Projet n° 1 : Correcteur orthographique (approche graphémique)
On se propose de réaliser un correcteur orthographique (lexical), qui,
disposant d'un dictionnaire de formes fléchies, détecte les mots mal
orthographiés, et propose si possible une correction.
Le programme prend un texte (ASCII brut) en entrée, et pour chaque forme non présente dans le dictionnaire, propose à l'utilisateur :
Les remplaçants proposés par le programme (premier cas plus haut) seront des mots figurant dans le dictionnaire, et ayant une certaine proximité avec le mot fautif.
Pour la recherche des mots proches, on appliquera diverses heuristiques, basées sur la forme du mot :
Projet n° 2 : Réaccentuation
Le programme est chargé de remettre les accents et autres signes
diacritiques manquant dans un texte fourni en typographie dite
pauvre.
On s'aidera d'un lexique de formes fléchies fourni. Bien sûr, certaines formes peuvent être réaccentuées directement, et d'autres sont ambigues. Une fois que l'algorithme principal sera établi, on envisagera des heuristiques pour lever les ambiguïtés. Exemple :
La ou le francais n'est pas accentue, il y a de la gene, mais quand le systeme m'accentue, je suis moins gene!On pourra s'inspirer du programme « Reacc » développé par le RALI à l'Université de Montréal.
Projet n° 3 : Correction d'étiquettes
Disposant d'un corpus étiqueté et lemmatisé (chaque mot du corpus est accompagné de son étiquette grammaticale et du lemme lui correspondant [cf. figure 1]), il s'agit d'écrire un programme permettant de corriger d'éventuelles erreurs d'étiquetage.
| ce | DETRMS | ce |
| paragraphe | SUBSMS | paragraphe |
| résume | VER3B | résumer |
| les | DETRMP | les |
| problèmes | SUBMP | problème |
| qui | PRELMP | qui |
| doivent | VERB6 | devoir |
| être | AUXE | être |
| résolus | PPASMP | résoudre |
| pour | PREP | pour |
| exploiter | VINF | exploiter |
| des | PDES | des |
| liaisons | SUBSFP | liaison |
| de | PDEA | de |
| télécommunicatio | SUBSFS | télécommunication |
| par | PREP | par |
| satellite | SUBSMS | satellite |
À ce programme, l'utilisateur fournira des règles qui auront la forme suivante :
Exemple : au vu de l'étiquetage fautif
| l | l | DETRMS |
| ' | ' | x |
| usager | usager | SUBSMS |
| désire | désirer | VERB3 |
| établir | établir | VINF |
| des | des | PDES |
| liaisons | liaison | SUBSFP |
on pourra envisager une règle : L'étiquette PDES (=Y1) du mot des (=X) devient DETRMP (=Y2) si VERB3 (=Z1) et SUBSFP (=Z2) se trouvent dans le contexte du mot.
On envisagera la possibilité d'appliquer plusieurs règles lors d'une passe, et on choisira de préférence de stocker ces règles dans un fichier. On notera que l'ordre d'application des règles est important.
À titre d'exemple, vous proposerez un ensemble de règles qui permette de corriger les erreurs d'étiquetage sur ``des''.
On pourra envisager d'autres formes de règles.
Projet n° 4 : Calcul de collocations
On veut réaliser un programme de calcul des collocations dans un
corpus étiqueté et lemmatisé.
Le but est de repérer et de compter les blocs de 2 ou 3 mots juxtaposés qui se retrouvent au moins deux fois dans le corpus. On s'intéressera aussi aux groupes « N à N », « N de N », etc., dont on calculera aussi les fréquences.
La sortie du programme consiste donc en une liste, classée par fréquence, de toutes les collocations qui y apparaissent au moins deux fois.
On attachera un soin particulier au choix de la structure de données, et à l'algorithme, qui doit faire le calcul en un temps raisonnable.
Projet n° 5 : Extraction de sigles
L'objectif est d'être capable de construire,
semi-automatiquement, la liste des sigles (acronymes)
(par exemple EDF), et de
leur forme développée (par exemple Electricité de
France), utilisés dans un texte donné. Le
programme aura deux fonctions :
Projet n° 6 : Justification et «
hyphénation »
Il s'agit de réaliser un programme qui justifie (au sens des
traitements de texte) un texte fourni en ASCII, sur un nombre
de colonnes donné, en découpant les mots selon les règles en usage
pour le français.
On supposera que tous les caractères ont la même dimension (« fonte proportionnelle »).
Pour le découpage (éventuel) des mots (hyphenation), on prendra bien garde de distinguer les règles, qui seront stockées dans un fichier, du programme lui-même. On s'autorisera à utiliser un dictionnaire d'exceptions.
Projet n° 7 : Concordancier
Réalisation d'un « concordancier » : disposant d'un corpus étiqueté et
lemmatisé (chaque mot du corpus est accompagné de son étiquette
grammaticale et du lemme lui correspondant (cf. figure 1), il s'agit d'extraire les phrases
de ce corpus comportant des séquences d'étiquettes et/ou de lemmes
données.
| SUBS ADJ | un substantif, suivi d'un adjectif |
| SUBS ADJ* PREP | un substantif, suivi d'un nombre quelconque d'adjectifs, suivi d'une préposition |
| SUBS ADJ+ PREP | un substantif, suivi d'au moins un adjectif, suivi d'une préposition. |
Remarques
| Wed Feb 16, 2000 |
|