coordinations comme des reformulations ou des disfluences. Par exemple si on considère l’unité illocutoire "^mais il y avait des gens comme { Gide | Claudel | Valéry | Malraux } //", les mots entassés Gide, Claudel, Valéry et Malraux sont tous substituables les uns aux autres car ils peuvent occuper la même place régie. Mes travaux se concentrent sur les segments constitutifs des entassements et leurs caractéristiques prosodiques. L’unité minimale choisie est la syllabe et les critères prosodiques retenus pour l’étude sont les valeurs de f0, les mesure normalisées d’allongement syllabique et l’annotation des proéminences. Je montre ainsi que l’allongement syllabique est plus important aux frontières droites des constituants de l’entassement et va souvent de pair avec une augmentation de la f0. Enfin par des mesures différentielles des critères prosodiques retenus, je mets en évidence l’existence de transitions marquées entre les différents constituants des entassements. Cette étude est rendue possible par l’exploitation de structure objet en multi-arbre présentée avant et par un ensemble de requêtes statistiques effectuées sur des matrices extraites du multi-arbre.

Mots-clés : ...

 mémoire au format PDF

[-] Julieta Lencina, "Etude comparative des discours de Néstor Kirchner et Cristina Fernández".
Directeur de recherche : Mathieu Valette (Er-Tim, INALCO).

Résumé : La présente étude à pour objectif de rendre compte des grandes lignes des discours de Néstor Kirchner et de Cristina Fernández de Kirchner à partir d'une approche qui combine l'Analyse du discours, la sémantique [RASTIER, 1995] et la statistique textuelle [LEBART, SALEM, 1994]. Pour ce faire nous disposons d'un corpus de travail composé des discours présidentiels correspondants au mandat de Kirchner (2003-2007) et au premier mandat de Fernandez (2007-2011) recueillis de la page officielle de la " Presidencia de la Nación Argentina ". Ce corpus constitue donc ce qu'on appelle une " série textuelle chronologique ". Dans un premier temps nous introduirons le cadre théorique sur lequel s'appuiera notre travail, à savoir, les concepts de base relatifs à l'Analyse du discours et à la Lexicométrie (objet d'étude, principales méthodes, etc.), nous signalerons les avantages et les limites pour combiner les deux approches et nous ferons une brève présentation de notre corpus ainsi comme du contexte dans lequel ces discours ont été produits. Puis, à l'aide des outils et méthodes de la lexicométrie, nous aborderons l'analyse elle-même, en esquissant une première caractérisation globale du corpus. Nous finirons par l'étude de quelques cas spécifiques à partir d'une approche thématique.

Mots-clés : Analyse du discours, sémantique, statistique textuelle, discours kirchneriste, Lexico 3, TXM.

[-] Roxane Anquetil, "Apport de l'analyse en dépendances pour la génération de QCM à partir de fichiers d'aide de logiciels".
Directeur de recherche : Kim Gerdes (Université Paris 3).

 mémoire au format PDF

[-] Sophie Papazoglou, "Fonctionnement du regard dans la syntaxe en Langue des Signes Française".
Directeur de recherche : Sylvain Kahane (Modyco, Université Paris Nanterre, Nanterre).

Résumé :

Mots-clés :

 mémoire au format PDF