Mod`eles de langage, comment ca¸ se fabrique ?Brigitte BigiCLIPS - Equipe GEODITC - Avril 2006Brigitte Bigi (CLIPS - Equipe GEOD) Mod`eles de langage, comment ca¸ se fabrique ? ITC - Avril 2006 1 / 48Plan1 Introduction2 Du texte brut au corpus3 Du corpus au Mod`ele de Langage4 Interpolation de Mod`eles de Langage5 Autres outils bien pratiquesBrigitte Bigi (CLIPS - Equipe GEOD) Mod`eles de langage, comment ¸ca se fabrique ? ITC - Avril 2006 2 / 48Introduction1 Introduction2 Du texte brut au corpus3 Du corpus au Mod`ele de Langage4 Interpolation de Mod`eles de Langage5 Autres outils bien pratiquesBrigitte Bigi (CLIPS - Equipe GEOD) Mod`eles de langage, comment ¸ca se fabrique ? ITC - Avril 2006 3 / 48IntroductionIntroductionUn mod`ele statistique du langage est une distributionde probabilit´es sur des mots ou suites de motsIl permet de classer les mots ou les phrases selon leurprobabilit´e d’apparitionIl faut estimer la probabilit´e P(W) d’un mot oud’une suite de mots W = w w ...w1 2 nPar exemple, estimer P(”une suite de cinq mots”)Brigitte Bigi (CLIPS - Equipe GEOD) Mod`eles de langage, comment ¸ca se fabrique ? ITC - Avril 2006 4 / 48IntroductionRappelOn fait l’hypoth`ese que chaque mot ne d´epend que des (n-1) motsqui le pr´ec`edentTrigrammen = 3un mot d´epend des 2 mots qui le pr´ec`edentOn apprend la distribution de probabilit´e des n-grams`a partir d’un ensemble de textes que l’on appelle corpusBrigitte Bigi (CLIPS - Equipe GEOD) ...
Cre´erunmod`elestatistiquedulangagepeutsere´sumeren3 operations : ´ 1Collecter des textes 2Transformer les textes en corpus 3tsirubitnoedrpboabilit´esrTemrofsnapuorecrldinenuse Enpratique,cesoperationssontloinsd’eˆtretriviales ´
O`utrouverdestextes?Etcommentlesrecuperer? ´ ´ CD/ROM de journaux transcriptions manuelles de documents de parole Web Lestextesdoiventˆetreenad´equationavecl’applicationvise´e ˆdomaiethe´matique meme n meˆmestyledelangage meme epoque ˆ ´ Lestextesdoiventˆetreenquantite´suffisante
rontInioctdu
8
Lestextesdoiventsuivredesre`glesd’e´criture,comme contenirunephraseparligneavecdesbalisesdede´butetfindephrase ˆetr´ritsseulementenminuscule e ec avoirlecaract`ereespacecommes´eparateurdemot respecterunvocabulairepre´d´efini ...
Quel toolkit ? 1-grams, 2-grams, 3-grams, 4-grams, 5-grams, ... ? Quelleestlaquantit´edecorpusutile/pertinente? Quelle valeur de cut-off ? Quelleme´thodedesmoothing?
Transformer le corpus en une distribution de probabilit´s e
00964/8sac¸bafemoc,tnemAvC-l2riquriITe
docuitnoIntr8
Exemple de texte d’origine
”Des´eclairciesfugacess’annoncentenmi-journeepresdesfrontie`resdu ´ ` nord-estmaislecielsecouvrepeua`peuparunvoiledenuagesqui s’´epaissitparl’ouest.Lapluies’e´tendenjournee`alamajeurepartiedu ´ paysene´vitanttemporairementl’extreˆmenord-estetl’extrˆemesud-estdu pays,maislespre´cipitationsfaiblissentprogressivementl’apr`es-midiet deviennentpluseparses,alorsquequelquestroue´esensoleille´esse ´ montrent temporairement sur le nord-ouest. Les flancs ouest du relief gardent des pluies continues. Leventd’ouestsoufflemode´r´ementsurlescˆotesatlantique.Ilsoufflede sud-ouestsurlescˆotesdelaMancheenserenforcant,atteignant60a`70 km/hensoire´e.Pr`esdelaM´editerrane´e,ilatteint70`a80km/henrafales, maispermetdes´eclaircies,pluslargesenProvence-Cˆoted’Azur,ilse calme en s i ´ .” o ree