Le résumé automatique de textes - LaLIC - Université Paris-Sorbonne

Chapitre 3 : L’annotation discursive à partir d’EXCOM
contexte, l’application d’une règle d’exploration contextuelle s’assure bien de
l’annotation sémantique qu’elle attribue au segment textuel sans risque d’erreurs. Nous
renvoyons au chapitre 5 partie 2.2.1. pour une discussion sur les avantages de la
méthode d’exploration contextuelle en terme de traitement automatique, notamment par
rapport à d’autres techniques comme les expressions régulières, ou autres dérivés
(grammaires JAPE [Cunningham 1999], transducteurs, etc.), qui sont plus couramment
employées dans l’annotation automatique.
2.2.2. La segmentation de textes
Le laboratoire LaLIC a conçu un segmenteur textuel SEGATEX ([Mourad 2001])
qui travaille sur la typographie des textes pour les segmenter. En comparaison avec
d’autres systèmes ayant la même tâche, le logiciel CORDIAL segmente les textes à
partir d’un apprentissage initial sur des corpus de langue française (société Synapse
Développement), alors que le logiciel INTEX s’appuie sur l’utilisation d’automates finis
et de transducteurs [Silberstein 1997]. A partir du fichier texte brut (Image5) résultant
d’un prétraitement d’un fichier HTML/XML/TXT reçu en entrée du système EXCOM,
SEGATEX renvoie en sortie un fichier en format XML (Image 6) où la structure
physique du texte apparaît sous la forme de balises délimitant les différents éléments de
la structure textuelle (titres, sections, paragraphes et phrases).
Image 5 : Texte brut
113