Analyse distributionnelle en domaine de spécialité – ADDICTE

L’objectif du projet ADDICTE (Analyse distributionnelle en domaine de spécialité) est de proposer une solution opérationnelle à l’analyse sémantique distributionnelle en domaine de spécialité pour construire des représentations sémantico-conceptuelles du domaine (ontologies de domaine, thésaurus, ressources terminologiques) qui sont utilisables à la fois en ingénierie des connaissances et dans certaines applications documentaires (indexation de documents notamment).

Aujourd’hui les modèles d’analyse distributionnelle performants fournissent des ressources « prêt-à-porter » construites à partir de très gros corpus tout-venant de langue générale. Ces word embeddings génériques ne sont pas suffisants pour représenter la sémantique en domaine de spécialité, et il est donc nécessaire de les construire sur la base de corpus spécialisés. Or, les corpus de textes spécialisés présentent des caractéristiques problématiques pour l’application de ces méthodes distributionnelles, dont l’efficacité est corrélée à la quantité de données disponibles. D’une part, ces corpus sont de taille modeste (généralement en deçà du million de mots) par comparaison aux très grand corpus de langue générale. D’autre part, les unités terminologiques, et en particulier les termes complexes, y prédominent qui, par leur spécificité, réduisent encore le volume des contextes mobilisables pour le calcul sémantique. En revanche, ces données présentent des caractéristiques intéressantes pouvant être exploitées par un système d’analyse distributionnelle : ces textes sont généralement très structurés, le lexique est réduit, des ressources sémantiques sont souvent disponibles et peuvent être injectées dans le processus d’analyse.

Dans ce contexte, l’originalité d’ADDICTE est de venir interroger et croiser les approches fondatrices en analyse distributionnelle et textes de spécialité. Trois aspects seront plus particulièrement étudiés : i) l’amélioration endogène des contextes distributionnels en prenant en compte des unités terminologiques qui véhiculent une part importante des connaissances d’un domaine de spécialité ; ii) l’amélioration exogène des contextes distributionnels en enrichissant les contextes distributionnels par des ressources externes (p. ex. corpus de spécialité proches ou des corpus d’un genre ou d’un type de discours différents) et iii) l'amélioration de la nature des contextes distributionnels en proposant une représentation distributionnelle pouvant tirer parti d’informations endogènes et exogènes.

Le projet ADDICTE entend donc proposer de nouvelles avancées, notamment en termes d’approches fondées sur une meilleure exploitation des caractéristiques linguistiques et terminologiques du matériau textuel, pour que l’analyse distributionnelle en domaine de spécialité puisse atteindre le même niveau de maturité que pour les grands corpus de langue générale. Le transfert des nouvelles méthodes prédictives développées dans le projet sera réalisé à travers à travers une bibliothèque logicielle d’adaptation au domaine (sous licence libre non contaminante).