compile-idiomatic.xml

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE article PUBLIC "-//OASIS//DTD DocBook XML V4.1.2//EN"
 "/usr/share/sgml/docbook/xml-dtd-4.1.2/docbookx.dtd" [
]>
<article lang="fr">
  <articleinfo>
    <copyright>
      <year>2005</year> 
      <holder>Romaric Besançon - CEA-LIST</holder>
    </copyright>
    <authorgroup>
      <author>
        <firstname>Romaric</firstname>
        <surname>Besancon</surname>
        <affiliation>
          <address>
            CEA-LIST
            <email>romaric.besancon@cea.fr</email>
          </address>
        </affiliation>
      </author>
    </authorgroup>
    <title>Comment compiler un fichier d'expressions idiomatiques</title>
    <revhistory>
      <revision>
        <revnumber>0.1</revnumber>
        <date>5 juillet 2005</date>
        <authorinitials>RB</authorinitials>
      </revision>
    </revhistory>
  </articleinfo>

  <section>
    <title>Introduction</title>
    <para>L'objectif de ce document est de donner les instructions
    pour compiler un fichier d'expressions idiomatiques
    utilisateur. Nous expliquons d'abord les différents formats
    sources possible des expressions idiomatiques et les mécanismes
    nécessaires pour compiler le fichier selon le format source
    choisi. La dernière section décrit la commande de
    compilation.</para>
  </section>

  <section>
    <title>Format des expressions idiomatiques</title>

    <section>
      <title>Règles de reconnaissance</title>
      
    <para>Les expressions idiomatiques sont représentées, avant
    compilation, par un ensemble de règles spécifiant un déclencheur
    et des contextes gauche et droit de ce déclencheur. Ces règles
    seront transformées en automates après compilation. Le format de
    ces règles n'est pas détaillé dans ce document, il est décrit de
    façon complète dans le document "<ulink
    url="spec_regles.html"><citetitle>Spécifications du
    format des règles pour la construction d'automates de
    reconnaissance d'expressions</citetitle></ulink>".
    </para>

    <para>La compilation de ces règles se fait avec le programme
    <emphasis>compile-rules</emphasis>, fourni dans le module
    d'analyse linguistique <emphasis>s2lp</emphasis>.
    </para>

    <para>Les règles des expressions idiomatiques doivent spécifier la
    catégorie de l'expression reconnue. Avec le fonctionnement actuel
    des catégories, les catégories doivent être encodées avant la
    compilation des règles. Cela implique au moins une opération
    d'encodage des catégories avant la compilation des règles.
    </para>

    <para>Cet encodage se fait à l'aide d'un script Perl
    (<emphasis>transcodeIdiomatic.pl</emphasis>) qui transforme les
    catégories exprimées par un code symbolique (à la Grace) en
    catégories numériques et qui utilise deux fichiers de
    correspondance pour cela: un fichier indiquant la correspondance
    entre le code symbolique et le découpage en propriétés
    linguistiques (ce fichier est nommé
    <emphasis>symbolicCode-xxx.xml</emphasis>, où
    <emphasis>xxx</emphasis> est le trigramme de la langue), et un
    fichier indiquant le codage numérique des différentes propriétés
    linguistiques (ce fichier est nommé
    <emphasis>code-xxx.xml</emphasis>, où <emphasis>xxx</emphasis> est
    le trigramme de la langue).
    </para>

    <para><emphasis>Exemple</emphasis>: l'expression "<emphasis>avoir
    tendance</emphasis>" est reconnue par la règle suivante:

    <programlisting>tendance:&amp;avoir$V [$ADV?]::ABS_IDIOM$V---i---:avoir tendance</programlisting> 

    où <emphasis>V---i---</emphasis> est la catégorie symbolique
    indiquant un verbe intransitif.
    </para>

    <para>Cette règle sera transformée par ce script en 

    <programlisting>tendance:&amp;avoir$V [$ADV?]::ABS_IDIOM$49280:avoir tendance</programlisting>
    
    où la catégorie <emphasis>V---i---</emphasis> a été remplacée par
    son code numérique (49280).
    </para>      

    </section>
    <section>
      <title>Format simplifié</title>

      <para>Pour garder la compatibilité avec un format précédent, un
      format simplifié d'écriture des expressions idiomatiques est
      possible. Ce format est le suivant:
      <programlisting>&lt;champ1&gt;;&lt;champ2&gt;;&lt;abs&gt;;&lt;déclencheur&gt;;&lt;expression&gt;;&lt;catégorie&gt;;&lt;forme normalisée&gt;</programlisting>
      où
      <simplelist>
        <member><computeroutput>&lt;champ1&gt;</computeroutput> est un
        champ utilisé pour la gestion de la liste, il est ignoré à la
        compilation</member>
        <member><computeroutput>&lt;champ2&gt;</computeroutput> est un
        champ de utilisé pour la gestion de la liste, il est ignoré à
        la compilation</member>
        <member><computeroutput>&lt;abs&gt;</computeroutput> est un
        champ qui indique si l'expression est absolue (dans ce cas, ce
        champ vaut "<computeroutput>A</computeroutput>") ou
        contextuelle (dans ce cas, ce champ n'est pas rempli).
        </member>
        <member><computeroutput>&lt;déclencheur&gt;</computeroutput>
        est le déclencheur de l'expression</member>
        <member><computeroutput>&lt;expression&gt;</computeroutput>
        est l'expression complète</member>
        <member><computeroutput>&lt;catégorie&gt;</computeroutput> est
        la catégorie linguistique de l'expression</member>
        <member><computeroutput>&lt;forme
        normalisée&gt;</computeroutput> est la forme normalisée de
        l'expression</member>
      </simplelist>
      
      De plus, dans le déclencheur et l'expression, les éléments
      suivants peuvent être précisés:
      <itemizedlist>
        <listitem><para><emphasis>tête</emphasis>: si le mot est tête
        de l'expression, il est précédé par "&amp;"</para>
        </listitem>
        <listitem><para><emphasis>lemme</emphasis>: si le mot est un
        lemme, il est précédé de sa catégorie entre crochets</para>
        </listitem>
        <listitem><para><emphasis>mots en incise</emphasis>: si un mot
        peut s'insérer dans l'expression mais ne fait pas partie de
        l'expression, on indique la présence éventuelle de ce mot par
        sa catégorie entre parenthèses.</para>
        </listitem>
      </itemizedlist>
      
      Pour exprimer des conditions plus complexes, il est conseillé
      d'utiliser plutôt le format des règles de reconnaissance
      d'expressions.

      </para>

      <para>Dans ce format, la règle de reconnaissance de l'expression
      "<emphasis>avoir tendance</emphasis>" sera écrite (en autorisant
      l'insertion d'un adverbe entre "<emphasis>avoir</emphasis>" et
      "<emphasis>tendance</emphasis>"):

      <programlisting>D;;A;tendance;[V]&amp;avoir (D) tendance;verbe intransitif;avoir tendance</programlisting>
      </para>

      <para>
        Le format des catégories peut être le format symbolique, ou un
        format texte plus explicite (ici, "<emphasis>verbe
        intransitif</emphasis>" au lieu de
        "<emphasis>V---i---</emphasis>"). Si le format est un format
        texte explicite, un fichier de correspondance supplémentaire
        est nécessaire pour établir la correspondance entre ce format
        texte et la catégorie symbolique correspondante).
      </para>

      <para>
        La transcription de ce format dans le format de règle se fait
        par un script Perl (<emphasis>reformat_idioms.pl</emphasis>),
        dont le rôle est essentiellement de retrouver le déclencheur
        dans l'expression pour déterminer les parties gauche et
        droite, faire éventuellement le changement de catégorie (en
        lui indiquant quel fichier de correspondance de catégories
        utiliser), et changer la syntaxe des lemmes et mots en incise.
      </para>
    </section>

  </section>

  <section>
    <title>Dans la pratique</title>
    
    <para>Le script <emphasis>compile-user-idiom.sh</emphasis>
    encapsule les différentes instructions pour compiler les fichiers
    d'expressions idiomatiques. A l'aide de quelques tests simples, il
    essaye de deviner le format du fichier source et applique les
    filtres nécessaires (si besoin est) pour créer un fichier de
    règles puis le compile.
    </para>

    <para>L'application de ce script nécessite que l'environnement S2
    soit disponible (en particulier que le programme
    <emphasis>compile-rules</emphasis> soit accessible), et que
    l'environnement de compilation des ressources soit également
    disponibles (scripts de compilation et ressources spécifiques des
    langues). Cet environnement est mis en oeuvre par le fichier
    <emphasis>resources.env</emphasis> fourni avec les resources.
    </para>

    <para>Soit un fichier <emphasis>idiom-example-1.txt</emphasis>
    contenant les règles suivantes de reconnaissance d'expressions
    idiomatiques (pour reconnaître les expressions "appuyer sur le
    champignon", "tomber dans les pommes", se creuser la tête"):
    <programlisting>
set entityTypes=IdiomaticExpressions
set encoding=utf8

@AuxiliaireEtre=(être$L_V-L_VERBE_AUXILIAIRE_INDICATIF,
être$L_V-L_VERBE_AUXILIAIRE_SUBJONCTIF,
être$L_V-L_VERBE_AUXILIAIRE_INFINITIF)

champignon:&amp;appuyer$L_V sur le::ABS_IDIOM$V---i---:appuyer sur le champignon
pommes:&amp;tomber$L_V dans les::ABS_IDIOM$V---i---:tomber dans les pommes

&amp;creuser$L_V:$L_PRON-L_PRON_REFLEXIF [(@AuxiliaireEtre)] [($L_ADV{0-2})?]:[($L_ADV?)] la tête
:ABS_IDIOM$V---p---:se creuser la tête
+AgreementConstraint(left.1,left.2,"NUMBER")
+AgreementConstraint(left.1,left.2,"PERSON")

&amp;creuser$L_V:$L_PRON-L_PRON_REFLEXIF:[($L_ADV?)] la tête:ABS_IDIOM$V---p---:se creuser la tête
+AgreementConstraint(left.1,trigger,"NUMBER")
+AgreementConstraint(left.1,trigger,"PERSON")</programlisting>

    Il sera compilé à l'aide de la commande

    <programlisting>compile-user-idiom.sh idiom-example-1.txt</programlisting>    

    qui créera le fichier de règles compilé
    <emphasis>idiom-example-1.bin</emphasis>
    </para>

    <para>Si on prend un fichier
    <emphasis>idiom-example-2.txt</emphasis> contenant les règles
    au format simplifié suivantes:
    <programlisting>
;;A;champignon;[V]&amp;appuyer sur le champignon;verbe intransitif;appuyer sur le champignon
;;A;pommes;[V]&amp;tomber dans les pommes;verbe intransitif;tomber dans les pommes
;;A;[V]&amp;creuser;se (pp) [V]&amp;creuser la tête;verbe pronominal;se creuser la tête</programlisting>
    Il sera compilé à l'aide de la même commande

    <programlisting>compile-user-idiom.sh idiom-example-2.txt</programlisting>    

    qui créera le fichier de règles compilé
    <emphasis>idiom-example-2.bin</emphasis>
    </para>

    <para>Ces fichiers pourront alors être utilisés comme resources
    dans l'analyse en modifiant le fichier de configuration de
    l'analyse (<emphasis>S2-lp-xxx.xml</emphasis>).
    </para>
  </section>
</article>