Un analyseur syntaxique opérationnel : SYNTEX - ERSS

des liens 14 . Surtout, les nœuds présentent des profils de répartition des liens entrants T,
E, T’, E’ très dissemblables. J’analyse ces profils à partir de la notion de productivité. La
productivité en T d’un nœud est le nombre de lien T qui pointent vers ce nœud, c’est-àdire
le nombre de termes qui ont le terme pivot en position T, de même pour la
productivité en E, en T’ et en E’. Un simple calcul sur les profils de répartition des
productivités permet d’isoler certains noms du corpus qui ont un comportement marqué :
par exemple, les noms qui sont proportionnellement beaucoup plus productifs en
position T’ (tête de syntagme ayant comme connecteur de+le) que dans les autres
positions désignent très probablement des actions importantes dans le domaine. Dans
(Bourigault, 1994a), je formule ainsi 4 propositions d’interprétation, qui seront affinées
dans (Assadi et Bourigault, 1996). Le résultat produit par LEXTER n’est plus uniquement
un ensemble d’étiquettes de termes. Le réseau terminologique que permet de construire
l’analyse syntaxique binaire en tête et expansion des candidats termes complexes devient
une ressource intermédiaire pour des traitements ultérieurs dont les résultats servent eux
aussi à l’aide à la modélisation des connaissances à partir de textes.
Ce filon est exploité avec beaucoup d’énergie, avec l’arrivée dans le groupe SOAD
d’H. Assadi, qui entame une thèse dans le domaine de la modélisation des connaissances
à partir de textes. Dès les premières expériences de modélisation, menées dans le
domaine de la planification de réseaux électriques, H. Assadi constate que les adjectifs
extraits par LEXTER sont bien plus difficiles à valider que les groupes nominaux pour le
cogniticien. Par exemple, celui-ci n’éprouve pas de difficulté particulière à valider des
candidats termes tels que réseau, poste, hypothèse de consommation, alors que les
candidats termes adjectivaux comme national, admissible ou fort lui posent plus de
problèmes. Mais l’observation de l’ensemble des termes complexes {hydraulicité forte,
puissance forte, section forte} par opposition à l’ensemble {hydraulicité faible,
puissance faible, section faible} révèle quasiment immédiatement que les adjectifs faible
et fort désignent des valeurs possibles d’attributs. Dans une tâche de modélisation des
connaissances, l’accès à un tel rapprochement est primordial, puisque identifier les
attributs et leurs domaines de variation est une condition essentielle pour la construction
de taxinomies formalisables. Nous avons donc l’idée de travailler sur des méthodes
automatiques de classification d’adjectifs apparaissant dans les mêmes contextes
syntaxiques, c’est-à-dire modifieurs des mêmes noms ou syntagmes nominaux. La
méthode que nous testons d’abord, et dont nous publions les premiers résultats lors des
3èmes Journées d’Analyse de Données Textuelles en décembre 1995 (Assadi et
Bourigault, 1995), consiste à construire un tableau de présence/absence, dont chaque
ligne correspond à un adjectif et chaque colonne à un nom, puis à calculer à partir de ce
tableau une matrice de similarité entre les individus à classer, et enfin à lancer sur cette
matrice une procédure de classification hiérarchique ascendante. Les classes d’adjectifs
sont obtenues en coupant à un niveau donné l’arbre représentant la hiérarchie des
classes. Pour chaque classe d’adjectif, on construit le contexte de la classe, c’est-à-dire
l’ensemble des noms ou syntagmes nominaux ayant au moins l’un des adjectifs de la
14 Les réseaux terminolgiques ont les propriétés des graphes de petits mondes, qui ont été bien explorées
justement depuis cette époque.
20