Un analyseur syntaxique opérationnel : SYNTEX - ERSS

Geoffrey Leech, à partir de la fin des années 70, autour de la réalisation de l’étiqueteur
morphologique CLAWS4 à l’aide de méthodes d’apprentissage automatique sur un corpus
annoté à la main (Garside, 1987). A partir des années 1990, avec l’accroissement
exponentiel des capacités des machines et la multiplication des ressources textuelles
électroniques, les chercheurs en statistique et apprentissage automatique s’attaquent à
toutes les tâches du TAL.
Concernant l’analyse syntaxique automatique, toute une série de travaux convergent vers
la construction automatique de grammaires hors contextes probabilistes à partir de
l’exploitation du Penn Treebank. Les grammaires hors contexte probabilistes sont des
grammaires hors contexte dans lesquelles des probabilités sont associées aux règles de
dérivation. Ces probabilités sont calculées à partir de corpus annotés syntaxiquement,
presque toujours le Penn Treebank. Grâce à ces probabilités, il est possible de choisir
parmi les multiples analyses d’une phrase fournies par l’analyseur quelles sont celles qui
ont la plus forte plausibilité. On peut se reporter à (Maning et Schütze, 1999, chapitres
11 et 12) pour un état de l’art complet sur les méthodes statistiques en analyse
syntaxique automatique.
2.3. Travaux en analyse syntaxique robuste
2.3.1. La robustesse en analyse syntaxique
Après un panorama historique du domaine du TAL, je consacre la deuxième partie de ce
chapitre à une revue de travaux en analyse syntaxique robuste. L’analyse syntaxique
robuste, ou plus généralement le « TAL robuste », ne constitue pas une évolution tardive
dans le domaine du Traitement Automatique des langues. Si la robustesse devient à la
mode dans les années 1990, c’est par le simple retour d’un balancier qui oscille entre les
deux pôles, empirique et théorique, qui caractérisent le paysage de la recherche en TAL
depuis 50 ans. Dès les débuts de la TA, on a fabriqué des analyseurs syntaxiques, et si le
problème de la robustesse n’a pas à l’époque été posé explicitement, c’est qu’il était
acquis que les analyseurs devaient fournir une analyse syntaxique la plus complète, la
plus juste et la plus utile possible pour toute phrase en entrée. L’émergence du concept
de robustesse en analyse syntaxique peut s’expliquer par deux facteurs concomitants :
l’échec rencontré par les approches théorisantes en syntaxe à produire des analyseurs
utiles, et la pression de la demande sociale liée au développement des nouvelles
technologies de l’information. Les années 1980 voient l’arrivée des grammaires
d’unification sur le devant de la scène du TAL (section 2.2.3). Ce courant de recherche a
conduit à l’élaboration de théories syntaxiques très fécondes, qui ont contribué à une
meilleure description des langues. Mais il est apparu que cet objectif théorique était
difficilement conciliable avec les impératifs pratiques, liés à la réalisation d’analyseurs
syntaxiques utilisables dans des contextes applicatifs. Les limites des analyseurs
s’appuyant sur les descriptions formelles développées par ces théories sont connues :
temps de traitement importants, échecs d’analyse, multiplicité des analyses. Ces limites
42