Extraction terminologique automatique de corpus

Technologies de la traduction · Master 2

Repérer les termes candidats dans un corpus : statistiques, linguistique, validation humaine.

Introduction

L'extraction terminologique automatique vise à repérer, dans un corpus spécialisé, les unités susceptibles d'être des termes du domaine. Elle sert à amorcer une base terminologique, à préparer une traduction ou à construire des glossaires clients.

Les méthodes combinent critères linguistiques (patrons morpho-syntaxiques, comme nom + adjectif) et critères statistiques (fréquence, mesures de contraste avec un corpus de référence). Elles produisent des candidats, que le terminologue valide.

Ce deck présente les notions d'unithood et de termhood, les mesures usuelles et les limites de l'extraction.

Objectifs d'apprentissage

Distinguer unithood et termhood
Décrire les étapes d'un pipeline d'extraction
Expliquer des mesures statistiques de pertinence
Évaluer les résultats par précision et rappel

Concepts clés

Pipeline d'extraction: Constitution du corpus, nettoyage, lemmatisation et étiquetage, repérage de candidats par patrons, filtrage statistique puis validation par un expert.
Unithood et termhood: L'unithood mesure la cohésion d'une unité (une séquence forme-t-elle un tout ?). Le termhood évalue son degré de spécificité au domaine.
Mesures statistiques: Fréquence, TF-IDF, rapport de log-vraisemblance ou comparaison à un corpus général permettent de classer les candidats.
Évaluation: La précision est la part de candidats corrects ; le rappel, la part des termes réels trouvés. Un compromis est nécessaire selon l'objectif.

Conclusion

L'extraction automatique accélère la découverte des termes mais ne dispense pas de l'analyse humaine : elle propose des candidats classés.

Pour l'examen, maîtrisez le vocabulaire d'unithood/termhood et savez calculer précision et rappel.

Cartes

Qu'est-ce qu'un terme candidat ?: Une unité extraite automatiquement dont le statut de terme doit être validé par un expert.
Que mesure l'unithood ?: Le degré de cohésion d'une séquence de mots, c'est-à-dire si elle forme une unité lexicale stable.
Que mesure le termhood ?: Le degré de spécificité d'une unité vis-à-vis d'un domaine.
À quoi sert la lemmatisation avant extraction ?: À regrouper les formes fléchies d'un même mot pour compter correctement les occurrences.
Quel patron morpho-syntaxique est fréquent pour les termes français ?: Nom + adjectif ou nom + préposition + nom, p. ex. « contrat de travail ».
Que fait le TF-IDF ?: Favorise les unités fréquentes dans un document mais rares dans l'ensemble des documents.
Pourquoi utiliser un corpus de référence général ?: Pour écarter les mots courants et faire ressortir les unités propres au domaine.
Définissez précision et rappel en extraction.: Précision : part de candidats corrects parmi les extraits ; rappel : part des termes du corpus qui ont été trouvés.
Pourquoi une validation humaine est-elle indispensable ?: Les résultats incluent du bruit et manquent des termes rares ; seul l'expert tranche sur le statut de terme.

Glossaire

Corpus spécialisé: Ensemble de textes d'un domaine, choisis selon des critères définis.
Lemme: Forme canonique d'un mot regroupant ses variantes fléchies.
Étiquetage morpho-syntaxique: Attribution de la catégorie grammaticale à chaque mot.
Log-vraisemblance: Mesure statistique comparant les fréquences d'un mot dans deux corpus.
Bruit: Candidats extraits qui ne sont pas des termes.
Silence: Termes du domaine non détectés par l'extraction.
Terme complexe: Terme composé de plusieurs mots.