formation par la recherche / formation doctorale / enseignement, stages / sujets de thèses

Apprentissage des grammaires catégorielles

Localisation :Irisa, Rennes

Equipes Aïda et Paragraphe

Responsables :

Jacques NICOLAS (tél. direct : 02 99 84 73 12, email : jnicolas@irisa.fr)

Christian RETORé (tél. direct : 02 99 84 74 48, email : retore@irisa.fr)

Mot-clés : Apprentissage; Langages Formels; Traitement Automatique des Langues; Logique.

Sujet :

Un algorithme d'inférence grammaticale à partir d'exemples positifs est un algorithme qui, étant donnés une classe de grammaires et un nombre fini d'énoncés (éventuellement structurés), produit une grammaire de la classe qui soit la plus générale possible à accepter ces énoncés. La classe de grammaires considérée est intéressante si elle est vaste mais autorise des algorithmes efficaces qui peuvent atteindre tout langage de la classe dès qu'ils disposent de suffisamment d'énoncés. Parmi de nombreuses applications (notamment, étude des génomes), on s'intéresse à la linguistique informatique: engendrer une grammaire à partir d'un corpus est non seulement un module utile de traitement automatique des langues, mais aussi un test pour la plausibilité cognitive des théories et formalismes linguistiques.

Les grammaires catégorielles [1,2] sont un formalisme logique qui décrit les langages algébriques. Cette classe de grammaires, trop vaste pour être apprenable, admet néanmoins une sous-classe dite AB-rigide qui l'est et contient des langages algébriques. [1] Il s'agit de proposer, de programmer et d'étudier des algorithmes d'apprentissage pour des classes plus riches [2]: grammaires de Lambek, grammaires en réseaux, grammaires multimodales,... Les grammaires catégorielles ayant une interface aisée avec la sémantique de Montague, les algorithmes d'apprentissage pourront utiliser la sémantique des énoncés.

[1] M. Kanazawa, Learnable classes of categorial grammars , CSLI, Cambridge University Press, 1998.

[2] van Benthem and ter Meulen (eds), Handbook of Logic and Language. Elsevier, 1997. Chapitre 12 et 2.