\section{Orientation scientifique générale}

Les connaissances sont très généralement transmises par l'intermédiaire du langage, ce qui justifie que la Représentation des Connaissances, enjeu majeur de l'Intelligence Artificielle et des Sciences Cognitives, ait pour objectif de traiter les connaissances exprimées en Langage Naturel. De manière complémentaire, la compréhension de textes met en oeuvre des connaissances et des raisonnements qu'il est fondamental de décrire et modéliser.

L'équipe s'intéresse donc au langage, non pour ses propriétés en tant que système formel de signes, mais pour son pouvoir expressif, et à la Représentation des Connaissances, notamment en tant qu'outil mis au service du traitement du Langage Naturel.

Les travaux de l'équipe comportent à la fois des recherches à caractère fondamental et des recherches plus appliquées. L'évolution des thèmes de recherche de l'équipe a mené à travailler dans trois directions principales :
\begin{description} 
\item[Compréhension fine de textes] Il s'agit étudier finement, pour le modéliser, le calcul sémantique entrant dans certains phénomènes interprétatifs (liés au pluriel, au temps, aux normes).
\item[Sémantique de corpus] Ce thème vise à développer des outils destinés à faciliter l'accès au contenu de documents techniques ou de vastes bases textuelles, comme le Web, 
\item[Ingénierie des connaissances textuelles] Ce troisième thème a pour objectif de développer des outils d'ingénierie des connaissances à partir de textes.
\end{description}
Ces activités sont détaillées ci-dessous comme trois thèmes de recherche distincts. En réalité, elles sont fortement liées. L'objectif commun est de développer des méthodes permettant de modéliser, à des degrés divers, le contenu des textes et documents, soit pour y faciliter la navigation et la recherche d'information, soit pour en restituer l'information factuelle, soit encore pour construire un modèle du domaine. Les recherches plus fondamentales du thème «~compréhension fine de textes~» nourrissent la réflexion du thème «~sémantique de corpus~», même si la nécessaire robustesse des traitements sur corpus imposent des simplifications. Le thème «~ingénierie des connaissances à partir de textes~» exploite les résultats des deux premiers thèmes pour élaborer des ontologies fondées sur les connaissances textuelles. Ces thèmes sont également liés à ceux de l'équipe A3 pour tout ce qui concerne l'apprentissage à partir de données textuelles. % mais les connaissances ainsi acquises servent également de support à la compréhension des textes.

Ces questions sont abordées à travers l'étude de différents problèmes applicatifs et dans le cadre de projets collaboratifs variés. La diversité des domaines et des corpus étudiés permet de tester nos hypothèses de travail et de mettre en oeuvre nos méthodes sur des problèmes concrets tout en testant leur robustesse. Nous avons étudié plus particulièrement les problématiques suivantes~:
\begin{description}
\item[Corpus de constats d'accident] L'équipe \acs{RCLN} poursuit ses recherches sur la compréhension des constats d'accident, notamment pour ce qui concerne l'analyse des normes qui sont implicites dans les textes mais qui en conditionnent l'interprétation (projet \textsc{micrac}).
\item[Corpus de génomique] Nous poursuivons également notre travail d'analyse de la bibliographie en génomique : il s'agit à la fois d'extraire des informations sur les interactions géniques (projet ExtraPloDocs) et et de développer un moteur de recherche spécialisé (projet \textsc{alvis}).
\item[Documents médicaux] L'ensemble de l'équipe s'est engagé dans la conception de méthodes et d'outils d'accès au contenu des documents médicaux, depuis deux ans et à la faveur du projet  ACTMed. Ce projet est un Programme Pluriformations commun à trois laboratoires de l'Université Paris 13\footnote{Le \acs{LIPN}, le Laboratoire de Linguistique-Informatique de Paris 13 (\acs{LLI}) et le laboratoire d'Informatique Médicale et Bioinformatique (\acs{LimBio})}. Il a été lancé en 2005 pour quatre ans. L'ambition de ce projet est de créer un pôle d'expertise rassemblant des compétences en traitement automatique des langues, ingénierie des connaissances, analyse de l'information médicale et linguistique. Ce projet permet de fédérer et de concrétiser des résultats obtenus à travers les trois thèmes de recherche de l'équipe \acs{RCLN}. 
\item[Corpus de directives européennes] Depuis deux ans, nous avons commencé à travailler sur le domaine juridique pour construction des ressources juridique, à la faveur de notre participation au projet \textsc{lois}\footnote{Le \acs{LIPN} à été associé à ce projet, mais sans financement.}. Nous souhaitons développer ce nouveau champ de recherche dans les prochaines années, notamment au travers de collaborations avec des partenaires européens.
\end{description}

%A côté de ces travaux scientifiques, l'équipe \acs{RCLN} a eu une importante activité en matière d'animation de la recherche :
%\begin{itemize}
%\item Depuis 2001, elle a organisé une série de séminaires « en duo » sur le thème « Connaissances, Langue et Informatique » ;
%\item Les membres de l'équipe ont fortement contribué à l'activité de groupes de travail pluridisciplinaires, soit comme animateur (TIA, A3CTE) soit comme participant (action spécifique ASSTICCOT).
%\item Qu'est-il pertinent de mettre à ce stade '...
%\end{itemize}

\section{Thèmes de recherche}
%\subsection{Introduction}
\subsection{Compréhension fine des textes}

Ce thème s'attache à rendre compte d'une compréhension
fine des textes qui  s'oppose aux analyses nécessairement plus simples requises pour un traitement de corpus et qui se définit pour nous comme la capacité
à tirer du texte des inférences adéquates.
%L'idée générale est que la compréhension d'un texte ne fonctionne pas comme la composition récursive d'unités (lexicales, syntagmatiques, etc.), et que la compositionnalité n'est qu'une possibilité, employée pourrait-on dire par défaut.

Dans cet objectif, et à travers l'étude de certains phénomènes interprétatifs complexes, comme la référence aux événements, le pluriel ou les normes, nous examinons la dynamique du processus
interprétatif et les principes sur lesquels il repose.
Nous en dégageons plusieurs idées fortes :
\begin{itemize}
\item L'hypothèse de compositionnalité, généralement retenue pour le calcul
du sens des expressions complexes, se heurte à des difficultés majeures
et il est préférable d'envisager d'autres formes de calcul sémantique plus plausibles
cognitivement \cite{GAYRAL:2004:CCSD-00092218:1}.
\item Ce processus interprétatif mobilise des connaissances de
différents niveaux (sémantiques : lexicales et grammaticales,
connaissances liées au domaine, au type du textes) qu'il faut
représenter et dont il faut examiner les interactions.
\item La prise en compte de l'incertain, la non monotonie du
raisonnement et son caractère analogique sont essentiels.
\end{itemize}

\subsubsection{Comprendre les relations temporelles}
%À coté de l'analyse du temps dans l'ontologie des objets et des collections qui intervient dans l'interprétation des pluriels, 
Nous nous intéressons à la compréhension des relations temporelles entre événements, qu'elles soient marquées syntaxiquement ou implicites. On peut à l'heure actuelle contraster la finesse des analyses linguistiques (sémantique lexicale et sémantique des événements, notamment) qui distinguent la position de l'événement sur l'axe des temps (passé, présent, futur), sa dynamique interne (état, événement, processus), son aspect (duratif ou ponctuel, borné ou indéfini, continu ou itératif) et une variété de relations de succession (succession immédiate ou distante, transitions progressives ou brutales), avec le caractère plus rudimentaire des représentations calculables (essentiellement l'axe des réels ou des entiers, ou les relations d'une algèbre d'intervalles). 

C'est à cette complexité de la représentation des événements que s'est intéressé le projet dirigé par François Lévy dans le programme interdisciplinaire \textsc{tcan} du \acs{CNRS}. L'accent à été mis sur la reconnaissance d'événements itératifs et l'analyse/représentation de leur aspect. S'agissant d'événements simples (non itératifs), l'extension proposée par
L.~Gosselin de la théorie de Reichenbach à des intervalles permet de rendre compte assez finement de l'aspect avec des règles automatisables : à chaque événement est attaché un intervalle d'énonciation, un intervalle de procès et un intervalle de référence (celui sur lequel l'attention est attirée, et qui peut ne recouvrir que partiellement ou même pas du tout le procès). L'étude menée dans le groupe a montré que l'itération met l'accent diversement sur les séries d'intervalles que l'on peut construire, en focalisant soit sur la série en tant que telle, soit sur l'intervalle global la contenant. On peut en rendre compte en combinant des constructeurs d'intervalles complexes. Les difficultés rencontrées sont liées à la délimitation des cadres de discours. %Un compte-rendu de ce travail a été fait dans un rapport interne "XXX cite(Lévy \&al 05]", et 
Un corpus de 18~000 exemples de phrases itératives extraites du journal \textit{Le Monde} a été réalisé. %"XXX cite{Lévy 05}".

Par ailleurs, une étude sur le temps et l'aspect dans le corpus des constats d'accident se poursuit. Catherine Recanati, en collaboration avec l'équipe \acs{A3}, explore la possibilité de faire apparaître des séquences de motifs verbaux, participant d'un niveau
discursif de granularité frontière entre syntaxe et sémantique (les
étiquettes sont par exemple le temps grammatical doublé de la catégorie
aspectuelle lexicale du verbe). Les algorithmes utilisés relèvent de
l'apprentissage numérique non supervisé (connexioniste et stochastique).

\subsubsection{Réexaminer le concept de cause, extraire des normes}

Nous avons entrepris depuis quelques années de réexaminer le concept de
cause. En effet, il nous semble que mettre à la base d'une théorie
sémantique les notions de référence et de conditions de vérité n'est pas
satisfaisant pour rendre compte du processus de compréhension. En
revanche, beaucoup plus que la dichotomie du vrai et du faux, la
compréhension semble utiliser le contraste entre le normal et l'anormal,
et ceci est particulièrement visible lorsqu'on analyse l'usage courant
de la causalité. 

Daniel Kayser et Farid Nouioua ont repris le travail sur un corpus de
constats d'accidents qui avait fait l'objet d'études antérieures au sein de l'équipe. Il apparaît  que, parmi les causes d'accident qui peuvent être données
(p.ex. la présence d'essence dans le réservoir est une
condition nécessaire pour qu'une voiture roule, donc pour qu'elle
dérape), seules celles qui sont perçues comme des anomalies (la présence
d'une flaque d'huile sur la chaussée) sont effectivement pertinentes \cite{KAYSER:2004:CCSD-00091633:1}.
D. Kayser et F. Nouioua essayent donc de rendre compte du raisonnement tenu par le lecteur
pour trouver la cause de l'accident, au moyen de règles d'inférence
non-monotones (voir ci-dessous) \cite{KAYSER:2005:CCSD-00091643:1}. La méthode sera validée si, sur un
échantillon différent de celui ayant servi à faire l'analyse, le
système identifie la cause de l'accident comme l'aurait fait un lecteur
humain. 

Cette méthode d'extraction
des normes peut avoir des conséquences importantes en
sémantico-pragmatique, car les inférences tirées de normes
sont beaucoup plus riches que les inférences sémantiques
habituelles, fondées sur la préservation de la vérité.

Une première synthèse de cette approche de la causalité, ainsi qu'une
étude concernant les réseaux bayésiens, a été publiée \cite{LEVY:2004:CCSD-00088705:1} dans un numéro spécial de revue sur le raisonnement
causal, numéro dont le \acs{LIPN} a pris l'initiative et qu'il a
piloté.

Ce travail se prolonge actuellement dans le cadre d'un projet
inter-disciplinaire soutenu par l'Agence Nationale de la Recherche
(projet \textsc{micrac} : Modèles Informatiques et Cognitifs du RAisonnement
Causal) qui associe un Laboratoire de Psychologie (Toulouse Le Mirail)
et trois Laboratoires d'Informatique (\textsc{irit}, \textsc{cril}, \acs{LIPN}) pour recenser
différentes approches philosophiques, logiques, et informatiques de la
causalité et tester celles qui correspondent le mieux au raisonnement
causal humain.


\subsubsection{Interpréter le pluriel}

L'étude de l'interprétation sémantique du pluriel que nous avons
réalisée à partir d'exemples extraits d'articles de journaux nous a
conduits au constat suivant : les problèmes sémantiques soulevés sont
beaucoup plus divers et riches que ceux évoqués par la littérature
traditionnelle traitant de ce sujet, loin de la seule dichotomie entre
lecture distributive et lecture collective généralement relevée.

Nous avons mis en évidence le rôle du temps qui intervient de façon
essentielle à la fois dans la construction des collections associées aux
expressions plurielles et dans leur évolution. En effet, la
compréhension de nombreux énoncés oblige les expressions plurielles à
être considérées à différents instants. Françoise Gayral, Daniel Kayser et François Lévy ont montré que deux interprétations sont possibles 
\cite{GAYRAL:2004:CCSD-00092223:1} : une interprétation que nous
appelons \emph{de re} où la collection est composée d'éléments fixes même si chaque élément a des propriétés qui évoluent
dans le temps (énoncé 1 ci-dessous) et une interprétation \emph{de dicto} où la collection persiste
alors que ses éléments changent. Dans l'énoncé~2 en effet, l'expression "les bacheliers"
convoque deux réalisations distinctes de la même collection \emph{de dicto}
(les bacheliers de l'an dernier et les bacheliers de cette année).
F. Gayral, D.Kayser et F. Lévy  ont également étudié les différents cas où une partition de la
collection en sous-ensembles était indispensable à l'interprétation de
la phrase \cite{GAYRAL:2003:CCSD-00092208:1}.
\begin{enumerate}
\item \emph{Les bacheliers de ma classe sont maintenant inscrits à
l'université.}
\item \emph{Les bacheliers sont moins nombreux
cette année que l'an dernier.}
\item \emph{Moins nombreux, les étudiants proviennent
de plus en plus d'Europe et de moins en moins d'Afrique.}
\end{enumerate}

F. Gayral, D.Kayser et F. Lévy ont par ailleurs montré comment les trois questions ci dessus (caractère \emph{de re/de dicto} des collections, existence de partitions et
critère sur lequel s'effectue le partitionnement, caractère distributif
ou collectif de la (des) prédication(s) s'appliquant à l'expression
plurielle) sont extrêmement liées et mobilisent des connaissances
de différents niveaux. L'étude de nombreux énoncés attestés a montré qu'il est impossible de ne s'intéresser qu'à une de ces
questions, de l'isoler et d'y répondre sans faire intervenir la réponse
aux autres. Dans l'énoncé 3 par exemple, l'interprétation du seul pluriel "les
étudiants" donne lieu à
la création d'au moins six ensembles et à différentes prédications
concernant ces étudiants, prédication collective pour leur dénombrement,
distributive pour leur provenance.

% \subsubsection{Réexaminer le concept de cause, extraire des normes}
% Nous avons entrepris depuis quelques années de réexaminer le concept de
% cause. En effet, il nous semble que mettre à la base d'une théorie
% sémantique les notions de référence et de conditions de vérité n'est pas
% satisfaisant pour rendre compte du processus de compréhension. En
% revanche, beaucoup plus que la dichotomie du vrai et du faux, la
% compréhension semble utiliser le contraste entre le normal et l'anormal,
% et ceci est particulièrement visible lorsqu'on analyse l'usage courant
% de la causalité. Nous avons en effet repris le travail sur un corpus de
% constats d'accidents que nous avions déjà étudié auparavant et nous
% sommes rendus compte que, parmi les causes d'un accident qui pourraient
% être données (p.ex. la présence d'essence dans le réservoir est une
% condition nécessaire pour qu'une voiture roule, donc pour qu'elle
% dérape), seules celles qui sont perçues comme des anomalies (la présence
% d'une flaque d'huile sur la chaussée) sont effectivement pertinentes.
% Nous essayons donc de rendre compte du raisonnement tenu par le lecteur
% pour trouver la cause de l'accident, au moyen de règles d'inférence
% non-monotones (voir ci-dessous). Notre méthode sera validée si, sur un
% échantillon différent de celui ayant servi à faire l'analyse, notre
% système identifie la cause de l'accident comme l'aurait fait un lecteur
% humain. Cette méthode d'extraction des normes d'un domaine à partir de
% données textuelles, si elle est validée, peut avoir des conséquences
% importantes, non seulement en sémantico-pragmatique (les inférences
% tirées de normes sont beaucoup plus riches que celles obtenues par une
% approche véri-conditionnelle), mais aussi dans le domaine de
% l'indexation : il serait en effet très utile de pouvoir indexer un
% document en fonction de la ou des normes d'un domaine auxquelles il fait
% référence. % expliquer pourquoi, ce n'est pas évident  (AN)
% 
% Une première synthèse de notre approche de la causalité, ainsi qu'une
% étude concernant les réseaux bayésiens, a été publiée\cite{KAYSER:2004:CCSD-00091636:1},
% Intellectica] dans un numéro spécial de revue sur le raisonnement
% causal, numéro dont le \acs{LIPN}. a pris l'initiative et qu'il a
% entièrement piloté.
% 
% Ce travail se prolonge actuellement dans le cadre d'un projet
% inter-disciplinaire soutenu par l'Agence Nationale de la Recherche
% (projet MICRAC : Modèles Informatiques et Cognitifs du RAisonnement
% Causal) qui associe un Laboratoire de Psychologie (Toulouse Le Mirail)
% et trois Laboratoires d'Informatique (IRIT, CRIL, LIPN) pour recenser
% différentes approches philosophiques, logiques, et informatiques de la
% causalité et tester celles qui correspondent le mieux au raisonnement
% causal humain.

\subsubsection{Représenter les procédures interprétatives}

Dans beaucoup d'approches en linguistique
computationnelle ou en sémantique formelle, interpréter une phrase est vu comme l'application
d'un mécanisme récursif combinant des informations lexicales et syntaxiques.
L'hypothèse sous-jacente est l'hypothèse de compositionnalité qui
postule que le sens d'une expression complexe est déterminé par sa
structure et par le sens de ses constituants.

Françoise Gayral, Daniel Kayser et François Lévy développent trois critiques
majeures pour montrer que cette hypothèse est inapte à rendre compte de
l'activité de compréhension \cite{GAYRAL:2005:CCSD-00084948:1}.
\begin{itemize}
\item En considérant la polysémie comme une
énumération de sens, elle oblige à considérer le processus interprétatif
comme un
processus de désambiguisation parmi des listes prédéfinies de sens alors
que de nombreux glissements de sens
difficilement prévisibles peuvent intervenir en contexte.
\item par le « localisme » et l'incrémentalité du processus qu'elle
implique, elle ne fait dépendre le sens d'une expression complexe que du
sens de ses constituants et de sa
structure au détriment d'autres facteurs dont nous montrons au contraire
l'importance.
\item par le but qu'elle fixe au processus interprétatif (construire une
représentation unique du sens de l'expression et donc de chacun de ses
composants), elle empêche de rendre compte du phénomène de
<<~coprésence~>> dans lequel un même mot peut prendre des sens différents
suivant la partie de la phrase auquel on le rattache alors que cette
coprésence est courante dans les textes.
\end{itemize}
 
A partir de cette critique, nous proposons une autre approche basée sur
une logique non-monotone dans laquelle nous tentons d'exprimer les
règles d'interprétation \cite{KAYSER:2005:CCSD-00091645:1}. Nous avons choisi la logique des défauts de
Reiter par les avantages qu'elle procure. Par la capacité à exprimer des
règles
de défaut, ce formalisme permet de rétablir la notion d'exception dans
la position importante qu'elle a en grammaire, position d'où les
théories purement compositionnelles l'avaient évincée. Il autorise la
non-monotonie du raisonnement, c'est-à-dire la remise en cause de
conclusions jusque-là acquises. Grâce à la notion d'extension définie
comme la solution d'une équation de point fixe, il rend compte de la
circularité liée à l'influence du contexte sur l'interprétation d'un
mot, sachant que le mot influe lui aussi sur l'interprétation de son
contexte. En contrepartie, le principal problème de ce type d'approches
est celui du contrôle : il est absolument nécessaire de bloquer la
dérivation de certaines valeurs sémantiques si celles-ci s'avèrent
inadéquates et, à l'inverse, d'en privilégier d'autres \cite{KAYSER:2003:CCSD-00091608:1}.

%Il se trouve que cette logique semble également particulièrement bien
%adaptée pour modéliser les connaissances des « Guides de bonne
%pratique » médicale, que nous analysons dans le cadre du Projet ACTmed
%[rapport de stage Gheerbrant].

En marge de ces travaux sur la logique des défauts, nous explorons d'autres voies pour modéliser la prise en compte de
l'incertain dans les processus interprétatifs. Dans le cadre de sa thèse
sur la résolution d'anaphore qui est un problème de traitement automatique épineux, Davy
Weissenbacher montre que les modèles graphiques probabilistes
comme les réseaux bayésiens \cite{Weissenbacher2006a} sont adaptés pour modéliser un faisceau de
connaissances à la fois incertaines, partielles et interdépendantes et
les exploiter pour identifier l'antécédent d'un pronom anaphorique.

Nous nous intéressons par ailleurs aux capacités <<~analogiques~>> mises en
oeuvre dans la compréhension du discours et dans le raisonnement humain.
Plusieurs psychologues et philosophes ont souligné en effet de manière
convaincante le caractère analogique de nos représentations cognitives.
Pour élucider cette notion, C. Recanati s'est attachée à caractériser
formellement la distinction texte/diagramme dans les raisonnements \cite{RECANATI:2005:CCSD-00085004:1}. 


\subsection{Sémantique de corpus}

En parallèle et en complément avec les analyses fines développées dans le cadre du thème précédent, nous explorons des méthodes d'analyses sémantiques adaptées au traitement de grandes quantités de texte.

Au-delà des techniques de recherche d'information qui associent un ensemble de documents à une requête, un enjeu majeur aujourd'hui concerne l'accès au contenu même des documents textuels. Il s'agit à la fois d'exploiter des documentations scientifiques et techniques et de maîtriser le contenu sémantique des pages web par l'ajout d'+s sémantiques interprétables par une machine (web sémantique) \cite{POIBEAU:2005:CCSD-00005507:1}. Dans tous les cas, accéder au contenu des documents repose sur une analyse sémantique partielle et robuste du corpus.

Ces travaux s'inscrivent dans un courant de recherche important qui se focalise sur les moteurs de recherche sémantiques, les techniques d'extraction d'information et de question-réponse. Notre approche de ces problèmes est originale à plusieurs égards~: nous mettons l'accent sur l'analyse de corpus spécialisés plutôt que sur des textes tout-venant ; nous articulons une analyse linguistique riche avec des techniques d'apprentissage et des méthodes d'acquisition de ressources ; nous cherchons à dépasser les frontières entre les techniques traditionnelles (recherche d'information, extraction d'information, question-réponse, navigation hypertextuelle) pour élaborer des approches plus riches de compréhension de textes.   

\subsubsection{Concevoir de nouvelles méthodes d'accès au contenu textuel}

En nous appuyant sur des outils d'analyse de corpus (voir plus loin), nous développons des méthodes facilitant l'accès au contenu textuel par le lecteur. Nous explorons en parallèle différentes approches, parfois sur les mêmes données, l'idée étant à terme d'arriver à combiner dynamiquement les différentes méthodes d'accès au contenu textuel \cite{NAZARENKO:2005:CCSD-00098028:1}:

\begin{description}
\item[Extraction d'information en biologie] Cette tâche consiste, dans un domaine restreint, à extraire des éléments d'information précis à partir d'un ensemble de textes homogènes et à remplir des formulaires prédéfinis avec ces éléments d'information. Elle vise soit à alimenter des bases de données à partir d'informations extraites des textes, soit à ajouter des annotations sémantiques explicites aux documents. L'équipe \acs{RCLN} travaille sur ces problème d'extraction depuis 1998 \cite{POIBEAU:2003:CCSD-00005506:1}, et plus particulièrement dans le domaine de la biologie depuis 2001. Notre participation à différents projets d'extraction d'information (ex. ExtraPloDocs) a montré le coût prohibitif de la tâche d'acquisition des ressources et notamment des règles d'extraction qui guident le processus d'extraction \cite{NEDELLEC:2005:CCSD-00097093:1}. Thierry Hamon, Adeline Nazarenko, Thierry Poibeau ont mis au point une méthode pour apprendre automatiquement ces  ressources à partir de corpus (voir figure~\ref{fig:acquisition}) en collaboration avec Erick Alphonse (équipe A3) et des spécialistes de l'unité MIG de l'INRA \cite{ALPHONSE:2004:CCSD-00098040:1}. Les résultats obtenus montrent l'intérêt des méthodes d'apprentissage relationnel et l'importance de la normalisation linguistique préalable pour l'apprentissage des règles d'extraction. Cette normalisation permet de représenter les données linguistiques en faisant abstraction des variations paraphrastiques de surface (voir figure ci-dessous), ce qui met en évidence des régularités sémantiques et permet l'apprentissage de règles d'extraction.
\floatstyle{plain} %<-- sans encadrement des figures
\restylefloat{figure}
\begin{figure}
\centering\noindent
\includegraphics[width=0.6\textwidth]{inputs/RCLN/AUTRES/annotation}
\caption{Exemple de texte enrichi d'annotations linguistiques. Les différents niveaux d'annotation correspondent à des description de plus en plus abstraites et normalisées du matériau textuel.}
%  \label{fig:budget_ratio_cercle}
\end{figure}
\floatstyle{boxed} %<-- avec encadrement des figures
\restylefloat{figure}

\item[Recherche d'information spécialisée] Nos travaux dans cette direction sont plus récents. Dans le cadre du projet ALVIS, le moteur de recherche spécialisé en biologie exploite les résultats de la plate-forme d'annotation présentée ci-dessous, adaptée à la biologie %(voir figure~\ref{fig:alvis}) 
\cite{NAZARENKO:2006:CCSD-00094950:1}. 
Nous cherchons tout d'abord à mesurer l'intérêt des annotations linguistiques et sémantiques pour l'indexation des documents et pour la visualisation des informations dans l'interface utilisateur (si 'cat' est un nom de gène, il est important qu'il soit reconnu comme tel par un étiqueteur d'entités nommées pour éviter qu'il ne soit confondu avec l'animal 'chat' par un moteur de recherche dédié à la biologie). Les expériences correspondantes sont en cours. Sylvie Salotti et Haïfa Zargayouna étudient par ailleurs ce que la prise en compte de la structure même du document  (structure XML) apporte à la recherche d'information. Dans le système qui a été développé par Haïfa Zargayouna, les termes sont désambiguïsés en fonction de leur
contexte d'apparition \cite{ZARGAYOUNA:2004:CCSD-00094619:1}, lequel est défini par les éléments de
structure des documents.
Ce système permet d'effectuer une recherche ciblée. Au-delà du document, il donne accès directement aux points d'entrée pertinents dans le document.
\floatstyle{plain} %<-- sans encadrement des figures
\restylefloat{figure}
\begin{figure}
\centering\noindent
\includegraphics[width=0.6\textwidth]{inputs/RCLN/AUTRES/Enrichissement}
\caption{Architecture de la plate-forme d'annotation de documents}
%  \label{fig:budget_ratio_cercle}
\end{figure}
\floatstyle{boxed} %<-- avec encadrement des figures
\restylefloat{figure}
%
%\begin{figure}[htbp]
%\begin{center}
%% \includefigtr{inputs/RCLN/AUTRES/Enrichissement}{scale=.4}{scale=.4}
%\includegraphics[width=0.6\textwidth]{inputs/RCLN/AUTRES/Enrichissement}
%\caption{Architecture de la plate-forme d'annotation de documents.}
%\label{fig:global}
%\end{center}
%\end{figure}

%
%Nous proposons un système d'indexation et de recherche dans une base
%documentaire spécialisée [refThese]. Le système exploite à la fois la structure explicite (XML) des documents et leur sémantique. Ce système s'appuie sur une ressource sémantique
%(ontologie,
%ressource terminologique) du domaine de spécialité. Les termes retenus pour
%l'indexation
%sont projetés sur cette ressource. Une mesure de similarité sémantique est
%proposée [ref IC] pour
%calculer la proximité sémantique entre ces termes. Le voisinage sémantique
%d'un terme est intégré
%au calcul de sa pondération distributionnelle. 
%les termes sont désambiguïsés en fonction de leur
%contexte d'apparition \cite{refCORIA}, lequel est défini par les éléments de
%structure des documents.
%Ces documents peuvent avoir des structures hétérogènes mais sont supposés
%homogénes d'un point de
%vue sémantique. Les éléments de structure peuvent aussi être reliés à la
%ressource sémantique ce qui
%permet en particulier de définir l'équivalence entre deux balises.
%Ce système permet d'effectuer une recherche ciblée. Au-delà du document, il donne accès directement aux points d'entrée pertinents dans le document.
%Les requêtes peuvent
%être posées par simples mots-clès ou peuvent elles mêmes être structurées.
%Nous proposons également
%un langage de requête par l'exemple où l'utilisateur peut spécifier les
%éléments de structure ainsi
%que le contenu dans un format XML. Nous nous intéressons actuellement au
%passage des requêtes en langage
%naturel en requêtes exprimées dans un langage d'interrogation formel (NEXI : Narrowed Extended XPath). Nous participons
%à la tâche NLQ2NEXI (Natural Langage Query to NEXI) de la campagne 2006
%d'Evaluation INEX (Initiative for the evaluation of XML Retrieval).
\item[Interrogation de documents]  
Poser des questions et avoir directement la réponse sans avoir à lire des documents est une ambition ancienne du traitement automatique des langues. C'est ce que visent les systèmes de question-réponse. Nous avons mis l'accent sur les systèmes spécialisés. En collaboration avec Pierre Zweigenbaum (équipe \textsc{inserm} U729, désormais \textsc{limsi}), Thierry Poibeau a développé un système de question-réponse médical et a participé à la campagne d'évaluation Technolangue EqueR (2004). Celle-ci a montré l'intérêt de la problématique des questions-réponses dans un domaine de spécialité. Nous pensons par ailleurs qu'exploiter la structure des documents permet de mieux guider l'interrogation. Sylvie Salotti et Haïfa Zargayouna ont défini un langage de requête par l'exemple où l'utilisateur peut spécifier les
éléments de structure ainsi
que le contenu dans un format XML et Victor Rosas montre comment traduire des requêtes en langue naturelle dans ce langage structuré. Ces travaux s'inscrivent dans cadre de la campagne 2006
d'Evaluation INEX (Initiative for the evaluation of XML Retrieval) mais ces travaux sont également testés en interne dans le cadre du projet ACTmed pour l'interrogation par les médecins des guides de bonne pratique médicale. La coopérativité des systèmes de question-réponse est aussi important pour leur meilleure utilisation et conviviabilité. Si la réponse exacte à une question n'est pas présente dans les textes, il peut être intéressant de proposer des réponses relâchant certaines contraintes de la question. Cette question de la coopérativité dans les systèmes de question-réponse a été abordée par Françoise Gayral en collaboration avec Patrick Saint-Dizier.
%
%Cette première expérience a été l'occasion de proposer l'utilisation de ressources terminologiques dans une optique de question-réponse. Comme en recherche d'information, nous cherchons à  L'un des enjeux était l'utilisation d'UMLS comme source d'entités nommées spécifiques au domaine. Sur 200 questions, le système a proposé 112 passages dont 16 corrects (3e ex aequo, moyenne globale de l'inverse des rangs, MRR=0,09) et 35 réponses courtes dont 12 correctes (2e ex aequo, MRR=0,06). Les réponses correctes obtenues portaient essentiellement sur les questions booléennes (MRR=0,33) et sur les définitions (en l'occurrence des sigles).
%
%Dans le cadre du Programme Pluriformations concernant l'accès au contenu des textes médicaux (projet ACTMed), nous nous intéressons particulièrement à l'interrogation par les médecins de Guides de Bonne Pratique Clinique (GBP). Ces documents rédigés par des comités d'experts sont peu consultés par les médecins en situation de prescription parce que le temps passé à chercher l'information est prohibitif. Nous étudions la conception de méthodes et d'outils visant à permettre aux médecins d'accéder directement dans un guide aux passages pertinents par rapport à une question donnée. Pour cela, nous exploitons d'une part les ressources sémantiques disponibles dans le domaine médical telles que UMLS pour adapter les techniques classiques de recherche d'information [stage Imen Mansour]. D'autre part, nous nous intéressons à l'exploitation de la structure des documents pour guider l'interrogation. Les GBP sont des documents assez fortement structurés bien que très peu d'entre eux aient été explicitement structurés en XML. Nous proposons une structure XML fondée sur une  typologie des questions médicales pour guider la recherche dans le document après l'analyse de la question [stage de Victor Rosas].
%
\item[Navigation documentaire]
Les méthodes d'analyse de corpus développées au sein de l'équipe \acs{RCLN}, notamment d'analyse terminologique, nous ont permis de mettre au point des techniques originales d'accès au contenu dans les documents qui  s'inspirent des approches traditionnelles en matière de consultation et de navigation documentaire. Le travail de thèse de Touria Aït El Mekki a conduit au développement d'IndDoc, un outil qui aide l'indexeur à produire un index de fin de livre \cite{AITELMEKKI:2004:CCSD-00098041:1} \cite{NAZARENKO:2005:CCSD-00098030:1}. Ce travail se poursuit aujourd'hui en collaboration avec Laurent Audibert et Haïfa Zargayouna. L'originalité de IndDoc par rapport à d'autres outils d'indexation tient à la qualité de l'analyse du contenu documentaire qui apporte une aide substantielle à l'indexeur pour la sélection de l'information. Cette approche a fait ses preuves dans la construction de l'index de la version électronique d'un ouvrage scientifique %\cite{charlet&al04} 
(voir figure ci-dessous)%~\ref{fig:index}) 
et elle suscite aujourd'hui l'intérêt des indexeurs professionnels \cite{ZARGAYOUNA:2006:CCSD-00092307:1}. Dans le prolongement de ces premiers travaux, Amanda Bouffier et Adeline Nazarenko ont proposé une méthode de navigation qui s'appuie sur une analyse terminologique des documents eux-mêmes, sur leur table des matières et sur un modèle du domaine.  L'outil de navigation interactif qui a été réalisé par Thibault Mondary est testé dans le cadre du projet ACTMed pour faciliter la consultation des Guides de Bonne Pratique Clinique (GBP) par les médecins. 
\end{description}
\floatstyle{plain} %<-- sans encadrement des figures
\restylefloat{figure}
\begin{figure}
\centering\noindent
\includegraphics[width=0.8\textwidth]{inputs/RCLN/AUTRES/index}
\caption{Version électronique de l'index de l'ouvrage \emph{Ingénierie des connaissances}, coordonné par R. Teulier \emph{et al}., L'Harmattan, 2005. L'écran est divisé en trois zones~: la table des matières à gauche, l'index à droite et une fenêtre de navigation dans le document. Le lecteur a consulté l'index et à l'entrée, <<~interview d'expert~>>, il a cliqué sur le lien <<~Benh-134>>~ (indiqué en rouge), ce qui provoqué l'affichage du passage correspondant dans la fenêtre de navigation. Cette interface repose sur une indexation sous-jacente du document qui a été réalisée par IndDoc.}
%  \label{fig:budget_ratio_cercle}
\end{figure}
\floatstyle{boxed} %<-- avec encadrement des figures
\restylefloat{figure}

%\begin{figure}[htbp]
%\begin{center}
%% \includefigtr{/Users/adelinenazarenko/adm/RCLN/rapportAct2006/labo/inputs/RCLN/AUTRES/index}{scale=.4}{scale=.4}
%includefigtr{inputs/RCLN/AUTRES/index}{scale=.4}{scale=.4}
%\caption{Version électronique de l'index de l'ouvrage \emph{Ingénierie des connaissances}, coordonné par R. Teulier \emph{et al}., L'Harmattan, 2005. L'écran est divisé en trois zones~: la table des matières à gauche, l'index à droite et une fenêtre de navigation dans le document. Le lecteur a consulté l'index et à l'entrée, "interview d'expert", il a cliqué sur le lien "Benh-134" (indiqué en rouge), ce qui provoqué l'affichage du passage correspondant dans la fenêtre de navigation. Cette interface repose sur une indexation sous-jacente du document qui a été réalisée par IndDoc.}
%\label{fig:index}
%\end{center}
%\end{figure}

\subsubsection{Développer des outils d'analyse de corpus}
\label{sec:outils}

Ces méthodes d'accès au contenu textuel s'appuient sur des outils d'analyse de corpus performants. Un effort important a été entrepris au sein de l'équipe \acs{RCLN} pour développer des outils d'analyse de corpus qui permettent d'explorer de nouvelles approches sémantiques, d'analyser le contenu textuel ou d'amorcer l'acquisition de connaissances. Différents  outils ont  été réalisés à la faveur des projets dans lequels l'équipe \acs{RCLN} a été impliquée depuis 2002~: 
\begin{itemize}
\item une plate-forme d'annotation linguistique a été conçue et développée par Thierry Hamon, secondé par Julien Derivière (ingénieur de recherche contractuel) \cite{DERIVIERE:2006:CCSD-00090753:1}\footnote{Cette plateforme d'annotation linguistique, développée en Perl, est
 disponible sous forme de module CPAN (Comprehensive Perl Archive
 Network -- répertoire des modules Perl développés dans le monde) à
 l'adresse suivante :
 http://search.cpan.org/~thhamon/Alvis-NLPPlatform-0.1/.}. Cette plate-forme d'annotation linguistique peut produire différents types d'annotation, sur le français et l'anglais. Elle intègre les modules ci-dessous. %(voir figure~\ref{fig:PFarchitecture}~: de nombreux modules y sont intégrés ou en passe de l'être. %les modules mentionnés ci-dessus y sont intégrés ; d'autres modules encore en développement doivent l'être (étiquetage sémantique, repérage de relations sémantiques, reconnaissance des anaphores).
\item divers modules d'analyse ont été réalisés : étiquetage des entités nommées (TagEN, Jean-François Berroyer et Thierry Poibeau), étiquetage terminologique (Thierry Hamon), analyse syntaxique spécialisée pour la biologie (BioLG, Sophie Aubin) \cite{PYYSALO:2006:CCSD-00082533:1}, désambiguïsation sémantique (Laurent Audibert), résolution d'anaphores (Davy Weissenbacher). 
\end{itemize}
%\begin{figure}[htbp]
%\begin{center}
%\includefigtr{/Users/adelinenazarenko/adm/RCLN/rapportAct2006/labo/inputs/RCLN/AUTRES/PlateForme}{scale=.4}{scale=.4}
%\caption{Architecture de la plate-forme d'annotation de documents.}
%\label{fig:global}
%\end{center}
%\end{figure}

Nous avons mis l'accent sur la robustesse des traitements ainsi que sur la rapidité de
l'annotation en proposant une architecture modulaire et distribuée.
Thierry Hamon et Julien Derivière ont montré l'efficacité de cette approche lors d'une première
expérience menée sur une collection de 55~329 documents en rapport
avec la biologie et issus du web (soit plus de 80 millions de mots) \cite{DERIVIERE:2006:CCSD-00090079:1}. Cette expérience a prouvé que, même s'il reste coûteux, ce processus d'annotation permet de gérer le flux de documents qu'un moteur de recherche spécialisé doit pouvoir indexer. Elle a également montré que notre plate-forme est plus robuste (par rapport au nombre de documents à traiter, à leur taille, à la qualité du nettoyage préalable des données) que les plates-forme concurrentes comme celle de GATE. 

Cette plate-forme est conçue pour être adaptée, sans chute de performance, à différents domaines ou à de nouveaux corpus par un processus de spécialisation. Cette spécialisation s'opère de deux manières : 
\begin{itemize}
\item Par l'exploitation de connaissances spécialisées (dictionnaires d'entités nommées, terminologie, ontologie, notamment)~: nous avons montré que l'ambiguïté de l'analyse syntaxique est réduite de 40\% \footnote{L'ambiguïté est mesurée à partir du nombre d'analyses différentes produites par phrase.} quand les connaissances terminologiques peuvent être prises en compte \cite{AUBIN:2005:CCSD-00082542:1}~;
\item Par le recours à des méthodes d'apprentissage à partir de corpus. Pour la désambiguïsation sémantique, Laurent Audibert  a montré que
l'impact de la qualité des
indices fournis aux algorithmes d'apprentissage est bien plus important
que la qualité intrinsèque des algorithmes employés. Les paramètres du module de résolution des anaphores peuvent eux aussi être adaptés pour un nouveau corpus par apprentissage : Davy Weissenbacher a modélisé le problème de la résolution des anaphores sous la forme d'un réseau bayésien dont les différents paramètres sont appris à partir des fréquences observées dans un corpus étiqueté  \cite{WEISSENBACHER:2006:CCSD-00095189:1}.
\end{itemize}
% et il a proposé une méthode de sélection automatique des meilleurs indices  à
%utiliser dans le contexte du mot à désambiguïser : la combinatoire de
%cette sélection est telle qu'il faut utiliser des techniques
%d'optimisation, comme les algorithmes génétiques, pour y faire face \cite{laurent}.

En marge de ces travaux qui reposent sur l'analyse linguistique et pour répondre aux besoins internes de nos travaux de recherche, L.~Audibert a également développé des outils de manipulation et d'exploration de corpus~: Concordanta, XExplora et Explora.

\subsubsection{Analyser la structure des documents textuels}
\label{sec:struct}

Nos travaux sur l'accès au contenu textuel ont fait émerger une nouvelle thématique au sein de l'équipe RCLN. Il nous est apparu que la structure des documents est de première importance pour aider le lecteur à accéder à la bonne information, alors que l'accès à la documentation électronique s'est développé autour de méthodes
fondées sur l'analyse de mots clés ou de segments isolés de textes, qui ignorent largement la structure des documents.

Partant de ce constat, nous avons commencé à travailler sur l'analyse de la structure des documents. Il s'agit à la fois d'exploiter
les documents semi-structurés (en HTML ou en XML par exemple) pour
compléter l'information portée par le contenu textuel et, inversement, 
d'analyser le texte lui-même pour découvrir des séquences porteuses de sens
(titres, blocs informationnels cohérents, etc) et les mettre en relation.

%Ces recherches se déclinent selon plusieurs axes. 

%Nous avons tout d'abord
%choisi les Guides de Bonnes Pratiques médicales, au sein du projet ActMed,
%pour constituer un corpus de référence. 

A travers l'étude des Guides de Bonnes Pratiques médicales, choisis au sein du projet ActMed comme corpus de référence, Amanda~Bouffier et Thierry~Poibeau ont mis en évidence  des structures
sémantiques qui s'étendent au-delà de la phrase, comme des enchaînement
<<~conditions-actions" et qui sont essentielles pour la lecture et la compréhension
de ces documents. L'analyse de ces structures pose des problèmes
linguistiques fondamentaux : comment repérer ces séquences de textes~? A
partir de quelle combinaison d'indices~? Quelle est la portée d'une condition~? Le travail de thèse d'A.~Bouffier vise à répondre à ces questions, à partir d'une
analyse fine de documents médicaux. Il sera étendu afin de s'assurer de la
généricité de l'approche \cite{BOUFFIER:2006:CCSD-00085170:1}.

Ces recherches sont complétées par l'analyse fine d'autres éléments
pertinents comme les titres. En fonction de leur contenu, nous cherchons à
les typer selon une ontologie du domaine. Il s'agit d'aider à
l'interprétation du document afin d'offrir des parcours de lecture pertinents
et non linéaires, lors du passage au document électronique.

La prise en compte de la structure des documents doit permettre d'offrir de nouveaux moyens
d'accès aux textes et d'enrichir les outils d'accès au contenu présentés ci-dessus (outils de navigation, notamment).
%, les informations textuelles pouvant être représentées
%sous différentes formes, textuelles ou non (génération de tableaux,
%graphiques ou arbres de décisions). Ces recherches complètent donc
%naturellement celles visant à comprendre la dynamique du processus
%interprétatif (elles peuvent servir par exemple de base à une modélisation du
%raisonnement dans le domaine médical) et trouvent des applications dans les outils d'accès au contenu présentés ci-dessus (outils de navigation, notamment).


%Nous avons commencé, depuis deux ans et à la faveur de la thèse d'Amanda Bouffier, à travailler sur l'analyse et la structuration de documents longs. Une fois mise en évidence, cette structure peut en effet être exploitée par  la plupart des outils d'accès au contenu mentionnés ci-dessis. Le travail sur les systèmes de questions-réponses a montré par exemple que répondre à certaines questions (questions en « comment » par exemple) nécessite de renvoyer à l'utilisateur un morceau de texte pertinent, qui va souvent au-delà d'un simple syntagme (on a souvent affaire à une phrase ou un ensemble de phrases). C'est le cas aussi de certaines questions portant sur des aspects procéduraux au sein de documents médicaux. 
%La modélisation du raisonnement à partir de textes requiert aussi l'analyse, le découpage et la structuration logique des documents visés. Pour ce faire, nous travaillons, en collaboration avec des experts du domaine médical (notamment le \acs{LimBio}) à l'analyse de textes médicaux, les Guides de Bonnes Pratiques Médicales. 

%Ces documents en langue naturelle peuvent être balisés d'après une DTD XML (DTD Gem) qui rend mieux compte de leur structure logico-sémantique. Cette structuration peut être la base d'une modélisation facilitant l'accès à l'information, en représentant les enchainements de faits sous forme d'arbre de décisions par exemple.

%Ces recherches sont développées dans le cadre du projet Pluri-formations Actmed. Il s'agit également de l'aspect central de la thèse d'Amanda Bouffier qui porte sur les Guides de Bonnes Pratiques. Un projet plus récent (projet RNTL TextCoop) vise à étendre ces recherches à d'autres types de documents, en dehors du domaine médical.
 


\subsection{Ingénierie des  connaissances textuelles}

Le troisième volet des recherches de l'équipe \acs{RCLN} concerne l'acquisition de connaissances à partir de textes. Le développement de l'analyse de corpus a montré en effet qu'on peut s'appuyer sur le matériau textuel pour amorcer et guider le processus complexe d'acquisition qui vise à élaborer les ressources nécessaires aux systèmes à base de connaissances. %, en particulier les systèmes visant à analyser les textes mais pas exclusivement. 

Nos travaux sur ce thème s'inscrivent dans un courant de recherche actif en France depuis une dizaine d'années, qui est en partie animé par le groupe de travail «~Terminologie et Intelligence Artificielle~» dont Brigitte Biébow, Adeline Nazarenko et Sylvie Szulman sont membres. Ces travaux rejoignent les recherches plus récentes qui sont menées au niveau européen dans la perspective de la construction d'un web sémantique. L'ancienneté de nos recherches et la coopération étroite entre le traitement automatique des langues et l'ingénierie des connaissances, donne une place originale à l'équipe RCLN dans ce paysage scientifique. 

Nous mettons ici l'accent sur la constitution des bases de connaissances  terminologiques et conceptuelles (ontologies).   
%\begin{center}
%\includegraphics[width=0.6\textwidth]{inputs/RCLN/AUTRES/acquisition}\\
%{\small ???}
%\end{center}


\subsubsection{Construire des ressources terminologiques à partir de corpus}

La construction des ressources lexicales constitue souvent le goulot d'étranglement des systèmes de traitement de corpus : les dictionnaires de langue sont généralement peu adaptés, les ressources lexicales spécialisées sont rarement disponibles et toujours difficiles à réutiliser. Nous développons des méthodes et des outils d'aide à la construction de ces ressources terminologiques pour un corpus et en fonction d'une tâche donnée. Nous travaillons dans deux directions spécifiques~: l'extraction des termes et celle des relations qu'ils entretiennent.
\begin{description}
\item[Extraction de termes] Sophie Aubin et Thierry Hamon ont proposé une méthode hybride qui combine l'acquisition de connaissances en corpus et l'exploitation de ressources terminologiques existantes. Les résultats montrent que la combinaison des deux approches permet d'obtenir de meilleurs résultats que l'une ou l'autre des deux approches prise isolément. Cette méthode a été implémentée dans l'extracteur de termes YaTeA (pour Yet Another Term ExtrActor)
\cite{AUBIN:2006:CCSD-00090074:1}. Le système effectue une analyse syntaxique superficielle
d'un corpus pour identifier des termes candidats et utilise en parallèle une ressource terminologique du domaine
pour adapter le processus
d'extraction de termes à ce domaine en reprenant en compte certaines de
ses caractéristiques.
L'exploitation de ressources lexicales ne va cependant pas de soi: il
est important d'identifier leur adéquation au corpus. Adeline Nazarenko et Goritsa Ninova
ont proposé une définition formelle de la couverture à partir de
quatre métriques qui donnent une vue globale de la pertinence
d'une ressource pour un corpus \cite{NINOVA:2005:CCSD-00084841:1}.
%ces métriques lors de la confrontation de cinq terminologies biomédicales avec 4
%corpus différents, a permis d'identifier différents types de
%relations entre les corpus et des ressources:x notamment la sélection
%à partir d'un échantillon, et le reflet de la langue de spécialité d'un
%corpus par une ressource,

%
%L'analyse de la contribution de cinq ressources terminologiques (parmi
%lesquelles, le MeSH et GeneOntology) pour l'indexation de corpus de
%résumés d'articles scientifiques issus de Medline a permis de bien
%identifier le problème. Si la combinaison du MeSH, de Gene Ontology et
%d'un glossaire de biochimie et de Gogie moléculaire couvre jusqu'à
%97~\% des termes identifiés par les cinq ressources, nous avons
%observé que la couverture des résumés est sujette à de grandes
%variations et l'utilisation de ressources contrôlées nous semble
%insuffisante pour l'identification exhaustive des termes en corpus. De
%plus, il est généralement trop coûteux d'exploiter conjointement
%plusieurs ressources.
%%
%Les applications de TAL étant de plus en plus guidées par le lexique,
%il est donc important de bien choisir la ressource qui sera exploitée,
%et de définir les critères pour ce choix. Si la notion de couverture
%lexicales est communément utilisée pour sélectionner une ressource,
%elle est défini de manière trop vague pour être utilisée comme critère
%et pour caratériser l'adéquation d'une ressource à un corpus.  Nous
%avons proposé une définition formelle de la couverture basée sur
%quatre métriques afin de d'avoir une vue globale de la pertinence
%d'une ressource pour un corpus \cite{Ninova&al2005}. L'utilisation de
%ces métriques lors de la confrontation de cinq terminologies sur 4
%corpus, nous ont ainsi permis d'identifier différents types de
%relations entre les corpus et des ressources:x notamment la sélection
%à partir d'un échantillon, et le reflet de la langue de spécialité d'un
%corpus par une ressource,
\item[Extraction de relations terminologiques] Nos premiers travaux avaient porté sur le repérage de liens de synonymie à l'aide d'un dictionnaire de langue générale, sur le calcul de similarité sémantique, et sur l'extraction de relation d'hyperonymie à l'aide de patrons lexico-syntaxiques \cite{GRABAR:2004:CCSD-00084817:1}. Touria Aït El Mekki et Adeline Nazarenko ont poursuivi dans cette voie en montrant comment ces différentes méthodes peuvent collaborer pour construire un réseau sémantique de termes. On peut ainsi construire des index de documents structurés où les différentes entrées de l'index sont organisées en niveaux hiérarchiques \cite{AITELMEKKI:2005:CCSD-00098036:1}. 
\end{description}

\subsubsection{Construire des ontologies à partir de corpus}

Les méthodes de construction d'ontologies restent un thème de recherche important de l'équipe RCLN : il s'agit  d'utiliser les textes commme sources de connaissances. % (Terminae) a été présenté à EKAW en 1999 par le LIPN (B. Biébow et S.Szulman) 
Brigitte Biébow et Sylvie Szulman ont développé Terminae, une méthode et un outil d'aide à la construction d'ontologies à partir de textes, qui ont été présentés en 1999. Cette méthode s'appuie sur une analyse préalable des corpus qui repose sur les principes linguistiques et des logiciels de TAL présentés ci-dessus. 

La méthode Terminae continue d'évoluer, d'une part dans la recherche d'éléments linguistiques permettant de modéliser les connaissances ontologiques, d'autre part dans l'intégration de ressources existante.
B. Biébow et S. Szulman ont présenté dans \cite{BIEBOW:2005:CCSD-00089085:1} %\cite{AUSSENACGILLES:2003:CCSD-00089149:1} 
un guide pratique de modélisation pour construire des ressources ontologiques à partir de textes. Le guide expose en détail comment l'utilisation de logiciels de traitement automatique des langues et de modélisation peut aider un analyste lors du dépouillement et de la fouille dans les données textuelles. Il précise pas à pas les différentes
étapes du travail en mettant en évidence la navigation entre les nombreux éléments de modélisation. La méthode devrait prochainement intégrer les relations linguistiques trouvées dans le corpus et utiles à la description d'un domaine \cite{DESPRES:2005:CCSD-00016690:1}.

L'outil Terminae a également évolué. Il permet désormais la visualisation des résultats des analyseurs syntaxiques tels Syntex\footnote{Développé par D. Bourigault, ERSS.} et Yatea \cite{}. Il intègre les résultats de Synoterm\footnote{Développé par T. Hamon.}. Le langage de description d'ontologie de Terminae autorise l'importation et l'exportation en OWL \cite{SZULMAN:2004:CCSD-00087557:1}. La technologie de plugin a été étudiée et une première implantation a été créée.

Ces différents travaux ont été effectuées dans le cadre de projets collaboratifs (ATONANT, LOIS) ou partenariat bilatéraux (TENNAXIA). %collaborations et/ou projets de recherche:
%\begin{itemize}
% \item Le projet Atonant (LaRIA, PSI-INSA, LIP6, LIPN, EADS, CHU Rouen) (Septembre 2003-Novembre 2005). L'objectif du projet ATONANT était de développer des outils d'aide à l'enrichissement semi-automatique d'ontologies qui pourraient être à terme intégrés au sein d'une plate-forme modulaire. Différents outils ont été prototypés dont un éditeur d'ontologie (Terminae) couplé à un éditeur mettant en oeuvre la méthode Ontospec développée au Laria.
%\item Le projet LOIS: en collaboration avec Sylvie Despres (CRIPS 5 - équipe IAD, nous avons été intégrés dans un projet de recherche international (LOIS - Lexical Ontologies for legal Information Sharing) dont la finalité est la recherche d'information multilingue dans des bases de données juridiques.  
%\item Le projet tennaxia (Février 2006 - Septembre 2006) qui visait à construire une ontologie à partir de textes réglementaires, dédiée à l'annotation de texte. 
%\end{itemize}

\subsubsection{Réutiliser des ressources termino-ontologiques existantes}

Une autre évolution de la méthode Terminae devrait permettre d'intégrer des ontologies génériques préexistantes pour soulager le travail de modélisation. En collaboration  avec Sylvie Després (CRIPS 5 - équipe IAD), Sylvie Szulman étudie différents aspects du problème~: l'alignement des ontologies et l'intégration d'ontologies de haut-niveau comme (Dolce) \cite{DESPRES:2005:CCSD-00089084:1}. 
%, nous avons présenté une méthodologie de construction d'ontologies de domaine intégrant la méthode Terminae ainsi que l'utilisation d'ontologies de haut-niveau comme (Dolce) \cite{DESPRES:2005:CCSD-00089084:1}.
La figure ci-après présente la méthode Terminae résultante qui a été testée essentiellement dans le domaine juridique, plus particulièrement l'étude de directives européennes \cite{DESPRES:2006:CCSD-00089148:1}.

\floatstyle{plain} %<-- sans encadrement des figures
\restylefloat{figure}
\begin{figure}
\centering\noindent
\includegraphics[width=0.6\textwidth]{inputs/RCLN/AUTRES/fusion}
\caption{Méthode de construction d'ontologie : application au domaine juridique.}
%  \label{fig:budget_ratio_cercle}
\end{figure}
\floatstyle{boxed} %<-- avec encadrement des figures
\restylefloat{figure}

Lorsque les ontologies produites sont utilisées pour l'analyse ou l'annotation de textes, au-delà de la fusion des ontologies acquises à partir de corpus et des ontologies préexistantes, se pose la question de l'articulation des connaissances qui servent à l'interprétation. Elles sont de différents niveaux~: connaissances terminologiques et ontologiques ressources morphologiques et syntaxiques utilisées pour l'analyse ou règles de désambiguïsation et d'extraction mobilisées dans les tâches d'étiquetage et d'extraction.  
L'articulation de ces différents niveaux de connaissances représente un défi important pour tout ce qui relève de l'annotation sémantique de documents et partant, du web sémantique. Cette question, que nous avons abordée de manière éparse à travers différents projets, constitue le sujet central de la thèse de Frederik Cailliau. Dans un contexte industriel, celui-ci développe un système complet de gestion des ressources linguistiques exploitées par le moteur de recherche de Sinequa, Intuition \cite{CAILLIAU:2006:CCSD-00098149:1}.  
Cette réflexion de fond, essentielle pour développer de véritables systèmes de compréhension de textes devrait être prolongée dans les prochaines années. 

%Sur ce thème, nous développons depuis ??? Terminae, qui est une méthode et un outil d'aide à la construction d'ontologies à partir de textes. Cette aide est fondée sur une analyse de corpus utilisant des principes linguistiques et des logiciel de TAL présentés ci-dessus. 

%Terminae continue d'évoluer. Du point de vue méthodologique, nous avons étudié et comparé les résultats de différents'outils linguistiques [Aussenac-Gilles Biébow Szulman TIA 2003] pour décrire les concepts d'une ontologie. Nous avons également élaboré une méthode permettant de réutiliser des ontologies existantes (voir \label{Ingénierie des ontologies}).

%L'outil Terminae a également évolué. Il permet la visualisation des analyseurs syntaxiques tels Syntex et Yatea [Hamon ']. Il intégre les résultats de Synoterm [Hamon ']. Le langage de description d'ontologie de Terminae autorise l'importation et l'exportation en OWL [Szulman Biébow IC 04]. La technologie de plugin a été étudiée et une première implantation a été créée.

%Ces différents travaux ont été soutenus par des collaborations et/ou projets de recherche:
%\begin{itemize}
% \item Le projet Atonant (LaRIA, PSI-INSA, LIP6, \acs{LIPN}, EADS, CHU Rouen) (Septembre 2003-Novembre 2005). L'objectif du projet ATONANT était de développer des outils d'aide à l'enrichissement semi-automatique d'ontologies qui pourraient être à terme intégrés au sein d'une plate-forme modulaire. Différents outils ont été prototypés dont un éditeur d'ontologie (Terminae) couplé à un éditeur mettant en oeuvre la méthode Ontospec développée au Laria.
%\item Le projet LOIS: en collaboration avec Sylvie Despres (CRIPS 5 - équipe IAD, nous avons été intégrés dans un projet de recherche international (LOIS - Lexical Ontologies for legal Information Sharing) dont la finalité est la recherche d'information multilingue dans des bases de données juridiques.  
%\item Le projet tennaxia (Février 2006 - Septembre 2006) qui visait à construire une ontologie à partir de textes réglementaires, dédiée à l'annotation de texte. 
%\end{itemize}
%
%\subsubsection{Réutiliser des ressources termino-ontologiques existantes}

%Une autre évolution de la méthode Terminae devrait permettre d'intégrer des ontologies génériques préexistantes pour soulager le travail de modélisation. En collaboration  avec Sylvie Despres (CRIPS 5 - équipe IAD), nous étudions différents aspects du problème: l'alignement des ontologies a fait l'objet d'un DEA (DEA F. Calvier), nous avons présenté  une méthodologie de construction d'ontologies de domaine intégrant la méthode Terminae ainsi que l'utilisation d'ontologies de haut-niveau comme (Dolce) [Despres Szulman IC 05]. Notre domaine d'application a été essentiellemnt le domaine juridique, plus particulièrement l'étude de directives Européennes. Ces travaux ont été publiés dans [Despres Szulman Journal of Artificial Intelligence and Law 2006].
% 
%Lorsque les ontologies produites sont utilisées pour l'analyse ou l'annotation de textes, au-delà de la fusion des ontologies acquises à partir de corps et des ontologies préexistantes, se pose la question de l'articulation des différents niveaux de connaissances qui servent à l'interprétation : connaissances terminologiques et ontologiques mais aussi les ressources morphologiques et syntaxiques utilisées pour l'analyse ainsi que les règles de désambiguïsation et d'extraction sur lesquelles reposent les tâches d'étiquetage et d'extraction.  
%L'articulation de ces différents niveaux de connaissances représente un défi important pour tout ce qui relève de l'annotation sémantique de documents et partant du web sémantique. Cette question que nous avons abordée de manière éparse à travers de différents projets constitue le sujet central de la thèse de Frédérik Cailliau. Dans un contexte industriel, celui-ci développe un système complet de gestion des ressources linguistiques exploitées par le moteur de recherche de Sinequa, Intuition \cite{cailliau06}.  
%Cette réflexion de fond, essentielle pour de développement de véritables systèmes de compréhension de textes devrait être approfondie dans les prochaines années.