Au sein de la confédération helvétique, tous les textes officiels sont disponibles dans les trois langues nationales, l'italien, le français et l'allemand, ce qui nécessite non seulement d'importants travaux de traduction mais aussi des outils d'aide ŕ la traduction. Dans ce cadre, le souci majeur pour les traducteurs est la cohérence des traductions faites: il est, par exemple, important que le même terme dans un contexte identique soit toujours traduit de la même façon. Le projet Sylex a pour but la création d'un outil qui permettra l'affichage multilingue de mots, de phrases ou de sous phrases, avec leur contexte dans des textes déjŕ traduits. Cet outil doit permettre aux traducteurs de rechercher des exemples de traductions ainsi qu'aux réviseurs de vérifier la traduction d'un mot, d'une phrase ou d'une tournure de phrase dans son contexte. Il se distingue des concordanciers multilingues intégrés aux logiciels du type "poste de travail de traducteur" par ses possibilités de recherche, plus sophistiquées en termes de requêtes possibles et plus pointues, en termes de résultats obtenus, puisque basées sur les techniques linguistiques plutôt que sur les techniques statistiques de "correspondance approximative".

L'équipe de Genčve, avec l'aide de Suissetra mais aussi dans le cadre de certains projets européens, notamment le projet Multext (4čme PC), et de projets francophones, notamment le projet ARC, a effectué beaucoup de recherche dans ce domaine ces derničres années. Le projet Multext concernait l'exploitation de grands ensembles de textes multilingues sous forme électronique, la définition et l'élaboration de logiciels d'alignement et d'étiquetage ainsi que le traitement automatique de la morphologie. Le projet ARC concerne principalement les logiciels d'alignement.

Le but de ce prototype est de montrer l'utilité de ce nouveau concept pour les outils d'aide ŕ la traduction et les possibilités que peuvent offrir les techniques linguistiques dans le domaine de la recherche d'information.

En outre, l'équipe a développé des techniques informatiques qui permettent

• de découper un texte en entités (mots, symboles, ponctuations, phrases, paragraphes),
• de lemmatiser les mots (c'est-ŕ-dire, de faire abstraction des désinences pour arriver ŕ une forme canonique du mot; par exemple, toutes les formes dérivées du verbe "aider" seront associées ŕ un seul lemme.),
• d'attribuer ŕ chaque mot une ou plusieurs catégories syntaxiques (l'étiquetage),
• de désambiguïser ces catégories en fonction du contexte,
• d'aligner des textes sources avec leurs traductions dans des langues différentes.

Ces techniques ont été adaptées pour permettre d'enrichir les textes ŕ indexer et d'augmenter ainsi la puissance du moteur de recherche.

Ainsi, nous avons défini pour le projet SyLex des fonctionnalités basées sur la convivialité d'une interface et sur les techniques linguistiques ŕ la pointe de la recherche précédemment citées:

• Etude et réalisation d'une technique d'indexation performante.
• Deux versions de l'interface: une version standard qui utilise HTML* et les Forms*, et une version plus conviviale programmée dans le langage orienté objet Java.
• Désambiguïsation syntaxique d'un échantillon de textes.
• Faire des recherches plus précises ŕ l'aide de filtres syntaxiques.
• Alignement multilingue des phrases d'un échantillon de textes et affichage des portions de texte comportant le(s) mot(s) recherché(s).

Dans le prototype, nous avons appliqué un traitement en deux étapes: la segmentation (reconnaissance et identification les unités élémentaires du texte) et l'analyse morphologique (découpage des mots en morphčmes ). Ainsi, dans le contexte multilingue des documents officiels, les requêtes peuvent être faites par mots clés dans les trois langues, avec la possibilité de choisir parmi un des modes de recherche suivants:

• Mot exact: Correspondance exacte entre les mots de la requête et ceux des textes.
  Exemple: ŕ la requête instance correspondra les phrases contenant le mot instance et non les phrases contenant le mot instances.
• Préfixe: Ce mode est le plus utilisé, car comme son nom l'indique, il nous permet de faire abstraction de toutes les terminaisons. Il augmente ainsi les chances de trouver ce que l'on cherche, mais peut engendrer du bruit (le bruit étant dans l'ensemble des solutions tout ce qui n'est pas pertinent).

• Lemme: Dans ce mode il est possible de retrouver des informations en faisant abstraction des flexions des mots. Ainsi il devient possible de retrouver non seulement toutes les occurrences flexionnelles correspondant ŕ une forme canonique, mais aussi toutes les formes ŕ partir d'un mot fléchi (qui est utile si l'on ne connaît pas bien une langue et sa syntaxe).

• Suffixe: Comme dans le cas du mode par préfixe, il est possible de retrouver tous les mots dont le suffixe correspond ŕ la requête. Ce mode peut être utile si on étudie un phénomčne linguistique dans un contexte particulier.

III- Exposé des solutions techniques

III.1 L'interface utilisateur

Dans SyLex, l' interface écrit en Java* permet de taper des requêtes simples ou complexes dans les trois langues nationales suisses. Mais pour des raisons de compatibilité et de simplicité nous avons aussi redéfini une nouvelle version de l'interface qui utilise des "frames" (séparation de l'interface du navigateur en plusieurs sous parties) et les "forms" (éléments standard HTML pour créer des interfaces et des formulaires) qui ne nécessite pas de charger un interpréteur et les librairies du langage Java.

L'interface Java se présente comme une applet* qui se charge ŕ travers le réseau Internet pour s'exécuter dans le navigateur. Dans un espace graphique particulier il est possible de formuler de maničre intuitive des requêtes de type logique. L'affichage des solutions se fait toujours dans une page HTML du navigateur.

L'application nécessite le "Java Plugin 1.2" pour son exécution. Ce "plugin" permet de remplacer la machine virtuelle Java du navigateur par la derničre version actuelle de référence. Lors du premier accčs ŕ l'application, le plugin sera automatiquement chargé. Merci de patienter pendant le temps de chargement.

Pendant la phase de définition, nous avons profité de l'existence d'un logiciel que nous avons développé il y a plusieurs années pour faire quelques expérimentations au niveau de l'interface pour Internet. Ce logiciel, BCP, n'offre qu'une gamme trčs limitée des fonctionnalités prévues pour SyLex, et les ressources linguistiques sont trčs limitées, mais il a permis d'expérimenter différents interfaces. Nous ne voulons pas rendre public ce travail, mais les membres de Suissetra ont été invités, en septembre, ŕ visiter l'adresse suivante et ŕ nous communiquer leurs commentaires:

III.2 Les fonctionnalités de SyLex: requêtes complexes.

Les requêtes prévues pour SyLex peuvent être complexes et suivent les rčgles suivantes:

• Il n'y a pas de distinction entre minuscules et majuscules et les caractčres accentués ou non. Ces derniers sont convertis en caractčres non accentués.
• Le symbole '|' représente, dans l'expression d'une requęte dans une langue, l'opérateur logique OU et le symbole '&' représente l'opérateur logique ET. Par défaut, si aucun opérateur n'est spécifié dans la requête, c'est l'opérateur logique ET qui est validé entre chaque entité.
• L'opérateur logique indiquant la négation, symbolisé par le caractčre'!' a été introduit.
• L'expression logique d'une requête dans une langue, suit la grammaire:
  

EXPR	::=	TERM { OPP TERM }
OPP	::=	'|' ou '&' ou '!'
TERM	::=	Mot ou '[' EXPR ']'



Exemple: environnement & [canton | subvention] est une expression qui se traduit par: les phrases comprenant les mots: environnement ET [ canton OU subvention ]
• On peut exprimer des expressions logiques qui se combinent avec les autres langues avec les opérateurs logiques ET, OU, NON:

  Exemple:
  Trouver les articles qui contiennent:
  

  "environnement & [canton | subvention]" - dans les textes en français

  "NON Umwelt" - qui ne contiennent pas le mot "Umwelt" dans les textes en allemand
  "ET ambiente" - mais qui contiennent le mot "ambiente" dans les textes en italien

• De plus avec la désambiguïsation syntaxique (Tagger, ISSCO, TaToo [2]), il est possible d'indiquer une préférence linguistique supplémentaire sur les mots qui présentent un caractčre polysémique (ferme "adjectif et adverbe, consistant" et ferme " nom féminin, domaine agricole"). A l'aide d'une formulation simple on peut mentionner la catégorie syntaxique qui correspond aux mots de la requête parmi les trois catégories suivantes: Verbe, Nom et Adjectif. Les catégories pronoms, déterminants, numéro etc. ne sont pas retenues car elles n'ont pas d'intérêt majeur ŕ ce niveau de la recherche documentaire.

  Exemple: frontičre (Nom) & ferme(Verbe)

Exemple:

Requęte: autorités étrangčres representé par:

autorités=autorité(Nom f.)
étrangčres=étranger(Adj)

L'affichage des solutions se fera séquentiellement. La premičre étape indique la liste des titres solutions et la seconde étape permet d'énumérer les uns aprčs les autres les textes ou les parties de textes qui sont pertinents. Ceci est rendu possible grâce ŕ des techniques qui utilisent les cookies* pour associer ŕ chaque utilisateur la liste des solutions ŕ sa requête et grâce au langage de script Javascript* qui définit une action particuličre aux boutons (article précédent, article suivant) intégrés aux pages HTML. (Ce concept est repris des fonctionnalités des moteurs de recherche bien connus comme Yahoo ou AltaVista.)

Les techniques modernes d'alignement (Align, ISSCO) permettent de mettre en correspondance, aprčs la segmentation et un traitement préalable basé sur les statistiques, les paragraphes et les phrases de deux textes parallčles mais écrits dans des langues différentes. Il est possible de choisir entre les deux modes d'affichage suivants: soit l'affichage intégral des phrases qui correspondent ŕ la requête, soit l'affichage d'une fenêtre autour des mots pertinents (comme dans l'interface de BCP).

Cette nouvelle approche de la recherche documentaire telle que nous l'avons définie, demande un traitement des données trčs pointu, qui fait appel ŕ beaucoup de puissance informatique et beaucoup de place libre sur les disques durs.

Ce traitement se décompose en quatre étapes, qui sont dans l'ordre chronologique:

• La segmentation: reconnaît et identifie les unités élémentaires du texte tels que les mots, les phrases et les paragraphes. Avec quelques difficultés par exemple pour les fins de phrases et les mots tels que: porte-monnaie, c'est-ŕ-dire, cet homme-lŕ, voulez-vous etc. ou des mots composés comme pomme de terre, poudre d'escampette, New York-based, Ein- und Ausgang ( Eingang und Ausgang).
• L'analyse morphologique: analyse, découpe les mots en morphčmes (lemme + désinence) et génčre ŕ partir d'un mot lemmatisé toutes les formes fléchies possibles .
• La désambiguïsation syntaxique: compose, sur la base des différentes formes données par le programme de morphologie, la suite la plus probable des catégories syntaxiques des mots qui forment une phrase. Dans ce cas on utilise les techniques stochastiques du Modčle Caché de Markov trčs utilisées dans la reconnaissance vocale.
• L'alignement: permet de mettre en correspondance une ou plusieurs phrases entre elles en utilisant les statistiques sur la longueur moyenne d'un mot, d'une phrase dans une langue particuličre.

Segmentation et Morphologie

Les outils de segmentation et de morphologie sont basés sur des techniques utilisant des rčgles linguistiques bien précises. Ces rčgles doivent être codées par un linguiste expérimenté dans chacune des trois langues nationales. Par contre, la désambiguïsation syntaxique et l'alignement sont basés sur des techniques stochastiques. Dans ce cas, le systčme apprend automatiquement en parcourant les textes et l'intervention du linguiste se limite ŕ l'évaluation et ŕ l'amélioration de ce systčme.

Cette partie du traitement des données a été automatisé. Pour cela il faut donner un texte dans le format HTML (HyperText Markup Language) ou dans le format TEXTE et le programme retourne un fichier dans lequel les informations:

• de segmentations qui marquent le début et fin de phrase: <SENT ID="6"> .... </SENT>
• morphologiques, ont été ajouté par exemple:

  <POS NAME="cantonal\ADJ-PL" ID="106">cantonales</POS>
  POS NAME est composé de la forme de base du mot cantonales qui est cantonal et de sa catégorie syntaxique désambiguisée correspondante ADJ-PL. ID est l'identificateur de ce mot dans le texte.

Si l'on traite un fichier HTML, le programme sépare les balises spécifiques ŕ ce langage et les sauve dans un autre fichier. Par la suite, une fois que le traitement informatique a été acompli sur le texte séparé de son marquage, le fichier est reconstruit pour donner ŕ nouveau un texte dans le format HTML enrichi comme le montre l'exemple précédent.

L'alignement

L'alignement des phrases de deux textes écrits dans des langues différentes permet de donner avec une grande précision les contextes dans lesquels un mot est utilisé. On peut ainsi afficher la phrase en français qui contient, par exemple, le mot paysan et la (les) phrase(s) en italien qui y correspondent (remarque: ŕ une phrase écrite dans une langue particuličre peuvent correspondre une, deux, voire trois phrases dans une autre langue).

III.4 La base de données.

Nous utilisons une base de données standard du domaine public MySql . MySQL est un vrai serveur de base de données SQL multi-utilisateur et multi-processus. SQL (Structured Query Language) est le langage standardisé le plus répendu dans le monde. Il est disponible sur les plate-formes Unix et Windows.

V Conclusion

A travers ces nouvelles spécifications, le projet SyLex s'inscrit dans une nouvelle voie de la recherche documentaire. L'ensemble des nouvelles fonctionnalités qui sont définies - utilisation du nouveau langage de programmation Java, possibilité de choisir les catégories syntaxiques des mots qui forment la requête, désambiguïsation syntaxique et alignement des phrases - met ŕ disposition de l'utilisateur un logiciel basé sur des technologies de pointe.

HTML: HyperText Markup Language, langage qui permet d'écrire des pages pour le WEB.
Forms : Fonction de HTML qui permet d'écrire des formulaires et d'envoyer des requêtes au serveur WWW.
Cookie: Petit identificateur stocké dans le navigateur de l'utilisateur.
Java : marque déposée par Sun MicroSystems. Les programmes Java opčrent ŕ travers Internet et font abstraction de la plate-forme. (JDK 1.1.6)
JavaScript: Ce langage est une marque déposée par Sun MicroSystems. Il fonctionne largement comme une extension du langage standard d'Internet HTML.
Applet: Les applets sont des programmes Java exécutables que l'on peut charger ŕ travers Internet



Liste des Références

[1] Administration Fédérale: "http://www.admin.ch"
[2] TaToo: "http://www.issco.unige.ch/staff/robert/tatoo/index.html"
[3] Berkeley DB: "http://abyssinian.sleepycat.com/db/"
[4] Mmorph: "http://www.issco.unige.ch/projects/MULTEXT.html"
[5] BCP: "http://www.issco.unige.ch/staff/robert/bcp/bcp.html"
[6] Auteurs: Gilbert Robert, Margaret King.