XML comme format cumulatif : décrire la solidarité de différents niveaux d'annotation Journée Atala « Articuler les traitements sur corpus » 12/2/05 – Sylvain Loiseau (UMR 7114 Modyco)
I. Deux avantages d’XML Cumuler des annotations hétérogènes Quantifier les informations annotées
Hétérogénéité sémiotique des annotations Un encodage TEI minimal… <teiHeader> <!-- [...] --> </teiHeader> <text> <body> <lg> <l>C'est un trou de verdure où chante une rivière</l> <l>Accrochant follement aux herbes des haillons</l> <l>D'argent ; où le soleil, de la montagne fière,</l> <l>Luit : c'est un petit val qui mousse de rayons.</l> </lg> <l>Un soldat jeune, bouche ouverte, tête nue,</l> <l>Et la nuque baignant dans le frais cresson bleu,</l> <l>Dort ; il est étendu dans l'herbe, sous la nue,</l> <l>Pâle dans son lit vert où la lumière pleut.</l> <l>Les pieds dans les glaïeuls, il dort. Souriant comme</l> <l>Sourirait un enfant malade, il fait un somme :</l> <l>Nature, berce-le chaudement : il a froid.</l> <l>Les parfums ne font pas frissonner sa narine ;</l> <l>Il dort dans le soleil, la main sur sa poitrine</l> <l>Tranquille. Il a deux trous rouges au côté droit.</l> </body> </text> </TEI.2> teiHeader text [...] [...] body lg [...] l [...] C’est un trou de verdure [...]
encodage « poétique » TEI.2 <lg type="quatrain" rhyme='ABAB' ana="riche"> <l ana="f"> <sy>C'est</sy> <sy>un</sy> <sy>trou</sy> <sy>de</sy> <sy>ver</sy><sy>dure</sy><caesura/> <caesura /> <sy>où</sy> <sy>chante</sy> <sy>u</sy><sy>ne</sy> <sy>ri</sy><sy ana="synérèse">vière</sy> </l> <l ana="m">Accrochant follement aux herbes des haillons</l> <l ana="f">D'argent ; où le soleil,<caesura/>de la montagne fière,</l> <l ana="m">Luit : c'est un petit val<caesura/>qui mousse de rayons.</l> </lg> teiHeader text [...] [...] body lg type = quatrain l [...] [...] Note : pour assurer l’évolutivité de l’encodage, ne jamais mettre de « signifiant » dans une valeur d’attribut : TEI P 4 : <sic corr="bon">bof</sic> (impossibilité de découper en phonèmes) TEI P 5 : <choice><corr>bon</corr><sic>bof</sic></choice> ana = f sy caesura [...] [...] ana = caesura C’est
encodage morphosyntaxique l <l ana="f"> <s t="start" n="1"/ ><cl t="start" n="-1" ana="Principale"/ > <w n="1" lm="ce" ana="pos.pro ty.dem ass.d cat.s" ln="2"></w><sy>C' <w n="2" lm="être" ana="pos.v ty.main m.ind t.p nbr.s p.3" ln="3"></w>est</sy> <w n="3" lm="un" ana="pos.d ty.art fin.i g.m nbr.s" ln="2"></w><sy>un</sy> <w n="4" lm="trou" ana="pos.n ty.c g.m nbr.s" ln="4"></w><sy>trou</sy> <w n="5" lm="de" ana="pos.pre" ln="2"></w><sy>de</sy> <w n="6" lm="verdure" ana="pos.n ty.c g.f nbr.s" ln="7"></w><sy>ver</sy><sy>dure</sy> <cl t="end" /> <caesura /> <cl t="start" ana="Relative" /> <w n="7" lm="où" ana="pos.pro ty.rel" ln="2"></w><sy>où</sy> <w n="8" lm="chanter" ana="pos.v ty.main m.ind t.p nbr.s p.3" ln="6"></w><sy>chante</sy> <w n="9" lm="un" ana="pos.d ty.art fin.i g.f nbr.s" ln="3"></w><sy>u<sy></sy>ne</sy> <w n="10" lm="rivière" ana="pos.n ty.c g.f nbr.s" ln="7"></w><sy>ri</sy> <sy ana="synérèse">vière</sy> </l> ana = f caesura [...] s cl w w sy t = start ana = caesura [...] [...] lm = ce ana lm = ce ana C’est pos.pro pos.pro pos.v ty.main
Arborescence du format ou des données ? On peut sans doute dessiner de nombreux arbres de ce type [graphique] pour décrire la structure de cette anthologie. Certains de ces arbres peuvent être représentés comme une division supplémentaire dans l'arbre : par exemple, on peut diviser une ligne en mots, puisque aucun mot ne franchi la frontière du vers. C'est peut être étonnant, mais cette vue grossière et simplifiée de ce qu'est un texte (auquel Renear et al. on donné le nom de "Hiérarchie ordonnée d’unités de contenu" [?] (OHCO) [ordered hierarchy of content objects]) se révèle être très adaptée à la majorité des situations. http://www.tei-c.org/P4X/SG.html
Cumuler des annotations : bilan Exploiter l’expressivité du format Evolutivité de la structure Dans le temps de l’interprétation d’un corpus ou dans le temps plus long de sa conservation Exprimer des structures concurrentes Ex. : cumuler plusieurs annotations morphosyntaxiques les comparer, utiliser le meilleur de chacune d’elles, etc. Diversité qualitative des annotations Systèmes sémiotiques différents Encodage phonétique, syntaxique, morphologique, sémantique, etc. Signifié ou signifiant Diversité du statut des annotations De la désambiguïsation à l’interprétation « méta-données » ou données Typage des données (XQuery) ?
Quantifier les annotations (1) L’infoset XML On peut définir XML de deux façons : Par son format textuel (tel caractère est interdit à tel endroit…) Par l’arborescence formelle que ce format textuel représente : les différents nœuds, leur caractéristiques, etc. ; c’est l’infoset. Info-set = définition du format de données, de l’information qu’il modélise XML est un format arborescent contenant sept types de noeuds Seuls les nœuds de type « éléments » sont non terminaux Deux nœuds textes ne peuvent pas être adjacents Un nœud attribut contient du PCDATA, des NMTOKENS, ou, etc. L’ordre des éléments est signifiant (= un parseur le restituera) L’ordre des attributs n’est pas signifiant Etc… XML Information Set (Second Edition) : http://www.w3.org/TR/2004/REC-xml-infoset-20040204/
Quantifier les annotations (2) Avantages du format Tout ce qui est un élément de l’arborescence (exprimé dans l’infoset) est « homologué » Peut être mélangé dans les critères de requêtes Facilités offertes par les standards connexes à XML pour les requêtes et les quantifications Appliquer de (mauvais ?) traitements quantitatifs à des documents « narratifs » …XML n’est qu’une conjoncture favorable
II. Outillage
Objectif de l’outillage Deux principales tâches : Fusionner les annotations d’outils tiers avec un corpus en XML Extraire des quantifications à partir du corpus S’insérer entre les outils linguistiques (d’enrichissement) et les outils statistiques (d’exploitation)
Fusionner des annotations (1) Extraction d’un fichier texte avec XSLT Annotation de ce fichier texte avec Cordial Alignement du corpus encodé original et de l’annotation de Cordial C' ce Pd-..n est être Vmip3s un un Da-ms-i trou trou Ncms de de Sp verdure verdure Ncfs où où Ptr-..- chante chanter Vmip3s une un Da-fs-i rivière rivière Ncfs <lg><l>C'est un trou de verdure <caesura/> où chante une<choice><corr>rivière</corr><sic> rivèire</sic></choice></l> Projection des informations de Cordial dans le corpus original Question de la conversion des informations de Cordial en XML
Fusionner des annotations (2) Implémentation Convertir l’annotation de Cordial en format XML Fusionner les deux flux XML > Peut être utilisé avec tout autre outil, il suffit d’écrire une classe convertissant le format en XML Utilisation de flux : pas de limite de taille <l><s t="start" n="1"/><cl t="start" n="-1" ana="Principale"/><w f="S" n="1" lm="ce" ana="pos.pro ty.dem ass.d cat.s" ln="2"/>C'<w f="V" n="2" lm="être" ana="pos.v ty.main m.ind t.p nbr.s p.3" ln="3"/>est <w f="B" n="3" lm="un" ana="pos.d ty.art fin.i g.m nbr.s" ln="2"/>un <w f="B" n="4" lm="trou" ana="pos.n ty.c g.m nbr.s" ln="4"/>trou <w f="B" n="5" lm="de" ana="pos.pre" ln="2"/>de <w f="B" n="6" lm="verdure" ana="pos.n ty.c g.f nbr.s" ln="7"/>verdure<caesura></caesura><w f="-" n="7" lm="où" ana="pos.pro ty.rel" ln="2"/>où <w f="V" n="8" lm="chanter" ana="pos.v ty.main m.ind t.p nbr.s p.3" ln="6"/>chante <w f="T" n="9" lm="un" ana="pos.d ty.art fin.i g.f nbr.s" ln="3"/>une<choice><corr><w f="T" n="10" lm="rivière" ana="pos.n ty.c g.f nbr.s" ln="7"/>rivière</corr><sic>rivèire</sic></choice></l>
Extraire des quantifications Avantage d’un cadre séquentiel Pas de limitation en taille des corpus Fonctions implémentées dans des filtres indépendants arrangés en « pipeline » (modularité et facile à étendre) Possibilité de « découper » ou faire « bifurquer » le flux Efficacité pour les décomptes <r> <div> <d/> </div> <d> <div> </div> <div> </div> </d> </r> Parseur 1 2 4 5 6 3
Exemple de filtre (1) : sélection de sous corpus Utiliser les standards comme XSLT ou XQuery pour l’extraction de sous corpus « découper » le flux en documents de petites tailles pour appliquer la transformation sur chacun d’eux successivement. <div> ... </div> <div> ... </div> <div> ... </div> Dans ce filtre, chaque élément <div> (et son contenu) apparaît comme un document unique, l’un après l’autre. Ils peuvent être stockés en mémoire pour leur appliquer une transformation XSLT / XQuery ; puis le résultat est à nouveau converti en flux.
Exemple de filtre (2) : listes de fréquences Obtenir, pour chaque quatrain, des propriétés stylistiques (rime, enjambement, lexique, etc…) <lg type="quatrain" rhyme='ABAB' ana="riche"> <l ana="fem">C'est un trou de verdure<caesura/>où chante une rivière</l> <l ana="masc">Accrochant follement aux herbes des haillons</l> <l ana="fem">D'argent ; où le soleil,<caesura/>de la montagne fière,</l> <l ana="masc">Luit : c'est un petit val<caesura/>qui mousse de rayons.</l> </lg> Etape 1 : Sélection des <lg> avec l’attribut type=quatrain Etape 2 : Pour chaque <lg> reçu, décompter les valeurs des attributs voulus Etape 3 : mémoriser les listes de fréquences produites <lg> ... </lg> <lg> ... </lg> <lg> ... </lg>
Exemple de filtre (3) : concordancier les tiges qui meuvent les marionnettes — appelons-les la trame. On pourrait connaîtras la direction de l'écoulement. Cherche alors la plante qui, dans c ie a dû transporter les graines au loin. Suis les rigoles que l'eau a creusé e en fait des calques, prenez la pose ou suivez l'axe, stade génétique ou de re des photos, elle en fait des calques, prenez la pose ou suivez l'axe, sta la rabattre sur une photo de famille. Et voyez ce que fait Mélanie Klein ave hé son sort à celui de la linguistique). Voyez ce qui se passait déjà pour l de pivot ou les points de structuration. Voyez la psychanalyse et la linguis e américain : ne cherchez pas de racine, suivez le canal... ante la bible du dentiste américain : ne cherchez pas de racine, suivez le c et de s'enfoncer, et du processus qui ne cesse pas de s'allonger, de se romp ns l'esprit. Il s'agit du modèle, qui ne cesse pas de s'ériger et de s'enfon eporter sur les cartes et non l'inverse. Contre les systèmes centrés (même p Résumons les caractères principaux ent, de gauche à droite ou inversement : essayez et vous verrez que tout cha eur milieu. Essayez donc de les retenir, essayez donc de retenir un brin d'h point quelconque situé vers leur milieu. Essayez donc de les retenir, essaye
III. Deux exemples d’utilisation (Tirés de G. Deleuze, l’Anti-Œdipe, 1972)
1. Mesure de corrélations Sous-corpus des phrases interrogatives num | lemme | rate | freq | subfreq 1 | {att}{lm}t | 1.00000000000000000 | 77 | 50 2 | {att}{lm}quel | 1.00000000000000000 | 132 | 60 3 | {att}{lm}pourquoi | 1.00000000000000000 | 127 | 55 4 | {att}{lm}est-ce que | 1.00000000000000000 | 45 | 44 5 | {att}{lm}comment | 1.00000000000000000 | 169 | 90 6 | {att}{lm}? | 1.00000000000000000 | 485 | 485 7 | {att}{ana}ue | 1.00000000000000000 | 164 | 52 8 | {att}{ana}Subordonnée| 1.00000000000000000 | 1078 | 147 9 | {att}{lm}vouloir | 0.99999999999995892 | 132 | 36 10 | {att}{ana}m.inf | 0.99999999999362155 | 3967 | 359 11 | {att}{lm}est-ce qu | 0.99999999998357814 | 9 | 9 12 | {att}{ana}p.2 | 0.99999999993766608 | 362 | 58 13 | {att}{ana}ty.sub | 0.99999999957343022 | 4362 | 377 14 | {att}{ana}ty.aut | 0.99999999861662336 | 5741 | 474 15 | {att}{lm}dire | 0.99999999765933478 | 460 | 64 16 | {tag}q | 0.99999999181213772 | 844 | 97 17 | {att}{lm}ça | 0.99999998904864595 | 116 | 26 18 | {att}{lm}que | 0.99999991520075171 | 3168 | 273 19 | {att}{lm}quoi | 0.99999986618948988 | 48 | 15 20 | {att}{ana}pos.c | 0.99999962481856841 | 12011 | 886
2. Positions d’un item dans un élément a. Le lemme Nietzsche dans les paragraphes
b. Corrélats de chacune des positions
Conclusion Enjeu scientifique de cette expressivité Croiser et comparer les interprétations Traiter les données comme un texte et le texte comme des données (compromis par le « binary XML ») Renouveler des méthodes éprouvées de lexicométrie Rechercher de nouveaux observables Des connaissances à exploiter pour le profilage Aider au passage du « sémasiologique » (au sens faible : l’accès au sens par le signifiant) à l’« onomasiologique » : du quantitatif au qualitatif