Université Paris 13 Sorbonne Paris Cité

LDI UMR 7187

Étiquetage et Corpus:
XQuery pour les Humanités numériques

Mémoire de Master 2 TILDE

par Farid Djaïdja
sous la direction de M. Xavier-Laurent Salvador
et M. Fabrice Issac Année 2013/2014
Table des matières
1. De la lettre au chiffre : panorama des outils du traitement automatique de la langue ...........5
1.1. Parcours de la chaîne taliste : enrichissement et exploitation des données textuelles ..9
1.1.1. Ressources lexicographiques informatisées ......................................................9
1.1.1.1. Une ressource schématique et modulaire : Morfetik .............................. 10
1.1.1.2. Un lexique plein-texte : Morphalou....................................................... 12
1.1.1.3. Un module de génération de ressources lexicales : Proteus.................... 14
1.1.2. Étiquetage morphosyntaxique ........................................................................ 15
1.1.2.1. TreeTagger ........................................................................................... 16
1.1.2.2. Corpindex ............................................................................................. 19
1.1.2.3. Étiquetage alingue et endogène de J. Vergne ......................................... 20
1.1.3. Analyse syntaxique automatique .................................................................... 22
1.1.3.1. Les grammaires formelles ..................................................................... 22
1.1.3.2. J. Vergne, approche combinatoire vs. approche calculatoire .................. 28
1.1.3.3. Xerox Incremental Parser...................................................................... 31
1.1.4. Unitex et les patrons lexico-sémantiques ........................................................ 33
1.2. Traduction automatique et traduction assistée par ordinateur ................................... 35
1.2.1. Similis ........................................................................................................... 36
1.2.2. Google Traduction ......................................................................................... 37
1.3. Linguistique outillée ............................................................................................... 39
1.3.1. DTM-Vic ....................................................................................................... 40
1.3.2. TXM.............................................................................................................. 41
2. XML, un formalisme orienté vers la recherche. .............................................................. 43
2.1. Une cartographie du texte : les balises comme stratification des lieux de discours ... 44
2.1.1. Un marquage des lieux de discours: les balises .............................................. 44
2.1.2. La spécification des nœuds de l’arborescence : les attributs ............................ 48
2.2. La DTD, un degré supplémentaire dans le formalisme ............................................ 50
2.2.1. Le nom des balises ......................................................................................... 50
2.2.2. Le contenu des balises ................................................................................... 51
2.2.3. Le nombre de balises ..................................................................................... 51
2.2.4. Le nom des attributs et leur valeur ................................................................. 52
2.2.5. L’optionalité des attributs .............................................................................. 53
2.3. XPath, un fil d’Ariane ............................................................................................. 53
2.4. XQuery, à la recherche de la donnée ....................................................................... 56
2.4.1. La boucle au cœur de la requête ..................................................................... 57
2.4.2. Construire la requête idoine ........................................................................... 59
2.4.3. Des outils morphologiques et morphosyntaxiques : les modules plein-texte ... 63
2.4.4. Le traitement sémantique des unités lexicales : le thésaurus ........................... 71
2.5. XML et le web : un corpus à dimension mondiale ................................................... 73
2.5.1. XHTML ........................................................................................................ 74
2.5.2. Big Data et web sémantique ........................................................................... 75
2.5.3. La constitution automatique de corpus ........................................................... 76
3. Perspectives applicatives ............................................................................................... 78
3.1. La question de l'interprétation : sème, isotopie, corpus ............................................ 79
3.1.1. Du mot au corpus et du texte au contexte ....................................................... 81
3.1.2. L'unité de l'analyse sémantique : le sème ....................................................... 83
1
 3.1.3. La notion d’isotopie ....................................................................................... 84
3.2. Perspectives applicatives : XML et le(s) texte(s) ..................................................... 85
3.2.1 Une ressource numérique entre fragments et texte : le thésaurus .................... 85
3.2.2. Le croisement des structures : XPath pour l’alignement de corpus ................. 87
Conclusion ........................................................................................................................... 91
Bibliographie ........................................................................................................................ 92
Annexes ............................................................................................................................... 94
Annexe 1 .......................................................................................................................... 94
Annexe 2 .......................................................................................................................... 96
Annexe 3 .......................................................................................................................... 97
Annexe 4 .......................................................................................................................... 98
Annexe 5 ........................................................................................................................ 100
Annexe 6 ........................................................................................................................ 102

2
À Joël, Xavier-Laurent, Fabrice, Ibtissem et Svitlana.

Sursum Corda.

3
 L’humanisme est un courant culturel européen,
trouvant ses origines en Italie, principalement autour
de Florence, qui s'est développé à la Renaissance.
Renouant avec la civilisation gréco-romaine, les
intellectuels de l'époque manifestent un vif appétit de
savoir (philologie notamment). Considérant que
l’Homme est en possession de capacités intellectuelles
potentiellement illimitées, ils considèrent la quête du
savoir et la maîtrise des diverses disciplines comme
nécessaires au bon usage de ces facultés. Ils prônent
la vulgarisation de tous les savoirs.
Wikipédia

Le texte est au cœur des Humanités. Si la question semble ne pas se poser, c’est que
l’on tient sa définition pour acquise. Mais qu’est-ce qu’un texte ? Si l’on considère des mots
couchés sur le papier, c’est se méprendre sur l’objet. Avant de prendre forme, un texte passe
par plusieurs étapes depuis sa conception jusqu’à sa lecture. Si le texte papier passe par une
mise en page, avec un choix de police de caractères, il est pensé en amont à travers sa
structure, intrinsèquement liée au contenu et donc à la donnée, et son inscription dans un
courant. Aujourd’hui, se posent pour le texte numérique en plus les questions de l’encodage,
qui est la première abstraction du texte numérique, du format, de la numerisation, toutes ces
étapes qui font qu’un texte existe, sur le papier ou à l’écran.

De telles considérations peuvent échapper à l’Humaniste numérique, qui est parfois

amené à sous-estimer cette dimension, souvent par méconnaissance de cet objet textuel. La
linguistique a déjà bénéficié de sa mue à travers l’émergence de la linguistique informatique
et du traitement automatique de la langue (TAL). Toutefois, le texte est souvent traité comme
un simple flux de données, ignorant les spécificités de la langue et du texte, notamment cette
structure.

L’ambition de ce mémoire est de présenter un état de la technique à propos du

traitement automatique de la langue, afin de mettre en évidence les apport qu’XML et XQuery
peuvent faire valoir dans une meilleure appréhension du texte numérique, à la fois au niveau
des unités lexicales, du fragment et du corpus, afin que l’Humaniste numérique puisse
bénéficier d’une autonomie par rapport à l’outil informatique et en exploiter tout sa puissance.

4
 Enfin, il brosse des perspectives de recherches, à la fois sur le plan théorique et
applicatif, des résultats que l’on peut obtenir lorsque l’on a la maîtrise à la fois sur la donnée
et sur l’information, et revenir aux origines du texte : son sens.

1. De la lettre au chiffre : panorama des outils du traitement

automatique de la langue

Historiquement, la naissance de l'intérêt pour le traitement automatique du langage

naturel (désormais TAL) est généralement associé aux opérations de décodage et
d'interprétation des transmissions cryptées durant la Seconde Guerre mondiale, et en
particulier aux travaux d'A. Turing sur la machine Enigma. Le développement d'algorithmes
dédiés à des tâches précise (aussi bien, d'ailleurs, en codage qu'en décodage), couplé à
l'émergence progressive de l'ordinateur1 ont mis à jour les avantages de l'automate : rapidité et
systématicité du traitement, application formelle des propriétés de la logique binaire,
programmabilité des actions.

Bien évidemment, les enjeux n'étaient alors pas véritablement centrés sur la langue,
puisque le domaine d'appréhension de l'automate ne visait pas l'interprétation du message
mais sa mise à disposition pour l'interprétant humain. Pour autant, la longue période d'âge d'or
que connaît la recherche en TAL à l'issue de la Seconde Guerre – qui correspond,
matériellement, à une mobilisation au niveau étatique de moyens humains et financiers sans
commune mesure avec les budgets actuels dans le domaine – hérite doublement de ce
contexte particulier. En premier lieu, l'intérêt pour le TAL est dicté par l'installation de la
guerre froide et aux problématiques stratégiques afférentes : gestion d'un grand nombre de

1
La naissance de l'ordinateur est une question largement débattue en histoire de l'informatique, à laquelle
plusieurs réponses sensées peuvent être apportées selon que l'on considère l'origine de la pensée algorithmique,
la représentation par des phénomènes physiques d'informations logiques abstraites (les candidats étant,
rétrochronologiquement : la machine de Babbage, la pascaline ou, bien plus loin encore, la machine
d'anticythère), la naissance des premiers programmes (Ada Lovelace), la première machine à actions
effectivement programmables (métier à tisser Jacquard) ou encore les premiers ordinateurs conçus selon
l'architecture de Von Neumann (agencement que suivent la plupart des ordinateurs depuis cinquante ans). Nous
retenons pour notre part les premiers calculateurs dédiés au décryptage conçus par les différents acteurs de la
seconde guerre mondiale (le Colosse, le Z3 ou l’ENIAC, ce dernier n'étant pas dédié au décodage mais à des
calculs balistiques).

5
données en langue étrangère, extraction d'informations ciblées, etc. De fait, dans les deux
camps, la recherche a immédiatement adopté une finalité applicative, et les efforts se sont
massivement portés sur la traduction automatique. En second lieu, sur le plan théorique, le
travail initial sur les problématiques de cryptage/décryptage ont ancré le TAL dans une vision
simplificatrice de la dimension codique du langage – ce qui explique en creux l'ambition
applicative, laquelle paraît démesurée de nos jours – où le sens du message est l'image d'une
fonction mathématique dont l'antécédent est un ensemble d'unités stables et conventionnelles.
Les efforts se sont ainsi essentiellement portés sur l'établissement de ressources multilingues
coordonnées et sur des approches lexicographiques frontales.

Le développement du TAL n'a donc pas été effectué dans le prolongement des
recherches fondamentales en Sciences du langage, mais a au contraire immédiatement accédé
à une autonomie applicative. Par la suite, l'échec retentissant des méthodes linguistiques
directes2 et la prise en compte de l'importance des phénomènes de polysémie, d'ambiguïté et
d'inférence d'une part, de figuration, de surdétermination et de contextualisation d'autre part
ont redessiné la topographie du domaine 3 : du point de vue de l'horizon applicatif, l'approche
holiste visant à conférer à l'automate une capacité interprétative ou productive similaire à la
compétence humaine a été abandonné au profit d'un ensemble de tâches ciblées et délimitées,
généralement dépendantes de contraintes pragmatiques fortes neutralisant les possibilités de
brouillage contextuel. Les questions de sémantique générale ont été évacuées vers les sciences
cognitives ou vers le domaine de l'intelligence artificielle et le texte lui-même a été considéré
comme un flux uniforme de données à l'intérieur duquel, par la projection d'heuristiques
idoines, peuvent être identifiées certaines structures préconstruites. De fait, l'accent est mis
sur les traitements de surface, essentiellement morphologiques et morphosyntaxiques. D'une
manière générale, l'échec des approches fondées sur des modèles sémantiques intégrés aux
ressources lexicales a recentré le TAL sur des opérations « bas niveaux », qui selon toute
vraisemblance ne participent pas aux processus interprétatifs effectivement lancés par les êtres
humains, visant à structurer, enrichir et rendre exploitable le flux de caractères : tokenisation,
lemmatisation et étiquetage en termes de parties du discours.

2
Une anecdote célèbre de traduction aller-retour russe-anglais-russe effectuée par une machine soviétique
rapporte que le verset biblique the spirit is strong but the flesh is weak (l'esprit est fort mais la chair est faible,
Matthieu, 26, 41) est revenu en the vodka is good but the meat is rotten (la vodka est bonne mais la viande est
pourrie).
3
Sur ce sujet, voir R. Piotrowski, Y. Romanov. « Machine Translation in the former Soviet Union and in the
Newly Independent States (NIS) », in Histoire Épistémologie Langage, Tome 21, fascicule 1, 1999, pp. 105-117.

6
 Du point de vue des méthodes employées, l'établissement de listes lexicales étendues
et acontextuelles a laissé place à l'utilisation de ressources plus restreintes, l'exhaustivité visée
par les premières étant simultanément inatteignable (de multiples paramètres étendant
indéfiniment l'ouverture des paradigmes lexicaux : néologie, variantes orthographiques licites
ou illicites, phraséologie, etc.) et contre-productive (plus l'on démultiplie les entrées, plus l'on
génère une ambiguïté systémique à l'encontre de tout bon sens 4). À ce titre, la circonscription
des ressources lexicales effectives s'effectue généralement de trois façons :

 par l'établissement de listes spécialisées ou volontairement évidées de leur

polysémie, dans le cas de tâches particulièrement bien délimitées,
sémantiquement autonomes et relativement peu ambiguës (ou, ce qui revient au
même, pour lesquelles le contexte est donné et peu susceptible de varier) ;
 par l'emploi d'heuristiques de floutage ou de surgénération morphologiques
(l'algorithme le plus célèbre étant celui de Levensthein 5) ;
 par l'utilisation de listes négatives, visant non pas à identifier les éléments
détenteurs de l'information mais à éliminer ceux qui en sont dépourvus6.

En parallèle, les difficultés inhérentes à un traitement automatique fondé

essentiellement sur des ressources linguistiques ont progressivement favorisé le
développement de stratégies statistiques. Ces dernières présentent l'avantage d'être des jeux de
règles définis et clos, non des bases de données sujettes à incomplétude. Elles reposent sur le
présupposé que la langue, aussi bien dans son agencement systémique que dans son usage,
s'organise en structures régulières qu'il est possible d'exploiter. Ces régularités existent quelle
que soit la focale analytique ou la pratique verbale considérée. Nous pouvons donner, à titre
d'exemple :

 régularité de la distribution morphosyntaxique d'une langue (ce qui, comme nous

4
Si dans l'absolu la chaîne est peut désigner aussi bien le point cardinal qu'une forme du verbe être, l'asymétrie
fréquentielle importante entre ces deux homographes rendra plus robuste une heuristique qui valorisera
systématiquement la forme verbale par rapport à des stratégies complexes de prévision de l'insertion
contextuelle. Sur les approches heuristiques-pragmatiques, cf. infra la présentation des travaux de J. Vergne.
5
L'algorithme de Levensthein modélise la distance qui sépare deux chaînes de caractères sur la base du nombre
d'opérations nécessaires pour passer de l'une à l'autre. Les opérations sont de trois types : insertion d'un
caractère, suppression d'un caractère, substitution d'un caractère par un autre.
6
Les stop-lists les plus utilisées en TAL recensent les mots grammaticaux ; elles permettent de réaliser très
simplement un filtrage lexical permettant d'isoler les unités porteuses d'une information essentielle, et sont de
fait souvent utilisées dans des tâches d'indexation sommaire. Là encore, cf. infra les travaux de J. Vergne.

7
 le verrons plus bas avec l'exemple de TreeTagger, autorise un étiquetage en
partie du discours probabiliste). En français, la récurrence de la séquence
déterminant-adjectif-nom peut par exemple être exploitée pour désambiguïser
une séquence déterminant-adjectif-[nom/verbe] (exemple : une grande volée) ;
 régularité des associations lexicales (phénomène de la collocation au sens large),
définissant une granularité lexicale supérieure au token informatique (fou du
volant, peur bleue, etc.) ;
 régularité dans la disposition des masses syntaxiques7, des tournures stylistiques
ou simplement du vocabulaire propre à un genre ou à une époque donnée (voir
par exemple la transformation progressive de la transitivité du verbe pallier au
cours du dernier siècle, qui lui confère un rôle de repère temporel relativement
fiable) ;
 régularités relatives à la dimension physiologique et cognitive du langage, et de
fait universelles : brièveté, récurrence et fermeture des opérateurs
grammaticaux/expansivité, rareté et ouverture des paradigmes lexicaux (cf. infra
la présentation des travaux de J. Vergne illustrant de quelle façon ces
phénomènes peuvent être exploités dans le cadre d'un TAL s'affranchissant de
toute ressource linguistique).

L'exploitation de ces différentes signatures numériques est généralement assurée par

le biais d'un apprentissage automatique : les régularités saillantes et porteuses de l'information
recherchée sont déduites d'un corpus initial sélectionné pour sa représentativité présumée,
puis projetées sur les différents textes à traiter. La pertinence de la plupart de ces signatures
statistiques dépend néanmoins beaucoup de l'homogénéité et de l'étendue du corpus initial, y
compris pour les régularités qui semblent de prime abord les plus systémiques. Un ensemble
de données trop vaste et hétérogène a ainsi tendance à éroder les saillances spécifiantes et
porteuses d'information, tandis qu'un jeu de données trop restreint peut promouvoir au rang de
régularité des comportements isolés, et ainsi amoindrir la validité du traitement. La sélection
du corpus d'apprentissage doit donc se faire en accord avec les paramètres pragmatiques
inhérents à la finalité applicative visée.

7
L'expression est de G. Molinié, Éléments de stylistique française. Paris : Presses Universitaires de France,
2011, 4e édition, 224p.

8
 L'éventail des outils ou des théories que nous présentons ici rend compte d'une part
du domaine d'intervention actuel du TAL – en ce sens, nous nous intéresserons
essentiellement aux différents maillons de la chaîne de traitement du flux textuel –, d'autre
part de la dichotomie linguistique/statistique dans les stratégies adoptées. Nous nous
intéresserons successivement aux différentes strates d'analyse (morphologique,
morphosyntaxique, syntaxique, logico-sémantique) en présentant quelques modules ou
approches solidement implantés dans le champ de la linguistique informatique ou
représentatifs des tendances actuelles ; nous aborderons également les solutions disponibles
en matière de traduction automatique (TA) ou de traduction assistée par ordinateur (TAO), le
domaine étant comme nous l'avons vu le berceau historique du TAL ; enfin, nous analyserons
quelques outils destinés moins à l'ingénieur qu'au linguiste, permettant à ce dernier d'explorer
de grands ensembles textuels et d'en forger une représentation apte à confirmer ou infirmer les
hypothèses qu'il conçoit.

1.1. Parcours de la chaîne taliste : enrichissement et exploitation des données

textuelles

1.1.1. Ressources lexicographiques informatisées

Les différents outils et ressources présentés dans cette section répondent tous au
même objectif : fournir aux modules de traitement proprement dits des ressources lexicales
projetables sur les données à analyser. Les informations associées aux entrées sont
essentiellement de type grammaticales, de sorte que leur intérêt principal est de fournir un
support aux opérations d'étiquetage morphosyntaxique ou de parsage 8 syntaxique.

8
Le parsage ou décomposition analytique est une opération qui analyse la conformité d’une chaîne de
caractères à une grammaire.

9
 1.1.1.1. Une ressource schématique et modulaire : Morfetik

Morfetik est un dictionnaire électronique élaboré au laboratoire LDI 9 sous la forme

d'une base de données de type SQL. Le recensement des lexies qui le composent vise
l’exhaustivité, tout en tenant compte de l’état synchronique de la langue (fréquence des
emplois, néologismes, norme orthographique, niveaux de langue et d’usage, etc.). C’est
pourquoi les sources lexicographiques retenues pour l’établissement du corpus lexical de
Morfetik sont nombreuses et variées : elles comprennent les dictionnaires monolingues les
plus courants (Larousse, Robert, etc.), des ouvrages « normatifs » (Le bon usage, etc), des
dictionnaires plurilingues ainsi que des ouvrages de conjugaison (Bescherelle, etc.). Enfin, le
caractère « vivant » et productif des lexies sélectionnées est étalonné par confrontation avec
des exemples tirés du web.

Morfetik prend également en compte les langues de spécialité en se fondant sur la

nomenclature du Grand Dictionnaire Encyclopédique Larousse. Si, pour l’heure, seules la
médecine et la minéralogie sont concernées, le champ des langues de spécialité appréhendés
par Morfetik est amené à l’avenir à s’élargir, conformément à la volonté de ses créateurs
d’actualiser régulièrement leurs bases de données lexicales, faisant de Morfetik un travail sans
cesse en cours. Au total, avec plus de 750 000 lexies simples recensées, Morfetik constitue la
plus grande base de données lexicale du français.

Du point de vue formel, l’architecture de Morfetik consiste en un ensemble de tables

articulées autour d’un moteur de flexion qui assure la génération de l’ensemble des formes.
Ainsi, sont associées à cinq tables de lemmes (noms, adjectifs, déterminants, pronoms,
verbes) des tables de flexion, le lien entre les deux étant assuré par l’association pour chaque
lemme d’un code qui indique son régime flexionnel. Ces codes flexionnels déterminent d’une
part les transformations qui doivent être effectuées pour obtenir le radical à partir de la forme
lemmatisée, d’autre part le suffixe flexionnel à concaténer à ce radical pour obtenir la forme
fléchie correspondante (ex : lemme = pizzicato, radical = pizzicat-, singulier = -o, pluriel = -i).

9
UMR 7187, Université Paris 13 Sorbonne Paris Cité, http://www-ldi.univ-paris13.fr/ Cf. P.-A. Buvet, E.
Cartier, F. Issac, M. Mathieu-Colas, S. Mejri & Y. Madlouni. « Morfetik, ressource lexicale pour le TAL ». In :
Actes de TALN 2009, Senlis, 2009, pp. 1-10.

10
 Les régimes flexionnels diffèrent bien entendu selon la catégorie morphosyntaxique
de la lexie : pour les noms, les différences de genre ont fait l’objet d’entrées séparées, pour
mieux prendre en compte la réalité sémantique des lexies (par exemple : maîtresse, au sens
« amante », n’est pas sémantiquement le féminin de maître). L’ensemble des différents codes
régissant la flexion nominale (au nombre de 59) permet d’en appréhender les différentes
particularités : pluriel/singulier obligatoire, etc. Le traitement des adjectifs est identique,
hormis le fait que la flexion en genre vient s’ajouter à celle en nombre. Pour les déterminants
et les pronoms, la variabilité flexionnelle étant fortement irrégulière, les formes fléchies ne
sont pas générées mais uniquement recensées comme autant d’entrées du dictionnaire. Les
variantes (telles que les formes élidées : ce/c’) sont indiquées à côté des formes lemmatisées.

Le cas des verbes est plus complexe, dans la mesure où la variation morphologique
des formes verbales dépend de critères plus nombreux et plus vastes (nombre, genre,
personnes, mode et temps). Un principe fondamental de précision a été adopté dans la
description des verbes, qui tranche avec l’appréhension traditionnelle de l’irrégularité du
système verbal français : toute différence, si minime soit-elle, dans le comportement
flexionnel de deux verbes doit faire l’objet de deux codes séparés. De la sorte, Morfetik
comprend 222 codes de flexion verbale à partir desquels on peut générer toutes les formes
fléchies d’une forme infinitive. Chacun de ces codes permet d’obtenir le radical du verbe à
partir de la forme lemmatisée ainsi que les terminaisons qui doivent y être associées pour
fléchir le verbe. On peut noter que la notion de radical telle que la définit Morfetik diffère de
celle de la grammaire traditionnelle (qui appréhende l’allomorphie verbale en décrivant une
pluralité de radicaux) : le radical décrit par Morfetik est en réalité l’invariant morphologique
que l’on retrouve dans l’ensemble des formes d’un verbe (exemple : acqu- pour acquérir :
j’acqu-iers, j’acqu-érais, etc). Dans le cas des verbes supplétifs, tels que aller ou être, le
radical peut donc être un ensemble vide (je -suis/j’-étais) ; à l’inverse, s’il correspond
exactement à la forme fléchie (ex : il vêt-), c’est la désinence qui reçoit la marque zéro. Plus
généralement, l’ensemble des particularismes verbaux (défectivité, polymorphie telle que
j’assois/j’assieds, etc.) sont intégrés dans les codes par des marques spécifiques. Les verbes
en eux-mêmes peuvent présenter le cas échéant une marque de fréquence visant à signaler
leur caractère archaïque en synchronie. Enfin, d’un point de vue sémantique, les différentes
acceptions d’un verbe restent regroupées sous une seule entrée ; seuls les verbes réellement
homonymiques (c’est à dire possédant des lemmes homographiques mais dont la flexion
diffère, tels que raller : le cerf ralle VS Luc reva en Italie) font l’objet d’entrées séparées.

11
 Les catégories de parties du discours invariables (prépositions, adverbes,
conjonctions, interjections) ne nécessitent quant à elles qu’une description figée qui se
contente de recenser leur forme canonique et leurs éventuelles variantes graphiques en
fonction de leur contexte droit (exemple : jusque/jusqu’ ou bien la flexion unique de l’adverbe
tout : toute, toutes).

1.1.1.2. Un lexique plein-texte : Morphalou

Morphalou est un dictionnaire électronique développé au sein de l'ATILF 10 utilisant

le formalisme XML et se présentant sous la forme d'un fichier librement accessible. Sa
nomenclature couvre actuellement 98 000 lemmes, dont environ 30 000 constituent des
entrées polylexicales. Morphalou n'est pas le fruit d'un travail lexicographique manuel mais a
été directement généré à partir du Trésor de la Langue Française informatisé (TLFi), et plus
particulièrement de sa nomenclature, le TLFNome, ce qui explique que les descriptions
contiennent quelques erreurs (le lexique fait toutefois l'objet d'une correction régulière par des
relecteurs humains).

Les informations codées par Morphalou sont variées, précises et couvrent la plupart
des sémantismes généraux de la langue : la description des entrées comporte ainsi la partie du
discours, le lemme (qui respecte les conventions lexicographiques : infinitif pour le verbe,
masculin singulier pour les noms flexibles en genre et en nombre, etc.) ainsi que les
différentes informations de flexion relatives à la forme tête. En outre, Morphalou contient le
cas échéant différentes variantes orthographiques ainsi qu'un champ « mot fonctionnel »
(functionWord) indiquant si le terme appartient au paradigme des mots lexicaux ou des mots
grammaticaux (de sorte que Morphalou peut être utilisé à la volée pour réaliser une indexation
sommaire).

10
UMR 7118, Université Nancy 2, http://www.atilf.fr

12
 Morphalou respecte les conventions définies par le Lexical Markup Framework 11
(LMF, cf. figure ci-dessous), qui est un jeu de balises développé spécifiquement pour
l'encodage des ressources lexicales. Cette norme permet un étiquetage précis et robuste, et est
de plus relativement répandue (certification ISO) ce qui facilite le croisement de Morphalou
avec d'autres bases éditées sous le même format.

11
G. Francopoulo, LMF Lexical Markup Framework. Londres : ISTE, 2013.

13
 1.1.1.3. Un module de génération de ressources lexicales : Proteus

Proteus est un logiciel développé au laboratoire LDI par F. Issac. Il ne s'agit pas
d'une ressource dictionnairique mais d'une « boîte à outils morphologique » dont l'objectif est
d'assurer la génération de listes lexicales en projetant sur des formes de départ – on peut
considérer ces dernières comme des lemmes traditionnels, mais en réalité aucune contrainte
ne pèse sur l'input (pour prendre l'exemple des verbes, rien n'oblige à ne fournir que des
formes infinitives) – des règles de transformation.

Ces règles obéissent à une syntaxe simple qui modélise les opérations qui doivent
être effectuées pour obtenir la forme finale. Le processus de transformation mobilise une pile
informatique, au sein de laquelle des segments morphologiques peuvent être temporairement
stockés en fonction des opérations effectuées sur la forme de départ. Ces dernières sont de
sept types :

 Empilage, noté P (push) : déplacement d'un caractère de la forme en

construction vers la pile ; à noter que la forme de départ est lue de droite à
gauche (last in, first out) alors que la pile est lue de gauche à droite (first in, first
out) ;
 Empilage total, noté ] : tous les caractères de la forme en construction sont
déplacés vers la pile ;
 Dépilage, noté D (dump) : déplacement d'un caractère de la pile vers la forme en
construction ;
 Dépilage total, noté [ : tous les caractères de la pile sont déplacés vers la forme ;
 Suppression d'un ou plusieurs caractères à la fin de la forme en construction (la
chaîne doit figurer entre deux barres obliques gauches : \x\) ;
 Ajout d'un ou plusieurs caractères à la fin de la forme en construction (la chaîne
doit figurer entre deux barres obliques droites : /x/) ;
 Clonage du dernier caractère de la forme en construction (noté C).

Des quantifieurs numériques permettent en outre de factoriser les opérations

contiguës. Ainsi, si l'on prend comme forme de départ le substantif chat, la règle qui permet

14
d'en dériver la forme féminin pluriel sera C/es/ 12 ; pour obtenir la première personne du
présent de l'indicatif du verbe dégeler à partir de l'infinitif geler, on utilisera la règle
\er\P\e\/è/D/e/]dé[13.

L'utilisation d'un moteur de flexion restreint en partie le travail lexicographique de

recensement des items lexicaux, seules les bases devant être indiquées, et lui substitue
l'établissement des règles permettant leur production. Cette stratégie est économique, puisque
les règles de génération ne sont pas spécifiques à des unités isolées mais pointent vers des
paradigmes plus ou moins ouverts ; elle est également productive et modulaire, car elle
permet de s'affranchir des limites de l'approche lexicaliste binaire : en fonction des
spécificités de l'application, les ressources générées peuvent être facilement étoffées par
l'adjonction de règles idoines. Il est ainsi possible de mettre en place des stratégies de
surgénération pour prévenir l'apparition de formes inconnues, par exemple dans le cadre de la
correction automatique ou de la gestion et de l'interprétation automatique des néologismes.
C'est d'ailleurs en ce sens que Proteus permet de cumuler les règles ou de créer des masques
modifiant un ensemble de règles.

1.1.2. Étiquetage morphosyntaxique

L'étiquetage en partie du discours et l'adjonction aux tokens d'informations

grammaticales constitue la pierre angulaire de l'approche taliste de ces vingt dernières années.
Elle représente sa facette applicative la plus robuste, puisqu'il est courant d'obtenir des taux de

12
chat C/es/
chatt /es/
chatte
13
geler \er\P\e\/è/D/e/]dé[
gel P\e\/è/D/e/]dé[
ge \e\/è/D/e/]dé[ l
g /è/D/e/]dé[ l
gè D/e/]dé[ l
gèl /e/]dé[
gèle ]dé[
dé[ gèle
dé [ gèle
dégèle

15
pertinence supérieurs à 90 %14. Très pragmatiquement, B. Habert rappelle pour autant que
cela représente une erreur fondamentale tous les dix mots, qui de surcroît entraînera des
décalages plus conséquents aux étapes ultérieures du traitement, et témoigne de la distance
qui sépare encore la machine de l'humain. Nous présentons dessous trois étiqueteurs adoptant
des stratégies différentes et donnant un bon aperçu des différentes approches possibles en
TAL : TreeTagger, Corpindex ainsi qu'un étiqueteur simple, alingue et n'utilisant que peu ou
pas de ressources développé par J. Vergne.

1.1.2.1. TreeTagger

TreeTagger est un étiqueteur probabiliste développé à l'université de Stuttgart,

notamment par H. Schmid 15 . Il repose essentiellement sur des méthodes statistiques
d'apprentissage automatique, quoiqu'il exploite également en complément des règles et des
ressources linguistiques.

Dans un premier temps, TreeTagger déduit d'un corpus annoté de référence les
différentes séquences de trois tokens qui le composent (trigrammes). Bien évidemment, la
phase d'entraînement n'a de sens que si l'étiquetage est complet, dépourvu erreur et le corpus
suffisamment étendu, ce qui présuppose un important travail manuel en amont ; par ailleurs,
pour chaque langue couverte, TreeTagger dispose d'un entraînement par défaut
(l'entraînement spécifique adapté à la finalité applicative visée améliore toutefois
considérablement la qualité de l'étiquetage). TreeTagger construit également un lexique listant
les catégories grammaticales possibles pour chaque token et la probabilité associée à chacune
d'entre elles.

La notion de trigramme fait référence aux modèles de Markov, très utilisés dans le
domaine du TAL : en l'occurrence, elle désigne des patrons morphosyntaxiques auxquels sont
associés des probabilités d'apparitions. Sur un corpus français, un trigramme possédant une

14
La plupart des publications adossées aux étiqueteurs les plus célèbres affichent des taux situés aux alentours
des 99 %, mais la pratique ne vérifie jamais ces espoirs – même lorsque l'on utilise un paramétrage
extrêmement conjoncturel ou un apprentissage spécifique.
15
Voir H. Schmidt. "Probabilistic Part-of-speech Tagging Using Decision Tree". IMS-CL, Universität Stuttgart.

16
probabilité forte d'apparition sera par exemple la suite déterminant-adjectif-nom. Le
trigramme possède de fait une dimension générative, car il repose sur l'idée d'un recensement
exhaustif, du moins dans les limites du corpus fourni, des constructions licites, ou à plus forte
raison effectives. Le regroupement en parties du discours ne tient pas compte des
dépendances syntaxiques intraphrastiques : dans le chat mange et la souris prend peur, la
séquence verbe-conjonction-déterminant mange et la sera déduite et sa fréquence d'apparition
sur l'ensemble du corpus sera calculée, là où une analyse grammaticale traditionnelle
retiendrait la connexion plus large entre deux segments propositionnels. L'influence des
trigrammes de ce type dans le processus décisionnel, qui sont objectivement moins
significatifs (ils sont plus proche de l'aléatoire combinatoire que d'une réelle solidarité
morphosyntaxique), est toutefois atténuée par le fait :

 que le calcul est réalisé à l'intérieur d'un découpage propositionnel sur la base
des marques de ponctuation ;
 que ces phénomènes sont relativement écrasés par la fréquence des trigrammes
réellement productifs.

À partir du jeu de trigramme d'une part et du lexique d'autre part, TreeTagger

construit un arbre de probabilité à partir du flux de tokens tiré des textes qu'on fournit en
entrée. Par exemple, pour une phrase telle que le chat est mort, l'arbre sera du type :

17
 L'étiquetage progresse de manière séquentielle : une fois une séquence établie, la
procédure décisionnelle reprend à partir du dernier élément non étiqueté. La décision elle-
même se fonde sur un rapport entre la probabilité de l'étiquette monolexicale – fournie par le
lexique fréquentiel construit, et qui peut être univoque –, la probabilité de l'insertion en
position 1, 2 ou 3 de l'étiquette dans un trigramme, la hiérarchie fréquentielle des trigrammes
eux-mêmes et enfin les possibilités de successions de ces derniers (il est possible qu'un
trigramme dont le score de probabilité est le plus élevé de l'ensemble décisionnel soit rejeté
car sa sélection bloque la capacité de former des trigrammes valides avec le flux non étiqueté
restant).

En sus de l'étiquetage probabiliste, TreeTagger exploite des heuristiques

linguistiques simples, telles que des expressions régulières identifiants les désinences de
l'imparfait pour le français, qui rendent le traitement plus robuste et permettent d'enrichir les
tokens d'informations plus précises, notamment en ce qui concerne leur actualisation.

18
 1.1.2.2. Corpindex

Corpindex est un étiqueteur lexicaliste développé au laboratoire LDI par F. Issac 16. Il
se fonde sur la projection de ressources dictionnairiques préconstruites (en ce sens qu'elles ne
dépendent pas d'un apprentissage automatique) sur les textes à analyser. Le processus
décisionnel à l’œuvre dans Corpindex exploite deux grandes stratégies complémentaires :
d'une part, de manière similaire à TreeTagger, les informations de fréquence liée aux tokens
considérés isolément ; d'autre part, l'établissement de règles exceptives déterminant les
conditions nécessaires et suffisantes pour que s'appliquent les étiquettes de plus faible
probabilité.

La démarche adoptée par Corpindex diffère donc sensiblement des étiqueteurs

statistiques traditionnels, en ce qu'elle prend comme point de départ l'usage et non pas la
norme – le bon sens linguistique que nous évoquions plus haut (cf. note 3). En ce sens, elle se
rapproche plus d'une heuristique linguistique que d'une heuristique statistique, et autorise un
seuil minimale de pertinence qui exploite la distribution naturelle du lexique (si est est en
moyenne dans 99,9 % des cas une forme fléchie du verbe être et dans 0,1 % des cas un
substantif, la seule application de cette caractéristique permet donc d'obtenir, pour cette unité,
99,9 % d'étiquettes correctes). Conversement, l'absence de règles exceptives ne contrarie pas
le processus d'étiquetage, et la construction de ces dernières ne s'impose que dans la mesure
où peuvent être identifiés des comportements saillants et réguliers permettant de distinguer
une étiquette mineure d'une étiquette majeure (en ce sens, on réduit le risque qu'une règle
exceptive puisse transformer un étiquetage initial correct en étiquetage incorrect).

L'indexation morphosyntaxique est par ailleurs exploitable par le biais d'automates et

de transducteurs à états finis pour explorer et transformer les textes. Corpindex met ainsi à
disposition un moteur de requête, adossé à une syntaxe propre inspirée du Corpus Query
Language17.

16
Voir F. Issac, « Place des ressources lexicales dans l’étiquetage morphosyntaxique », in L’information
grammaticale, n°122, 2009, pp. 10–18.
17
http://cwb.sourceforge.net/

19
 1.1.2.3. Étiquetage alingue et endogène de J. Vergne

Les travaux de J. Vergne se donnent pour objectif la réalisation de tâches classiques

en TAL, telles que l'étiquetage morphosyntaxique ou le chunking (cf. infra), en n'utilisant
aucunes ressources lexicographiques positives (dictionnaires morphosyntaxiques, fréquentiels,
etc.) ou négatives (stop-lists). Le traitement est ainsi qualifié d'endogène par l'auteur, en ce
sens qu'il n'exploite que les ressources directement fournies par les textes à traiter. L'approche
prônée par Vergne prend la forme, plus encore que dans les travaux de F. Issac, d'une
heuristique linguistique qui exploite des propriétés très générales de la langue – comprise
comme une capacité puissancielle de la cognition. De la sorte, le traitement n'est pas
dépendant d'une langue particulière, et c'est en ce sens qu'il est dit alingue. Nous nous
intéressons ici à une méthode de filtrage de l'information ayant pour objectif de distinguer au
sein d'un texte les mots pleins des mots vides.

Les principales caractéristiques linguistiques universelles exploitées par Vergne se

rapportent aux propriétés identifiées par Zipf sur la loi d'économie et d'expressivité du
langage : tout ce qui est fréquent d'emploi – soit, tout ce qui véhicule un sens essentiellement
grammatical et généralisant – est court et d'effectif restreint ; à l'inverse, tout ce qui est
d'occurrence plus rare est de longueur moyenne plus élevée – de sorte que le sémantisme
particulier des unités est marqué par la singularité morphologique.

La prise en compte de la longueur et de la fréquence des mots permet de réaliser un

premier étiquetage relativement performant distinguant les mots pleins des mots vides.
Néanmoins, la langue étant le théâtre de dynamiques parfois opposées, certains suites
morphologiques peuvent apparaître comme mot vide dans un contexte et mot plein dans un
autre (Vergne donne l'exemple de l'ambiguïté de une : une nouvelle vs. la une du journal). La
prise en compte de l'insertion contextuelle des unités est de fait nécessaire pour réduire bruit
et silence ; dans le cadre des travaux de Vergne, elle est réalisée par la prise en compte d'une
troisième propriété générale de la langue : l'alternance selon des patrons relativement réguliers
et restreints des mots pleins et des mots vides (par ailleurs, la prise en compte de cette
alternance, c'est-à-dire de l'insertion des mots pleins dans leur environnement déterminant –
constitue également la prise en compte d'un premier niveau de dépendances entre les unités, et
aborde ainsi incidemment les problématiques liées au regroupement syntaxique ; cf. infra).

20
 L'alternance mots vides-mots pleins est gérée de manière très simple par
l'établissement d'une dizaine de masques de tokens du type vide-plein-vide ou plein-vide-vide-
vide-plein 18 . Ce jeu de patrons, qui constitue d'ailleurs la seule ressource préconstruite à
laquelle recourt Vergne, est ordonné et déterminé : l'automate essaye d'appliquer chacun des
motifs dans l'ordre et s'arrête dès qu'un candidat convient (de la sorte, la complexité de
l'algorithme est linéaire, si bien que ce dernier est économique et rapide ; il est toutefois
dommage que J. Vergne ne précise pas quelles furent les caractéristiques linguistiques
retenues pour l'établissement du jeu de patrons ainsi que pour son ordonnancement 19). Au sein
de chaque patron, la prise en compte de la longueur des tokens et de leur fréquence est prise
en compte localement (c'est de cette façon qu'une même chaîne de caractère pourra recevoir
deux étiquettes différentes au sein du même texte). Par exemple, pour la phrase Une (l=3,
f=250) voiture (l=7, f=50) de (l=2, f=400) course (l=6, f=30) arrive (l=6, f=40) 20 , le
traitement sera du type :

1. Pavage initial : application de contraintes générales (chaque mot de

longueur supérieure à six reçoit l'étiquette P (plein). On obtient donc - P
---;
2. Premier patron à valider : PvvvP. Le patron est incompatible avec la
structure initiale. De la même façon, on rejette les patrons PvvP et PvP ;
3. Premier patron candidat : vPv. Application des heuristiques Zipfiennes
de manière locale : longueur moyenne d'un token du segment =
(3+7+2)/3 = 4 ; fréquence moyenne d'un token du segment =
(250+50+400)/3 = 233 (ces valeurs servent de pivot conjoncturels : au-
dessus de la longueur moyenne, un token est considéré plein, au-dessus
de la fréquence moyenne, il est considéré vide ; pour qu'une étiquette
soit prise en compte, il faut que les deux traits soient simultanément
validés) ; au niveau de la longueur, on obtient : de=2 < une=3 < pivot=4
< 7, le masque est donc validé ; au niveau de la fréquence, on obtient

18
« […] on recherche un pavage du segment avec les motifs suivants : PvvvP, PvvP, PvP, vPv, vPPv, vPPPƒ,
vvPƒ, vPPƒ, ∂vvvP, ∂vvP, ∂vP, où v = vide, P = plein, ƒ = en fin de segment, ∂ = en début de segment. », J.
Vergne, « Découverte locale des mots vides dans des corpus bruts de langues inconnues, sans aucune
ressource », in JADT 2004 : 7es Journées internationales d’Analyse statistique des Données Textuelles, 2004.
19
On trouve cependant quelques éléments de réponses dans un autre article de l'auteur : J. Vergne, « Un outil
d'extraction terminologique endogène et multilingue », in TALN 2003, Batz-sur-Mer, 2003.
20
f indique la fréquence du token dans le corpus, l sa longueur, les valeurs étant ici fictives mais toutefois
réalistes ; bien évidemment, la fréquence, pour être significative et prévenir des répartition aléatoires ou des
érosions naturelles dans la distribution canonique, requiert un corpus relativement important.

21
 voiture=50 < pivot=233 < une=250 < de=400, le masque est également
validé ; l'automate applique donc les étiquettes du patron vPv ;
4. On continue le traitement sur les unités restantes : l'état de l'étiquetage
donnant v P v - -, on recherche le prochain schéma candidat en essayant
de conserver la plus grande partie de l'étiquetage déjà effectué : on itère
jusqu'à obtenir l'étiquetage complet (à noter que lors de la procédure,
des tokens peuvent rester indéterminés si aucun patron ne convient).

1.1.3. Analyse syntaxique automatique

La reconnaissance automatique des dépendances syntaxiques qui relient entre elles

les différentes unités de la phrase est l'étape naturellement appelée à l'issue de l'étiquetage
morphosyntaxique. Si cette dernière opération est relativement robuste, l'analyse syntaxique
en profondeur est une tâche qui est encore loin d'atteindre un seuil de performance convenable.
De fait, les applications réellement fonctionnelles tentent plus modestement d'opérer un
regroupement syntaxique de surface (opération dite de chunking, par opposition au parsing).
Nous nous arrêterons tout d'abord sur les grammaires formelles – lesquelles, il y a vingt ans,
étaient omniprésentes et semblaient être la clé de l'analyse syntaxique en profondeur ; nous
verrons quelles limites ont considérablement atténué ces espoirs – puis nous nous
intéresserons à l'approche fondée sur les heuristiques simples et endogènes qui peuvent être
exploitées pour le chunking ou le parsing à travers les travaux de J. Vergne, avant de
finalement présenter XIP, un parseur incrémental développé au Xerox Research Center par S.
Ait-Mokhtar, J.-P. Chanod et C. Roux.

1.1.3.1. Les grammaires formelles

La notion de « grammaires formelles » désigne un paradigme de description des

structures syntaxiques construites à la fin des années soixante-dix en réaction aux limites de la

22
grammaire générative transformationnelle de N. Chomsky. Au sein de ce modèles, les
réalisations effectives sont vues comme des transformations de structures plus profondes –
soit, formellement, beaucoup plus abstraites – de sorte que la sémantique n'affleure pas
directement de la syntaxe. À l'inverse, les grammaires formelles considèrent les structures de
surface comme manifestation de l'union des composantes morphologiques, syntaxiques et
sémantiques : si chacun de ces plans véhicule ses propres ensembles de règles et de valeurs
sémantiques, c'est la prise en compte des relations entre ces ensembles (redondances ou, au
contraire, contradiction) qui balise le schéma interprétatif. En ce sens, les grammaires
formelles visent à l'unification, et incidemment à l'identification et à l'exploitation des
différentes combinaisons entre ces ensembles qualitativement distincts de marques
sémantiques21. Quoiqu'à l'instar de la grammaire générative elles se fondent sur l'idée que le
sens est lié à la bonne formation des productions, elles rendent les contraintes de bonne
formation multidimensionnelles et rompent avec la stratification lourde en couches
successives et cumulées de dérivation et de transformation. Elles sont de fait beaucoup moins
normatives, moins génératives, moins booléenne, et ainsi beaucoup plus souples et orientées
vers la prise en compte du discours (cf. le mouvement de naissance parallèle la sémantique
interprétative, qui arrivera à l'excès inverse de la sémantique générative par la sacralisation du
corpus).

Par ailleurs, les critiques de la grammaire générative et la constitution des

grammaires formelles ne reposent pas sur de seules divergences théoriques, mais sont
également l'expression de limites pratiques : au niveau psycho-cognitif, l'importance des
opérations de dérivation et de transformation, censées modéliser la proximité vis-à-vis de
sémantismes généraux et d'engrammes cognitifs universels et ainsi expliquer l'agencement
économique de la langue, s'est trouvée largement minorée à la fois par les enquêtes de terrains,
par les explorations mathématiques ou logiques du modèle et par son applicabilité variable en
fonction des différents types de langues. Plus encore, la rétivité du modèle à la traduction
informatique a imposé la constitution des grammaires formelles comme mode de description

21
« les grammaires d'unification cherchent à articuler explicitement descriptions syntaxiques, lexicales et
sémantiques, articulation d'ailleurs indispensable pour toute application informatique : l'implémentation d'une
grammaire va de pair avec la construction d'un dictionnaire électronique ; l'analyse syntaxique automatique ne
peut généralement constituer un but en soi et doit s'accompagner d'un calcul interprétatif. La vérification
systématique de la compatibilité entre informations lexicales, syntaxiques et sémantiques se fait naturellement
grâce à l'unification ». A. Abeillé, Les nouvelles syntaxes, grammaires d'unifications et analyse du français.
Armand Colin, Paris, 1993, p. 25.

23
effectif de la langue (ainsi, comme le souligne A. Abeillé 22, elles ont bénéficié des apports
nouveaux en matière de programmation, notamment le développement concomitant du
paradigme déclaratif/logique – Prolog, LISP). Toutefois, si les grammaires formelles
répondent à des besoins applicatifs, elles ne s'y trouvent pas réduites et ne sont pas
uniquement une « linguistique pour ingénieur »23 : elles mettent en place une réflexion sur
l'agencement et l'interprétation des structures de la langue, profitable à la théorisation de la
nature de cette dernière dans la conscience du sujet parlant.

Les grammaires formelles considèrent les structures de surface comme des

ensembles de traits syntaxiques, qui peuvent être atomiques ou complexes (c'est-à-dire eux-
mêmes composés de traits simples). Les traits n'appartiennent pas à des ensembles
qualitativement distincts ou, du moins, la puissance des grammaires formelles tient à ce que
tout trait peut virtuellement se manifester dans des structures de profondeur et de qualité
différentes. Plus concrètement, en terme d'enchâssement de traits, une phrase telle que Paul
prend la pomme est analysée comme suit 24 :

[Catégorie = P
Ordre = Sujet-Tête
Sujet = [
Catégorie = GN
Lex = Paul
]
Tête = [
Catégorie = GV
Ordre = Tête-Objet
Tête = [
Catégorie = V
Lex = prend
]
Objet = [
Catégorie = GN

22
Ibid., p. 13.
23
Ibid.
24
L'analyse ne correspond pas ici à un formalisme précis (HPSG, LFG, etc.) mais à une « pseudo-grammaire
formelle » universelle, telle que A. Abeillé, ibid., p. 23 la met par exemple en place.

24
 Ordre = Déterminant-Nom
Déterminant = [
Catégorie = D
Lex = la
]
Nom = [
Catégorie = N
Lex = pomme
]
]
]
]

Tout l'intérêt des grammaires formelles est que la puissance générative de la langue
n'est pas liée à un jeu limité de structures profondes, abstraites – et, de fait, littéralement
amorphes – dont il convient de lister les procédés de réécriture, mais à un jeu limité de traits
proprement universels car susceptibles de s'ancrer à tous les niveaux du système, et possédant
ainsi un marquage de surface. Aussi, les traits ne spécifient pas les types de structures ou de
relations syntaxiques (ils existent à tous les niveaux d'analyse ou de profondeur), ce sont à
l'inverse les structures et les relations qui se spécifient par une sélection et une combinaison
particulières de traits. De la sorte, les dépendances se déduisent de la récurrence des traits, et
l'enchâssement de la récurrence de leur répartition ou de leurs motifs ; le groupe nominal
prototypique sera par exemple décrit comme un enchaînement du type :

GN → D N, <genre D>=<genre N>, <nombre D=nombre N>

où les dépendances sont inscrites par l'intersélection des traits. Les relations de
dépendances – ou, de manière plus imagée, d'attraction – entre les traits permettent de
remonter la colonne syntaxique de la phrase en unifiant progressivement les motifs :

Le chat de ma mère est gentil.

[Le chat] de [ma mère] est gentil. GN → D N
[Le chat] [de [ma mère]] est gentil. GP → P GN
[[Le chat] [de [ma mère]]] est gentil. GN → GN GP

25
 [[Le chat] [de [ma mère]]] [est gentil.] GV → Vattr A
[[[Le chat] [de [ma mère]]] [est gentil.]] P → GN GV

Qu'est-ce qui explique que les grammaires formelles n'aient pas permis, au même
titre que la grammaire générative transformationnelle, d'atteindre l'horizon de l'analyse
syntaxique automatique (au point qu'elles sont aujourd'hui globalement, et fort injustement,
délaissées) ? Nous apportons brièvement deux réponses, l'une théorique, l'autre pratique.

Premièrement, à un degré certes moindre, les grammaires formelles connaissent les

mêmes écueils que la grammaire générative aux niveaux des présupposés du modèle.
L'établissement de règles de bonne formation des phrases – soit, formellement, des
combinaisons licites de traits (que celles-ci prennent la forme d'arbres, de graphes, de motifs,
etc.) – est par définition normative : elle laisse de côté les structures qui n'ont pas été
produites par les schémas qu'elles recensent, ou plus exactement elle projette des motifs
structurants sur des phrases formées sur le modèle de motifs non recensés. D'une certaine
manière, grammaire générative et grammaires formelles abordent toutes deux le discours par
la langue, et la langue par le discours (en termes Guillaumiens, l'effet par la puissance et la
puissance par l'effet) : une phrase est générée par l'application de règles de bonne formation,
et les règles de bonne formation sont déduites de la compétence en action telle que le linguiste
ou l'informaticien peut l'observer. De la sorte, à concurrence d'une récursivité virtuellement
infinie, la classe des phrases possibles est jugée finie. La force d'imposition du dit, de pliage
des règles et du jeu de la pensée, est donc mise de côté.

Notons toutefois, comme le souligne A. Abeillé 25, que la souplesse de l'approche par
la combinaison et l'unification des traits a justement eu pour but de s'émanciper de la rigidité
générative des modèles chomskyens :

« Cet ensemble de principes permet par avance de répondre à un certain type

de critiques parfois formulé à l'encontre des approches "formelles" en
linguistique, et de la linguistique mathématiques en particulier. L'argument
évoqué à leur encontre est le suivant : avoir un modèle mathématique de la
langue présente un intérêt évident pour les applications informatiques (TAL)
mais ne saurait avoir une plausabilité cognitive puisqu'on sait bien que les
énoncés ont des degrés variés de grammaticalité, alors que les grammaires
formelles définissent une frontière étanche en isolant, parmi les séquences
possibles, celles qui appartiennent à la langue et celles qui n'y appartiennent

25
Ibid., p. 25.

26
 pas. Les principes proprement linguistiques ajoutés par les grammaires
d'unification (principes de propagation de traits entre catégories d'un même
sous-arbre en GPSG, principe de sous-catégorisation en HPSG, etc.)
permettent de définir toute une palette de cas de malformation linguistique,
correspondant à la "violation" d'un ou plusieurs de ces principes : des traits à
combiner peuvent avoir des valeurs incompatibles, certains traits peuvent ne
pas se propager comme ils devraient entre différentes catégories, etc. Loin de
postuler que les langues humaines sont des langages formels, ces modèles
entendent bien rendre compte des gradations d'acceptabilité, et ont pu donner
lieu à des travaux en psycholinguistique (cf. J. Fodor 1983). »

Il semble pourtant – et, comme nous le verrons par la suite, l'expérience tend à le
prouver – que la souplesse des traits syntaxiques ne modélise pas le flou consubstantiel de la
langue en action ; la gestion des « malformations linguistiques » ne passe pas par un
relâchement des contraintes mais par leur élargissement (plus de réalités à couvrir, plus de
règles). De la sorte, la licence n'intervient pas comme catégorie et fonction sémantique
comme une autre, et n'est pas prise en compte dans le calcul du sens : une structure n'est
interprétable que si elle est pré-interprétée en amont (il y a, de fait, disjonction entre
l'imposition syntaxique et la finalité interprétative, dans sa dimension perlocutoire ou
conative). Par ailleurs, plus formellement, le « floutage » par extension des bornes de la
binarité conduit à un autre problème : la démultiplication des règles (on ne vise plus une
norme puissancielle mais des normes effectives) et leur explosion combinatoire (concurrence
des règles et génération d'ambiguïté). En effet, soit le floutage opère par la retenue du facteur
commun entre les structures, de sorte qu'on perd alors la concomitance des traits assurant
l'identification des dépendances par le biais de l'unification ; soit il passe par l'établissement
de motifs de traits contenant des contradictions, et l'on génère alors de l'ambiguïté en mêlant à
la norme de bonne formation – qui est une réalité socio-culturelle indéniable, tout en n'étant
« qu'un » repère plus ou moins commun aux interactants lors de la phase de génération –
l'infini de la production effective.

Les limites applicatives des grammaires formelles se formulent simplement et de

manière très générale : on ne parvient pas plus à dégager de manière systématique
l'agencement syntaxique d'une phrase par leur biais que par le recours à tout autre modèle
(pour tout type d'approche, les taux de performance pour des phrases un minimum complexes
sont proches de l'erreur systématique). La structuration syntaxique présuppose de posséder la
grammaire constructionnelle de la langue considérée, alors même que la langue ne se laisse
pas aborder en des termes strictement computationnels. D'une part, cela suppose le travail
d'un grammairien qui établissent les arbres, les règles, etc. ; d'autre part, si le floutage est
27
possible (cf. supra), on en revient toujours à tenter de projeter ce qui a été préconstruit sur ce
qui peut ne pas y correspondre.

L'apport des grammaires formelles est d'une incontestable richesse, et le paradoxe

qu'elles portent incitent à prolonger les travaux déjà effectués : en creux de leurs échecs
applicatifs, la souplesse, la pertinence descriptive et la robustesse des grammaires formelles
lors de leur projection manuelle suggèrent qu'il existe encore de large pans de paramètres
laissés à la gestion de la compétence humaine, dont la non prise en compte bloque
l'établissement d'un processus décisionnel entièrement automatique.

1.1.3.2. J. Vergne, approche combinatoire vs. approche calculatoire

La distinction entre approche combinatoire et approche calculatoire représente une

opposition classique en métamathématiques ou en intelligence artificielle, notamment dans les
processus de résolution automatique de problèmes. L'approche combinatoire aborde le
problème à résoudre de manière frontale, sans considération de la qualité des solutions (ne
serait-ce que l'éventualité de leur inexistence) en construisant un arbre des possibilités et en
recensant les branches « gagnantes ». En ce sens, comme le souligne J. Vergne, l'approche
combinatoire constitue plus réellement un « processus de satisfaction des contraintes » ; de la
sorte, elle est relativement peu économique, puisque sa complexité croît exponentiellement en
fonction de l'accroissement du nombre de paramètres (dans le cas du traitement automatique,
le temps de traitement est exponentielle du nombre de mots).

À l'inverse, l'approche calculatoire tente de poser le problème à résoudre de sorte que

les solutions (ou l'absence de solutions) puisse être identifiée directement. Pour illustrer les
deux approches, J. Vergne a recours à un problème classique comprenant deux variables
liées : « un fils a le quart de l'âge de son père, et leur différence d'âge est de 30 ans ».
L'approche combinatoire testera toutes les couples de valeurs possibles dans un empan
préalablement fixé (ce qui implique déjà un prise de responsabilité, puisque des contraintes
inadéquates à l'enjeu « sémantique » du problème parasiteront le traitement : des bornes trop
restreintes peuvent passer à côté de solutions désirées ; des bornes trop larges peuvent faire

28
exploser le temps de calcul) et ainsi isoler de l'ensemble des candidats le sous ensemble des
solutions effectives. L'approche calculatoire posera le problème sous forme d'un système de
deux équations à deux inconnues et sera directement « orientée solution ».

La démarche calculatoire suppose une connaissance plus étendue du problème en lui-

même (relativement à l'illustration de Vergne, l'identification d'un système de deux équations
à deux inconnues, ce qui présuppose la reconnaissance et l'interprétation d'un certain nombre
de qualités). Or, le traitement automatique des langues, contraint par l'absence de
connaissances préalables de la machine quant à son objet, semble de fait incliner
naturellement vers l'approche combinatoire ; cette dernière permet de fournir un grand
nombre de données hétérogènes en entrées et d'identifier par exploration systématique les
différentes solutions recherchées. En ce sens, les paradigmes de données fournis en entrée
sont décorrélés les uns des autres, et c'est le traitement lui-même qui se charge par
l'établissement de la classe des solutions d'établir, de fait, les corrélations ; à l'inverse,
l'approche calculatoire prend comme point de départ des liaisons préétablies entre les jeux de
données, et vise ainsi un prototype de solution. Dans le cadre de l'analyse syntaxique,
l'approche combinatoire exploite généralement trois ensembles de données :

 un ensemble de tokens issu de la segmentation du texte à traiter ;

 un dictionnaire listant pour chaque forme fléchie des informations
morphosyntaxiques ; l'ambiguïté est gérée en dégroupant les
descriptions (toute variation entraîne une description supplémentaire ;
ainsi, la suite couche est décrite comme substantif féminin singulier,
forme verbale de première personne au présent de l'indicatif, forme
verbale de troisième personne au présent de l'indicatif, etc.) ;
 un ensemble de patrons syntaxiques, correspondant à des séquences
d'étiquettes capables, par combinaison, de générer l'ensemble des
phrases d'une langue (héritage direct de la grammaire générative de
Chomsky ; cf. supra, les grammaires formelles).

L'analyseur syntaxique parcours le flux de tokens, projette les différentes étiquettes

du dictionnaire et recherche l'ensemble des configurations licites définies par la grammaire
formelle. Comme le souligne J. Vergne, « le nombre de solutions est inconnu a priori : 0, 1 ou

29
beaucoup, sans critères de choix entre solutions »26 ; par ailleurs, les dépendances syntaxiques
qui sont obtenues correspondent à la projection de structures canonisées et ne tiennent pas
compte de la prise en charge particulière de l'appareil syntaxique de la langue que représente
tout texte. En d'autres termes, l'approche combinatoire dans l'analyse syntaxique ne fonde pas
la recherche des dépendances entre les groupes sur la contextualisation des unités qui les
composent. À ce titre, les limites actuelles du TAL tiennent largement à l'aplatissement des
différents niveaux contextuels (morphologique, syntaxique, sémantique, textuel, etc. ; dans la
compétence interprétative humaine, chaque strate de l'analyse intervient et est susceptible de
participer à l'univocisation du discours produit), conséquence de la dimension unilatérale de la
chaîne de traitement et de l'hermétisme de ses différentes étapes.

Pour pallier ces difficultés et améliorer l'analyse syntaxique automatique – en tenant

compte, toutefois, des finalités applicatives 27 – J. Vergne propose d'exploiter des propriétés
très générales de la langue pour orienter le processus de regroupement et contextualiser le
processus d'établissement des dépendances entre les groupes. Ces propriétés concernent
notamment la manière dont l'agencement en séquence de tokens, inscrit dans l'espace
fonctionnel de certaines unités de la langue, est de fait prédictible. L'analyseur syntaxique
développé par J. Vergne opère dans un premier temps une regroupement de surface en
exploitant l'opérativité grammaticale d'unités telles que :

 les pronoms personnels, qui marquent le début d'une chaîne

actualisatrice (exception faite de l'inversion sujet-verbe), annoncent
l'apparition d'un verbe en contexte droit et délimitent ainsi un chunk
verbal : je le bois dans le bois → V[je le bois dans le bois] ;
 les prépositions telles que dans, qui sont des marqueurs diathétiques
délimitant un chunk nominal : V[je le bois dans le bois] → V[je le bois]
N[dans le bois]28 ;

26
J. Vergne, « Analyse syntaxique automatique de langues : du combinatoire au calculatoire », in TALN'2001.
27
L'auteur rappelle qu'il convient de ne jamais dissocier les moyens par lesquels opère l'automate de sa finalité ;
l'approche combinatoire est ainsi adaptée au traitement de très petits ensembles textuels qui sont fournis en
entrée à très haute fréquence (par exemple, l'analyse des requêtes qui sont passées à un moteur de recherche) ; à
l'inverse, lorsque l'importance des unités à traiter augmente ou que le traitement doit impérativement être réalisé
en continu (analyse à la volée de production verbales), l'approche calculatoire s'impose naturellement.
28
Notons que l'automate se fonde sur une lecture linéaire gauche droite (rejoignant ainsi la linéarité d'effet –
opposée à l'arborescence en puissance – de la conception Tesnièrienne de la phrase) : de la sorte, la rencontre
d'un nouveau marqueur de début de chunk marque implicitement la fin du chunk précédent.

30
 Le regroupement de surface sur la base des dépendances internes des opérateurs
grammaticaux représente un premier niveau de contextualisation : les tokens ne sont plus
définis par leur seule morphologie mais également comme appartenant à un groupe
spécifiquement défini et, plus encore, occupant au sein de ce groupe une position et une
fonction discriminantes. Les informations sur le contexte syntaxico-sémantique qui sont alors
récupérées permettent d'exploiter plus efficacement les ressources morphosyntaxiques ; dans
le cadre de l'exemple précédent, le perd son ambiguïté déterminant/pronom au profit de
l'étiquette pronominale, seule apte à occuper cette position (V[je(Pr) le(Pr) bois(V)]
N[dans(Ps) le(D) bois(N)]). De la sorte, « le calcul porte ainsi sur les formes et les positions,
et produit la segmentation et l'étiquetage des segments »29 : le cloisonnement des différentes
niveaux d'analyse est réduit par la prise en compte simultanée de paramètres qualitativement
différents.

Dans un second temps, l'automate établit les dépendances, entre les unités du chunk
courant ou entre les chunks – en conservant la lecture gauche-droite : des comportements
d'attente sont ainsi encodés dans les unités opératives ou les types de chunks. Lorsqu'une unité
réclame une dépendance, sa demande est empilée et chaque nouvelle unité considérée fait
d'abord l'objet d'une vérification ; si elle satisfait une contrainte antérieure, une dépendance
est installée et la demande est supprimée. Au total, l'analyseur de J. Vergne n'utilise que deux
types de ressources limitées : une nomenclature close de « déclencheurs » de chunks typés et
une base de règles définissant la gestion et la satisfaction des besoins de dépendances portés
par les unités ou les types de chunks.

1.1.3.3. Xerox Incremental Parser

Le Xerox Incremental Parser (XIP) est un analyseur syntaxique développé au Xerox

Research Center par S. Ait-Mokhtar, J.-P. Chanod et C. Roux. Ses auteurs le définissent
comme un analyseur « robuste », c'est-à-dire dont le fonctionnement n'est pas totalement
dépendant des ressources qu'il utilise pour son fonctionnement : un mot-forme absent du
lexique de XIP, ou une séquence de token grammaticaux non présente dans la nomenclature

29
Ibid.

31
des N-grammes n'empêche pas le parseur de produire une analyse. De la sorte, de même que
pour les travaux de J. Vergne et à l'encontre des grammaires formelles, XIP ne cherche pas à
projeter sur la matière à traiter les séquences d'une grammaire généro-normative mais
considère le texte brut comme vecteur de sa propre cohérence syntaxique, plus ou moins
proche du code prescrit. Par ailleurs, XIP est fondé sur un modèle décisionnel qui lui permet
de sélectionner parmi les différentes structures possibles inhérentes à l'ambiguïté de la langue
– du moins, depuis la vision parcellaire qu'en a la machine – l'agencement qui apparaît le plus
probable.

Du point de vue linguistique, XIP se fonde sur l'approche du chunk développé par
30
Abney , qui considère que le regroupement de surface des unités lexicales est une stratégie
constante dans l'interprétation et la production humaine, car elle répond globalement aux
contraintes d'économie et d'expressivité de la langue. Le chunk est une unité prosodique dont
l'accent porte sur une unité tête ; cette dernière est un mot plein entouré de mots vides le
déterminant (on retrouve ici les fondements de l'approche de J. Vergne).

XIP possède une liste de relations syntaxiques (sujet, objet, etc.) associée, pour
chacune de ces relations, à une brève sous-liste de structures et de stratégies idoines. Par
exemple, pour l'identification de la fonction sujet, XIP privilégie d'abord l'ordre canonique
sujet-verbe-objet avant de considérer dans un second temps, si la stratégie SVO échoue,
l'inversion du sujet. Lorsque les stratégies listées sont consommées sans résultat, différentes
heuristiques permettent de relâcher les contraintes et de fournir un résultat sensé.

Les règles d'apposition des dépendances sont donc agencées en strates hiérarchisées ;
plus encore, S. Aït-Mokthar précise que :
 Les règles sont organisées en couches ;
 L'application d'une règle est définitive ;
 Le chaînage arrière (backtracking) n'existe pas ;
 Une fois qu'une règle est appliquée, les syntagmes résultant ne peuvent
être supprimés ;
 Les syntagmes sont passés à la couche suivante et l'arbre est mis à jour ;

30
S. Abney, Parsing by Chunks. In : R. Berwick, S. Abney & C. Tenny (eds.), « Principle-Based Parsing »,
Dordrecht, Kluwer Academic Publishers, 1991.

32
  Les règles ne sont pas récursives (sauf de façon limitée à travers les
couches).31

L'analyseur XIP considère ainsi le texte comme un flux de token, et part du grain
d'analyse le plus fin pour remonter vers les relations syntaxico-sémantiques. Dans un premier
temps, une décision sur les étiquettes grammaticales (fondée sur l'application de patrons
morphosyntaxiques) permet de dégager un arbre des chunks de l'unité textuelle à traiter. Par la
suite, l'application des règles de dépendances (cf. supra l'exemple de la relation sujet-verbe)
permet de lier les chunks les uns aux autres.

1.1.4. Unitex et les patrons lexico-sémantiques

Unitex est un logiciel développé à l'université de Marne-la-vallée, notamment par S.

Paumier 32. Il représente une version modernisée et adaptée aux contraintes technologiques
actuelles (par exemple, la gestion de l'encodage des caractères aux normes Unicode 33 ) du
logiciel Intex, conçu en son temps au sein de l'équipe de M. Silberztein34. Unitex est un outil
dédié à l'exploration et à la transformation de corpus par le biais d'une interface exploitant une
représentation des automates à état fini et des transducteurs sous la forme de graphes à deux
dimensions. La notion de structures connectées est d'ailleurs au fondement du fonctionnement
d'Unitex, puisque des opérations de normalisation ou de prétraitement généralement prise en
charge par le biais d'expressions rationnelles à fondement typographique plus que linguistique,
par exemple la segmentation lexicale ou phrastique, sont ainsi gérées par le biais d'arbres
syntagmatiques.

Si les possibilités qu'il offre se rapprochent d'un concordancier traditionnel – en sus,

comme nous le verrons, de fonctionnalités plus linguistiques – Unitex se distingue des outils
précédemment présentés pour deux raisons majeures. D'une part, il se rapproche autant de

31
S. Aït-Mokhtar, J.-P. Chanod & C. Roux. Robustness beyond Shallowness: Incremental Deep Parsing.
32
http://www-igm.univ-mlv.fr/~unitex/
33
http://www.unicode.org/consortium/consort.html
34
Une vive polémique au sujet de la paternité de Intex/Unitex a, il y a quelques années, éclatée entre les
différentes équipes qui se sont successivement occupées de ces deux logiciels. À ce sujet, voir http://mshe.univ-
fcomte.fr/intex/Unitex.htm

33
l'esprit des modules insérables dans une chaîne de traitement à finalité applicative (à ce titre,
son cœur informatique représente une série de bibliothèques bas-niveau codée en langage C)
que des logiciels appartenant au champ de la « linguistique outillée »35 (cf. infra), puisqu'il
fournit une surcouche graphique dédiée à l'exploration de grand corpus et à l'identification de
régularités lexicales.

D'autre part, l'approche formellement mise en place par Unitex – que l'on peut
qualifier de lexico-sémantique – diffère de l'articulation et de la connexion des différents
maillons de la chaîne taliste, et lui confère une certaine autonomie. Ainsi, si Unitex procède à
une tokenisation des textes qu'il traite, il ne se fonde pas sur un étiquetage morphosyntaxique
des tokens identifiés ou, du moins, il projette les ressources lexicales désirées (par défaut,
Unitex utilise deux dictionnaires extrêmement complets, le DELAF 36 et le DELAC37) sans
opérer de désambiguïsation, de sorte que les unités atomiques d'Unitex sont
multidimensionnelles : est sera ainsi simultanément un nom masculin et une forme fléchie de
l'auxiliaire être. De la même façon, la séquence la porte est ouverte factorise toutes les
séquences issues de la combinatoire des étiquettes factorisées, sans considération normative :
déterminant-nom-verbe-adjectif, nom-verbe-nom-adjectif, etc38.

Les dépendances syntaxiques entre tokens ne sont donc pas considérées, et

l'approche prônée par Unitex repose sur l'intégration explicite des structures logico-
sémantiques (valences sémantiques, classes d'actants, etc.) aux patrons qui sont construits. En
ce sens, tant du point de vue de son fonctionnement que pour ses utilisateurs, Unitex est un
outil « orienté ressources » : l'étiquetage fourni par la projection du DELAF et du DELAC
agit comme une couche inférieure, essentiellement grammaticale, qui nécessite d'être
complétée par des ressources ad hoc, à vocation beaucoup plus logico-sémantique. Ainsi,
Unitex repose sur l'importation de dictionnaires comportant des informations libres et sur leur
exploitation dans le cadre de graphes idoines. Par corollaire, Unitex est linguistiquement
performant dans le cadre de traitements ciblés.

35
B. Habert, C. Fabre., F. Issac, De l’écrit au numérique. Constituer, normaliser et exploiter les corpus
électroniques. Paris : Masson, 1998.
36
http://www-igm.univ-mlv.fr/~laporte/serveur/Dictionnaires/Delaf.html
37
M. Silberztein, « Le dictionnaire électronique des mots composés ». In: Langue française, Vol. 87, pp. 71-83.
38
Unitex possède un arbre de désambiguïsation morphosyntaxique, mais ce dernier d'une part n'est pas utilisé
par défaut lors des opérations de prétraitement, d'autre part est relativement capricieux.

34
 Les possibilités offertes pour la constitution de ressources dépassent le cadre des
graphes et des dictionnaires constitués en externe, puisqu'Unitex intègre un moteur de flexion,
utilisant des expressions régulière et un système de pile morphologique, qui fonctionne aussi
bien pour les unités simples que pour les séquences polylexicales.

1.2. Traduction automatique et traduction assistée par ordinateur

Bien qu'elle constituait originellement l'objectif premier du recours à l'automate

informatique pour le traitement du langage naturel39, et qu'elle représente toujours le domaine
le plus fréquenté par le monde industriel, la traduction automatique (TA) reste
paradoxalement une des tâches les moins abouties. Quelques essais de traduction aller-retour
sur les différentes plateformes existantes, ne serait-ce qu'en reprenant l'exemple célèbre cité
plus haut, suffisent à s'en convaincre ; les principales difficultés demeurent la polysémie,
l'absence de prise en compte du contexte (même restreint) et les différents niveaux de
profondeur des phénomènes de polylexicalité. De fait, la plupart des solutions disponibles se
concentrent en réalité sur le domaine de la traduction assistée par ordinateur (TAO), divers
raccourcis ou ressources étant proposés au traducteur ; internet abonde d'ailleurs en
dictionnaires multilingues, corpus alignés, ou même simplement forums d'entraide et de
mutualisation des tâches.

Nombre de solutions étant payantes ou volontairement opaques quant aux stratégies

qu'elles adoptent, nous nous concentrerons sur la présentation de deux outils – un de TA, un
de TAO – qui sont à la fois librement utilisables et explicites sur leur mode de fonctionnement.

39
L'origine essentiellement informatique du TAL est perceptible dans les premières approches de la de
traduction, conçue comme une opération algorithmique de décodage aussi bien dans sa dimension pratique que
théorique. C. Boitet remarque par exemple : « Au tout début de la TA, on fit l'analogie entre traduction et
décodage (Warren Weaver, 1949), pour se rendre assez vite compte de son manque de pertinence. Il revient sans
doute au CETA, à l'initiative de B. Vauquois, d'avoir introduit l'analogie beaucoup plus féconde entre TA et
compilation. [...] on cherche seulement à transformer la forme en préservant le sens, de même qu'uncompilateur
transforme un programme en un programme équivalent [...] Ainsi un système de TA est-il vu comme une sorte
de "compilateur de langue naturelle" ». C. Boitet, Bernard Vauquois et la TAO : 25 ans de traduction
automatique : analectes. Gières : Association Champollion, 1989, 718p.

35
 1.2.1. Similis

Similis est une plate-forme d'aide à la traduction développée par Lingua et Machina 40.
Elle consiste essentiellement en une mémoire de traduction qui analyse les travaux
précédemment réalisés par ses utilisateurs pour nourrir différentes bases de données
multilingues coordonnées ; les éléments stockés sont reproposés au traducteur lors de
nouveaux travaux, accélérant ainsi l'opération de traduction et assurant également
l'homogénéité des traductions successives. En ce sens, Similis est plus adapté à des tâches qui
s'organisent en série – typiquement, la traduction de documents internes d'une entreprise, où
le vocabulaire et les tournures utilisés puisent dans le fonds lexicologique et terminologique
de la société – qu'à des traductions isolées, appartenant à des domaines disparates.

La construction des bases de données repose sur l'analyse comparée des textes cible
et source ; une première opération de tokenisation et d'étiquetage morphosyntaxique permet
d'extraire et de mettre en parallèle le lexique bilingue sous-jacent. Par la suite, un chunking
sur la base des segments parallèle permet de mettre en correspondance des séquences
polylexicales (dans l'absolu, la pertinence et l'efficacité de Similis repose donc sur une
approche traductologique visant un respect plus formel que sémantique ; la plate-forme ne
gère d'ailleurs que les langues romanes qui possèdent une structure proche). Les unités
simples et les séquences de tokens, couplés à leur équivalent interne au texte et à la paire de
langue concernés, sont alors sauvegardés. Lors de la traduction d'un nouveau document, leur
projection sur le texte permet de proposer directement des solutions de traductions, que
l'utilisateur peut adapter ou changer s'il le souhaite.

La mémoire de traduction peut-être étoffée par le biais de l'import de ressource

externe : ces dernières peuvent être des bases structurées par Similis sur des machines
extérieures, des lexiques respectant un formalisme d'entrée particulier, des corpus alignés
respectant certaines contraintes ou tout simplement des paires cible-source dont Similis fera
l'analyse pour augmenter sa base de connaissances.

40
http://similis.org/linguaetmachina.www/index.php

36
 1.2.2. Google Traduction

Parmi les multiples solutions de traduction en ligne gratuite qui existent, Google
Traduction profite de la renommée de sa maison mère pour être l'un des outils les plus
fréquemment utilisés pour de petites tâches, n'excédant pas le cadre de la phrase.

Google Traduction se fonde sur une méthode dite de « traduction automatique

statistique » qui est, dans l'esprit, très proche du fonctionnement des mémoires de traduction.
Les textes à traduire sont décomposés en unités monolexicales, lesquelles sont utilisées pour
interroger non un dictionnaire bilingue classique, mais une vaste somme de textes alignés ; de
même, l'interrogation du corpus bilingue ne cherche pas à mettre en correspondance des
unités isolés mais au contraire privilégie les empans de texte les plus larges possibles, soit de
manière directe en recherchant les séquences de tokens maximales, soit en utilisant le
contexte droit et gauche de la langue source comme indice de désambiguïsation dans la
langue cible. Les candidats sont par ailleurs pondérés par des heuristiques statistiques brutes
et classiques, telles que la taille du corpus, la fréquence d'occurrence, etc.

L'algorithme de Google Traduction repose de fait sur la possession de corpus alignés

pour chacune des paires de langue à traduire ; si l'alignement assure une bonne stabilité de la
traduction (notamment parce que le rapport à l'intérieur d'un couple de langue étant
parfaitement bilatéral et équatif, on s'affranchit en théorie de la dégradabilité des traductions
aller-retour, cf. supra), il nécessite autant de corpus alignés qu'il n'y a de paires langue source-
langue cible. Ainsi, la réalisation de l'ensemble des possibilités de traductions pour une classe
de dix langues correspond au dénombrement des paires tirées sans remise dans une urne
contenant dix éléments, soit :

factorielle(10)/factorielle(2)*factorielle(10-2)
= 3628800 / 2 * 40320
= 90

Par ailleurs, un corpus est en soi un item beaucoup plus vaste et lourd qu'un
dictionnaire, lequel en représente une factorisation, à plus forte raison si l'on considère que la

37
traduction statistique automatique est d'autant plus pertinente ou efficace que le corpus est
grand.

L'approche sur laquelle se fonde Google Traduction fait ainsi peser de fortes
contraintes tant au niveau de l'accès aux ressources (existent-elles ? Les traductions sont-elles
d'une qualité suffisante pour assurer la pertinence des propositions faites par l'automate à
l'utilisateur ?) que dans leur exploitation (comment obtenir un alignement automatique de
qualité ?).

Il ne s'agit pas de dire que la solution de la traduction automatique statistique n'est

pas viable technologiquement, mais simplement de souligner ce qu'elle a de novateur et de
symbolique. Premièrement, elle adopte une démarche inverse des méthodes en sciences
cognitives appliquées ou en intelligence artificielle, qui tentent généralement de mimer la
compétence humaine ; l'automate se fonde ici sur la réalité physique de la machine, en
insistant sur ses points forts – sa mémoire et sa capacité à effectuer un grand nombre
d'opérations simples à la seconde – et en atténuant ses faiblesses (au premier rang desquelles
son absence de connaissances linguistiques préalables).

Deuxièmement, elle résume bien les différentes possibilités et difficultés nées avec la
numérisation des textes, le développement des grands corpus numériques et l'accroissement
considérable de l'importance du web41. La traduction automatique statistique suppose d'une
part, comme nous l'avons vu, un très grand nombre de sources numériquement exploitables
(avec des problématiques d'accès au texte variables : formats de documents, océrisation, etc.),
d'autre part un espace de stockage mutualisé (les corpus ne pouvant pas, du fait de leur taille,
être dupliqués sur chacune des machines clients). Le web représente justement un espace de
stockage où différents clients peuvent accéder à un même serveur, tout en étant de fait la plus
grande archive multilingue du patrimoine humain. L'enjeu de la traduction automatique
statistique ne se situe pas au niveau de la matière disponible mais dans son modelage en
ressources exploitables (comment récupérer l'information, quand bien même est-on assuré de
sa présence ? Comment l'organiser ?).

41
Questions qui sont aujourd'hui regroupées sous les libellés de Big Data et de web sémantique.

38
 Enfin, l'approche « orientée-corpus » d'une plate-forme telle que Google Traduction
ouvre une troisième voie dans l'opposition entre méthodes génératives et méthodes formelles
(cf. supra), entre compétence et engrammes cognitifs d'une part et performance et
réalisations verbales effectives d'autre part. L'exploitation de la somme des productions
numériques remet en perspective ce débat, en abordant par un effet de seuil – internet comme
lieu d'expression dont les bornes ne sont pas fixées, toujours en expansion, mais qui est à
chaque instant un ensemble fini – la question de la prévisibilité du dit. Plus le corpus s'accroît,
plus il est probable (et même, significativement probable) que l'unité – monolexicale ou
polylexicale, dans un contexte linguistique et extralinguistique particulier – ait déjà été
employée de la même façon auparavant. La question de la traduction se déplace donc vers la
récurrence et la répétitivité des solutions expressives, et plus généralement l'abord de la
puissance du langage par l'effet.

1.3. Linguistique outillée

L'approche transdisciplinaire alliant les outils et méthodologies informatiques à

l'appareil théorique et descriptif des sciences du langage n'assume pas nécessairement une
finalité applicative. Si, jusqu'ici, nous nous sommes intéressés à des approches où
l'informatique constitue le terminus applicatif d'un mouvement engagé par le linguistique, les
outils que nous présentons dans cette section ont à l'inverse une portée essentiellement
épistémologique et expérimentale : leur objectif est de fournir au linguiste une panoplie
d'instruments aptes à rendre falsifiables les hypothèses qu'il forme sur la nature de la langue
ou du discours. Ces outils se dotent ainsi d'une surcouche graphique facilitant leur utilisation
manuelle, et proposent également diverses solutions sémiologiques transformant les résultats
numériques bruts obtenus par les algorithmes en représentations iconiques destinées à des
utilisateurs humains.

39
 1.3.1. DTM-Vic

DTM-Vic est un logiciel développé par L. Lebart42 dédié à l'exploration d'ensembles

de données, aussi bien numériques que textuelles. Du point de vue de ces dernières, DTM-Vic
s'est attaché à traduire en applications informatiques les méthodes établies par les approches
lexicométriques, logométriques ou de text-mining (littéralement, « fouille de textes »), en
plein essor à partir des années soixante.

DTM-Vic est défini par son auteur comme un outil d'analyse exploratoire
multidimensionnelle ; formellement, il se destine à la représentation sous des formes aisément
interprétables pour un être humains de grands ensembles de données, que l'on présuppose
liées les unes aux autres mais dont l'ampleur empêche d'embrasser les mécanismes structurels
sous-jacents. La multi-dimensionnalité embrasse d'ailleurs les deux versants de l'horizon visé
par DTM-Vic (exploration et représentation des résultats), puisque le cœur des méthodes
utilisées repose sur la mise en correspondance algébrique des données – au sujet desquelles le
chercheur émet l'hypothèse d'une correspondance sémantique, structurelle, interprétable – par
le biais des méthodes factorielles, lesquelles sont généralement associées à différents
mécanismes de synthèse iconique des résultats.

Du point de vue de l'analyse de données textuelles, DTM-Vic propose huit

différentes procédures réparties en trois groupes. Le premier est dédié au traitement de corpus
strictement textuels et met en place des stratégies de mise en correspondance des lexiques de
chaque texte ; les modes de représentations des résultats regroupent un concordancier simple,
des tables lexicales, la projection des données sur un axe ou un plan factoriel, un
regroupement en classes sémantiques (clusters) ou en zones topologiques statistiques (cartes
de Kohonen). Le second étend les procédures précédentes au traitement combiné de données
textuelles et numériques (ces dernières étant abstraites de données textuelles), et propose les
mêmes types de représentations. Le dernier groupe comprend un concordancier simple ainsi
qu'un module établissant la liste des segments répétés d'un texte.

42
http://www.dtmvic.com/

40
 1.3.2. TXM

TXM est une boîte à outils dédiée à l'analyse lexicale et textuelle sous l'angle
statistique. Elle est principalement développée à l'école normale supérieure de Lyon par M.
Decorde et S. Jacquot, sous la direction de S. Heiden.

TXM se situe dans la lignée de l'approche textométrique issue des travaux réalisés
par J.-P. Benzercri dans les années soixante-dix. Ce dernier a développé diverses méthodes
statistiques pour l'analyse des données, et plus particulièrement l'analyse des données
lexicales, exploitant différentes caractéristiques des individus statistiques : fréquence,
distribution, attraction mutuelle, etc. Par ailleurs, au sein de ses travaux, les résumés
algébriques bruts sont associés à des méthodes de représentation de l'information qui,
moyennant la perte d'information endémique de tout opérateur synthétique dans le champs
statistique, rendent les résultats plus aisément accessibles et interprétables pour les êtres
humains ; J.-P. Benzécri a, par exemple, développé une méthode (nommée analyse factorielle
des correspondance) permettant de réduire un tableau de contingence – par définition, un
espace multidimensionnel – en une série de projection modélisant les oppositions entre
individus sur des plans à deux dimensions, les paires d'axes étant choisie pour sa
représentativité (elles définissent les plans bidimensionnels qui réalisent les coupes de
l'espace pluridimensionnel d'origine regroupant le plus grand nombre des critères définitoires
des individus).

La textométrie reprend les grands principes de l'analyse de données en se focalisant

sur le matériau linguistique. Elle adopte une approche statistique qui est à la fois quantitative,
tant dans les phénomènes observés (qui correspondent, peu ou prou, aux « leviers »
classiques : régularité, distribution, fréquence) que dans les corpus retenus (très couramment,
plusieurs dizaines de millions d'occurrence), et qualitative ; ce dernier aspect, plus rarement
mis en avant dans l'analyse statistique dédiée à des individus purement mathématiques 43 ,
promeut de fait la capacité de l'appareil statistique à s'adapter aux contraintes et exigences
particulières des sciences humaines. L'approche textométrique est ainsi pensé comme un
cadre expérimental robuste permettant, en saisissant les disciplines dites « molles » sous un

43
Opérer des traitements statistiques sur des unités lexicales suppose d'en abstraire des propriétés
mathématiques (ce qui constitue d'ailleurs une perte d'information en soi), alors que les unités algébriques s'y
conforment en eux-mêmes.

41
angle nouveau et inhabituel, soit d'en valider les présupposés, soit d'y révéler des tendances
nouvelles. Formellement, le souci qualitatif de la textométrie s'incarne :

 dans la valorisation des singularités distributionnelles ou fréquentielles,

pendant direct de l'identification des régularités transversales et des
phénomènes massifs ;
 dans l'identification des attractions entre unités, qui en fonction des
critères retenus permettent d'aborder des réalités linguistiques lexicales,
syntaxiques, sémantiques, etc. ;
 dans la multiplication consubstantielle des grilles d'analyses, plus
particulièrement des niveaux de profondeurs du corpus : paliers
structurels classiques (lexies, coalescences lexicales – à fondement
fréquentiel, syntaxique, sémantique, etc. –, phrases, paragraphes, textes,
collections de textes et sous-corpus), paliers issu de branches telles que
l'énonciation, l'analyse discursive ou l'analyse littéraire (par exemple,
marquage des niveaux de discours : direct, rapporté, citation, etc.).

TXM a été construit dans l'esprit de ces principes. Il permet ainsi d'importer un
corpus librement structuré, quelque soit l'étendue de cette dernière, et d'en exploiter les
étiquettes par le biais d'un moteur de gestion de corpus indexés puissant. La gestion du jeu
d'étiquette est assurée par la normalisation des méthodes d'importation : l'utilisateur peut ainsi
réaliser un import direct si son corpus répond aux normes TEI 44, ou indiquer un fichier de
métadonnées indiquant le mode de structuration et permettant à la plate-forme de réaliser son
indexation. Par ailleurs, les corpus sous formes de texte brut, dépourvues d'annotations,
peuvent être pré-traités par TXM, qui a alors recours à des outils d'annotations tels que
TreeTagger.

Le cœur de TXM repose sur un module de requêtage, qui utilise le moteur IMS
Corpus Workbench 45 et sa syntaxe CQP. TXM permet ainsi de réaliser des concordances
complexes, qui peuvent elles-mêmes faire l'objet de post-traitements. Par défaut, TXM réalise
construit la table lexicale – recensant les fréquences de chacune des occurrences de chacun
des types d'étiquette – du corpus à traiter, et offre à ce points différents outils statistiques : un

44
http://www.tei-c.org/index.xml
45
Cf. supra.

42
module d'extraction des cooccurrences, un module de calcul des attractions entre unités, un
module de calcul des spécificités (qui donne un aperçu de la distribution d'un item dans les
différentes partitions d'un corpus), un module d'analyse factorielle, etc. La plate-forme permet
enfin d'importer ses propres scripts (au langage R pour les opérations purement statistiques, et
en Groovy pour la communication avec TXM en Java, langage dans lequel la plate-forme est
codée).

2. XML, un formalisme orienté vers la recherche.

Les outils actuels du Traitement automatique des langues permettent d’explorer le

texte uniquement dans sa structure de surface. Mais plus qu’un ensemble de mots couchés sur
cette surface, un texte possède une structure profonde et un formalisme. La ponctuation est un
outil qui permet d’aborder la structuration d’un texte, car elle est formelle et univoque : elle
ne permet pas d’ambiguïté. Le XML, pour eXtensible Markup Language, est un formalisme
qui permet d’ajouter aux mots une couche d’abstraction et de baliser un texte de manière
invisible et libre. Le W3C (World Wide Web Consortium), l’organisme de normalisation du
web, définit le XML comme « un format de texte simple dérivé du SGML (ISO 8879) » 46,
tout comme le HTML (HyperText Markup Language).

Le SGML, ou Standard Generalized Markup Language, est né en 1969 des

laboratoires d’IBM comme un métalangage de balisage conçu pour faciliter l’échange et la
révision de notices. Il instaure un système de tags ou balises pour structurer la donnée
textuelle en arborescence 47. Le HTML apparaît en 1991 sous la houlette du W3C afin de
répondre aux besoins du web. Il permet la construction de pages web en suivant un
formalisme mêlant métadonnées et données respectivement contenues dans les balises
<head> et <body> qui est interprété côté client par un navigateur web comme Internet
Explorer, Mozilla Firefox ou Google Chrome.

46
http://www.w3.org/XML/.
47
http://xmlfr.org/documentations/articles/000321-0001.

43
 La philosophie du XML aujourd’hui est d’autoriser tout ce qui n’est pas interdit en
visant à offrir l’éventail de souplesse le plus large possible avec un mélange de liberté et de
rigueur, à l’opposé de la philosophie des applications en HTML, plus permissives dans leur
formalisme. Ces deux pôles sont les extrêmes de l’axe XML. Il est en effet possible de
moduler l’emploi que l’on veut faire du XML pour tendre davantage vers un formalisme
ouvert ou verrouillé.

XML permet de superposer plusieurs couches d’abstraction sur le document. La

première se situe au plus proche du texte : les balises permettent de créer une zone de texte
que l’on peut enrichir d’informations linguistiques ou métalinguistiques.

2.1. Une cartographie du texte : les balises comme stratification des lieux de
discours

2.1.1. Un marquage des lieux de discours: les balises

Le HTML est un dialecte du XML. Ils partagent la même syntaxe, mais le HTML
impose une nomenclature pour permettre une interprétation via un navigateur. Le HTML et le
XML se distinguent par leur philosophie mais aussi par leurs applications. Le développement
en HTML est destiné à l’affichage de texte. Il se trouve à la fois plus contraignant et plus
laxiste car une page HTML doit répondre à un cahier des charges qui lui est propre et à un but
fixé. Le lexique utilisé n’est pas libre. L’emploi de certaines balises est imposé, par exemple
<a> est réservé pour les liens hypertextuels et pour rien d’autre en HTML 48.

À l’inverse, le XML est plus souple car aucune nomenclature n’est nativement
imposée et il se fonde avant tout sur un système de balises. Il existe néanmoins quelques vives
recommandations, telles que l’emploi de l’UTF-8, qui est la table Unicode recommandée dans
une volonté de standardisation de l’encodage 49 . Tout comme en HTML, ce système est
composé de balises permettant d’encadrer l’information, de manière invisible. Les balises

48
Voir Annexe 1.
49
Voir pour plus d’informations http://www.unicode.org/standard/translations/french.html.

44
constituent la structure du texte, l’enrichissant de métadonnées. Ces métadonnées ne sont pas
au même niveau que les données :

Unijambiste, <personnage>Cyrus</personnage> redevenait lui-

même. <personnage>Adam</personnage> retrouvait le père de son
enfance. Au début de leur rencontre, il avait ressenti un léger mépris, mais
maintenant, la peur, le respect, l’animosité de sa jeunesse renaissaient en lui,
et il se retrouvait petit garçon à deviner l’état d’esprit de son père pour éviter
tout ennui.50

Ce système de balises permet d’encadrer l’information de manière invisible. En effet,

l’intérêt même d’un document XML est de pouvoir enrichir un texte sans que cela ne soit un
frein à sa lisibilité. Dans l’exemple ci-dessus, la balise <personnage> permet de cibler
l’information, mais également de la délimiter en indiquant son début et sa fin. Ainsi, Cyrus
sera enrichi de cette information tout comme Adam et celle-ci pourra être exploitée par la
suite. Ce double niveau d’information peut être observé sur le web, où des pages qui
apparaissent comme de simples textes sont en fait enrichis de nombreuses informations.

Les balises vont toujours par paire, elles peuvent être soit ouvrantes,
<personnage>, soit fermantes comme </personnage>. Le formalisme XML impose la
présence d’une balise fermante pour chaque balise ouvrante. Un document XML ne respectant
pas cette syntaxe sera dit mal formé. Les navigateurs peuvent s’affranchir de la bonne
formation d’un document et permettre malgré tout un affichage. Ce laxisme a conduit à rendre
la production de documents HTML moins rigoureuse et un nombre non négligeable de pages
sur le web s’avèrent être mal formées. Une telle chose est impossible pour un document XML,
le respect de cette syntaxe est le premier niveau du formalisme. Le jeu de balises ouvrantes et
fermantes constitue ce que nous qualifions de syntaxe horizontale, une balise ouvrante
précède obligatoirement une balise fermante. Celle-ci se situe donc au niveau de la balise. En
plus de celle-ci, il existe une autre syntaxe, dite verticale.
Un document XML est un fichier contenant des données organisées et structurées.
C’est à ce titre qu’ils sont exploités comme base de données. Si une base de données SQL à la
représentation d’un tableau Excel, un document XML possède une arborescence. Et à la base
de cet arbre, on trouvera une racine. La racine d’un document XML est un couple de balise
qui va englober tout le document, données comme balises. Il ne peut et ne doit exister qu’une
racine par document XML. Partant de la racine, un document XML peut être considéré
50
John Steinbeck, À l’est d’Eden.

45
comme des poupées russes où chaque poupée est une balise contenant d’autres balises. La
structure du Cid pourrait être représentée de la façon suivante en XML :

<racine>

<titre>Le Cid</titre>

<acte1>
<scene1>Elvire et Chimène</scene1>
<scene2>Doña Urraque amoureuse de Rodrigue</scene2>
<scene3>Don Diègue au poste de gouverneur</scene3>
<scene4>Monologue de Don Diègue</scene4>
<scene5>Volonté de tuer Don Gomès</scene5>
<scene6>Monologue de Rodrigue</scene6>
</acte1>

<acte2>
<scene1>Don Arias et Don Gomès</scene1>
<scene2>Duel entre Don Gomès et Don Rodrigue</scene2>
<scene3>Discussion entre l'Infante et Chimène</scene3>
<scene4>Annonce du duel en cours</scene4>
<scene5>Discussion entre l'infante et Léonor</scene5>
<scene6>Le refus de Don Gomès</scene6>
<scene7>La mort de Don Gomès</scene7>
<scene8>Chimène demande vengeance</scene8>
</acte2>

<acte3>
<scene1>Rodrigue vient chez Chimène</scene1>
<scene2>Chimène arrive accompagnée de Don
Sanche</scene2>
<scene3>Les sentiments de Chimène</scene3>
<scene4>Rodrigue vient offrir sa vie à Chimène</scene4>
<scene5>Monologue de Don Diègue</scene5>
<scene6>L'honneur plus important que l'amour</scene6>
</acte3>

<acte4>
<scene1>Rodrigue victorieux</scene1>
<scene2>L’Infante vient prendre part aux douleurs de
Chimène</scene2>
<scene3>Les félicitations de Rodrigue</scene3>
<scene4>Arrivée de Chimène</scene4>
<scene5>Chimène encore amoureuse de Rodrigue demande un
combat qui tranche le différend</scene5>
</acte4>

<acte5>
<scene1>Rodrigue offre une nouvelle fois sa vie à

46
 Chimène</scene1>
<scene2>Monologue de l'infante</scene2>
<scene3>Léonor vient réconforter l'Infante</scene3>
<scene4>Désarroi de Chimène</scene4>
<scene5>La méprise de Chimène</scene5>
<scene6>Le roi détrompe Chimène</scene6>
<scene7>Le mariage est résolu</scene7>
</acte5>

</racine>

Ce document est bien formé : il possède une racine unique et chaque balise ouvrante
appelle une balise fermante. La profondeur de l’arborescence y est illustrée. Un autre élément
qui participe à la bonne formation du document est le non chevauchement des balises.

<acte1> <scene1> Elvire et Chimène </scene1> <acte1> est bien formé.

<acte1> <scene1> Elvire et Chimène </acte1> </scene1> est mal formé.

Remise dans un schéma en arborescence, cette mauvaise formation est encore plus
saillante :
<racine>
<acte1>

<scene1> Elvire et Chimène

</acte1>

</scene1>
</racine>

Un document XML est un arbre généalogique où chaque élément se définit par

rapport à ses ascendants, ses descendants et par les autres membres de la même génération.
Chaque élément a donc son identité propre dans l’arbre XML, mais il est possible de les
caractériser davantage grâce à des attributs.

47
 2.1.2. La spécification des nœuds de l’arborescence : les attributs

Les attributs permettent d’apporter des informations aux balises. Les balises
connaissent des contraintes dans le choix des caractères. En effet, il est recommandé de se
limiter à ceux de la table ASCII pour éviter des problèmes d’encodage. Ainsi, sont à proscrire
tous les caractères avec des marques diacritiques. La valeur des attributs est entre guillemets.
À ce titre, il s’agit d’une chaîne de caractères et l’emploi de diacritiques n’est plus prohibé.
Dans l’exemple du balisage du Cid, nous pouvons envisager l’utilisation des balises et
attributs suivants :
<racine>

<titre>Le Cid</titre>

<acte id=”1”>
<scene id=”1”>Elvire et Chimène</scene>
<scene id=”2”>Doña Urraque amoureuse de Rodrigue</scene>
<scene id=”3”>Don Diègue au poste de gouverneur</scene>
<scene id=”4”>Monologue de Don Diègue</scene>
<scene id=”5”>Volonté de tuer Don Gomès</scene>
<scene id=”6”>Monologue de Rodrigue</scene>
</acte>

<acte id=”2”>
<scene id=”1”>Don Arias et Don Gomès</scene>
<scene id=”2”>Duel entre Don Gomès et Don
Rodrigue</scene>
<scene id=”3”>Discussion entre l'Infante et
Chimène</scene>
<scene id=”4”>Annonce du duel en cours</scene>
<scene id=”5”>Discussion entre l'infante et
Léonor</scene>
<scene id=”6”>Le refus de Don Gomès</scene>
<scene id=”7”>La mort de Don Gomès</scene>
<scene id=”8”>Chimène demande vengeance</scene>
</acte>

</racine>

En se servant des attributs, on ne multiplie plus les balises qui étaient alors à usage
unique mais on établit une classe qui est caractérisée. La pièce n’est plus segmentée en un
acte1, un acte2 jusqu’à un acte5, mais en acte. Chaque acte se voit affecter un
identifiant. Ainsi, le premier acte sera un acte parmi d’autres acte, à la différence que son
48
identifiant sera 1. Cette caractérisation est plus proche ontologiquement de la représentation
que l’on se fait de la structure d’une pièce de théâtre, mais elle facilitera aussi la recherche par
la suite. La caractérisation ne se limite pas à un identifiant mais peut aller plus loin grâce à la
multiplication des balises. Un conjugueur pourrait se baser sur la base de données XML
suivante :
<racine groupe=”1er” verbe=”manger”>

<conjugaison mode=”indicatif” temps=”présent”>

<personne id=”1” nombre=”singulier”>mange</personne>
<personne id=”2” nombre=”singulier”>manges</personne>
<personne id=”3” nombre=”singulier”> mange</personne>
<personne id=”1” nombre=”pluriel”>mangeons</personne>
<personne id=”2” nombre=”pluriel”>mangez</personne>
<personne id=”3” nombre=”pluriel”>mangent</personne>
</conjugaison>

<conjugaison mode=”subjonctif” temps=”imparfait”>

<personne id=”1” nombre=”singulier”>mangeasse</personne>
<personne id=”2” nombre=”singulier”>mangeasses</personne>
<personne id=”3” nombre=”singulier”> mangeât</personne>
<personne id=”1” nombre=”pluriel”>mangeassions</personne>
<personne id=”2” nombre=”pluriel”>mangeassiez</personne>
<personne id=”3” nombre=”pluriel”>mangeassent</personne>
</conjugaison>

</racine>

En remontant l’arborescence de la donnée à la racine, « mangeassions » correspond à

la première personne du pluriel au subjonctif imparfait du verbe du premier groupe
« manger ». XML offre une très grande liberté de choix dans la construction de la structure de
données. Cette flexibilité est un avantage certain, mais peut également s’avérer être source de
problème, en particulier dans le cadre d’un travail collaboratif. La structure doit être la plus
uniforme possible pour pouvoir être exploitée au mieux, c’est pourquoi il est parfois
nécessaire d'apposer une couche supplémentaire de formalisme afin de garantir une
homogénéité.

49
 2.2. La DTD, un degré supplémentaire dans le formalisme

Une harmonisation passe par l’établissement de règles communes. L’un des écueils
du travail d’équipe est l’évidence. Considérer une nomenclature comme une évidence est une
gageure. Ce qui peut paraître évident pour soi ne l’est pas nécessairement pour autrui car
chaque grille de lecture est la manifestation d’une subjectivité. XML est un monde ouvert
avec très peu de contraintes, il est donc aisé de tomber dans une anarchie formelle. Cette
anarchie est néfaste à l’optimisation d’une base de données car elle a des répercussions sur
son temps de réponse et donc sur ses performances. Elle nuit également à sa lisibilité et rendra
la rédaction moins aisée. C’est pourquoi il est parfois nécessaire d’adosser à un document
XML un Document Type Definition (DTD) qui définira le champ des possibles dans
l’utilisation des balises et des attributs. La bonne formation d’un document XML constitue le
premier contrôle, la validité par rapport à une DTD sera le second.

HTML a été défini plus haut comme un dialecte de XML. Il s’agit davantage d’un
XML doté d’une DTD bien particulière, où seules certaines balises sont autorisées, où
certaines balises peuvent avoir un attribut particulier et d’autres doivent absolument en avoir
un bien précis. Cette DTD garantie une harmonisation des pages à destination du web afin
qu’elles soient interprétées correctement par les navigateurs. De la même manière, il est
possible de créer sa propre DTD qui pourra être consultable comme document de référence
pour l’ensemble des rédacteurs du fichier XML. La rédaction d’une DTD contrôle de manière
absolue le choix de structuration des rédacteurs, elle doit donc pouvoir subvenir à tous les
besoins en les anticipant. Ce contrôle se fait sur six niveaux : le nom des balises, le contenu
des balises, leur nombre, le nom des attributs, la valeur des attributs et la nécessité de leur
présence.

2.2.1. Le nom des balises

Une DTD possède deux types de déclaration : les déclarations de balises et celles
d’attributs51. Les balises se déclarent de la manière suivante :

51
Voir Annexe 2 pour un exemple complet de DTD.

50
 <!ELEMENT racine>

L’écriture d’une DTD doit se faire avec un soin particulier, car elle sera extrêmement
contraignante. L’orthographe n’admet pas d’approximation. Toute balise ne correspondant
pas à <racine> sera rejetée lors de la validation. Seront rejetés <racines>, <Racine>,
<RACINE> car la casse n’est pas ignorée.

2.2.2. Le contenu des balises

Une balise peut contenir deux types d’information : des données ou d’autres balises.
La donnée sera textuelle, sous forme de chaîne de caractère. Le texte est le degré le plus bas
de l’arborescence XML. Le but de cette arborescence est précisément de structurer cette
donnée. Au niveau des balises, la donnée textuelle est déclarée sous le code #PCDATA. Les
balises déclarées comme descendants sont simplement nommées.

<!ELEMENT racine (titre|acte|#PCDATA)>

Dans cet exemple, la racine du document XML pourra être composée de trois
éléments uniquement : une balise <titre>, une balise <acte> ou du texte. Cette liste est
exhaustive mais sans contraindre à l’emploi obligatoire des trois.

2.2.3. Le nombre de balises

La DTD contraint à la nature des descendants d’une balise, mais également leur
nombre. Cette précision se fait à l’aide d’un emprunt aux expressions rationnelles 52. Ainsi, il
sera possible d’adjoindre des multiplicateurs aux déclarations de descendance :

52
Pour plus de précisions sur les expressions rationnelles, J. Friedl. Mastering regular expressions. Sebastopol,
CA : O'Reilly Media, Inc., 2006.

51
  ? indique que la balise descendante pourra être omise, mais si elle est présente,
elle ne pourra l’être qu’une fois ;
 + contraint à ce que la balise soit présente au moins une fois sans limiter son
nombre d’occurrences ;
 * laisse la possibilité d’employer la balise ou pas, et si elle est employée elle ne
sera pas limitée en nombre d’occurrences.

<!ELEMENT racine (titre|acte|#PCDATA)+>

Dans cet exemple, la balise <racine> doit avoir pour descendant obligatoirement
au moins une balise <titre>, au moins une balise <acte> et obligatoirement du texte
hors balise.

2.2.4. Le nom des attributs et leur valeur

Tout comme pour les balises, le nom des attributs doit pouvoir être contraint si la
rédaction du document XML exige un haut niveau de rigueur et d’homogénéité. La
déclaration des attributs possibles se fait en les rattachant à une balise. La valeur de l’attribut
doit également être précisée pour chacun d’entre eux, à savoir si la valeur est imposée ou
libre. Si elle est libre, le code employé sera CDATA. La valeur de l’attribut étant une chaîne de
caractères, l’emploi des diacritiques est possible. Ceux-ci ne seront alors pas optionnels à la
rédaction mais obligatoires. Si la DTD indique comme valeur d’attribut possible
« métaphore » et que la valeur des attributs est imposée, employer « metaphore » rendra le
document invalide vis-à-vis de la DTD. La déclaration se fait par balise, il est possible de
déclarer plusieurs attributs ainsi que leurs valeurs possibles :

<!ATTLIST scene moment (jour|nuit)

decor (intérieur|extérieur)
comediens CDATA>

Pour une scène, la DTD impose que pour chaque balise scene la valeur de l’attribut
moment ne puisse être que « jour» ou « nuit» et aucun autre, et que celle de l’attribut decor

52
ne puisse être que « intérieur » ou « extérieur ». En revanche, pour comediens, la valeur de
cet attribut est libre.

2.2.5. L’optionalité des attributs

La DTD est un document devant parer à toutes les éventualités. Toutefois, tous les
éléments de la structure ne sont pas à un même niveau d’importance. Dans l’exemple
précédent, indiquer les éléments de mise-en-scène pour chaque scène peut sembler important,
du moins plus important que le nom des comédiens. La DTD arrête quels sont les attributs
obligatoires et lesquels sont optionnels à l’aide des mentions #REQUIRED et #IMPLIED.

< !ATTLIST scene moment (jour|nuit) #REQUIRED

decor (intérieur|extérieur) #REQUIRED
comediens CDATA #IMPLIED >

Procéder de la sorte garantira la présence d’informations jugées indispensables. Dans

cet exemple, il sera possible de faire des recherches directement sur la valeur des attributs.

Une nomenclature stricte permet d'accéder à n’importe quelle base à travers une
identification relative. Il est également possible d’affiner l’identification des nœuds à travers
l’exploitation de l’arborescence structurant les balises grâce à une étude de leur généalogie.

2.3. XPath, un fil d’Ariane

Une personne peut se définir par un certain nombre de traits qui lui sont propres. Les
attributs de balises servent en ce sens à caractériser un élément. Mais il est fréquent, en
particulier dans les petites structures sociales, qu’une personne soit caractérisée par le lien
qu’elle possède avec un ou des ascendants. Il en va de même dans une arborescence XML.
<racine>

<titre>Le Cid</titre>
53
 <acte>
<scene>Elvire et Chimène</scene>
<scene>Doña Urraque amoureuse de Rodrigue</scene>
<scene>Don Diègue au poste de gouverneur</scene>
<scene>Monologue de Don Diègue</scene>
<scene>Volonté de tuer Don Gomès</scene>
<scene>Monologue de Rodrigue</scene>
</acte>

</racine>
Dans cet exemple, il est possible de retrouver n’importe quelle balise via le chemin
qui mène à elle depuis la racine. Dans cette généalogie, la donnée textuelle est représentée par
text(). Ainsi, « Le Cid » correspond à racine/titre/text(), « Elvire et Chimène »
à racine/acte/scene/text(). S’il n’existe pas d’ambiguïté pour « Le Cid », car
chaque élément du chemin est unique dans l’arborescence, le chemin menant à « Elvire et
Chimène » peut sembler plus équivoque, car il existe plusieurs balises scene dans acte. Si
ce chemin renvoie à « Elvire et Chimène » et pas à « Doña Urraque amoureuse de Rodrigue »,
c’est parce que dans la descendance de acte, le scene contenant « Elvire et Chimène » est
le premier de cette génération et ce sera lui qui sera considéré comme le fils par défaut sans
autre mention. Il sera donc possible d’accéder à la donnée du second scene à condition de le
caractériser par son rang dans sa génération. Le chemin pour atteindre la donnée « Doña
Urraque amoureuse de Rodrigue » sera donc racine/acte/scene[2]/text().

Il est également possible d’accéder à cette donnée en mêlant un chemin absolu et un

chemin relatif. Il est en effet possible d’accéder à des balises à travers d’autres de la même
génération. Il est possible d’accéder à cette même donnée en se servant de la première balise
scene comme d’un relais après une exploration verticale pour ensuite procéder à une
exploration horizontale grâce à des références relatives dans la génération, par exemple par le
biais de following-sibling::* pour la balise suivante et de previous-
sibling::* pour la précédente :

racine/acte/scene/text() « Elvire et Chimène »

racine/acte/scene[3]/text()
« Don Diègue au poste de gouverneur »

racine/acte/scene[3]/following-sibling::*/text()
« Monologue de Don Diègue »

54
 racine/acte/scene[3]/previous-sibling::*/text()
« Doña Urraque amoureuse de Rodrigue »

Il est également possible de se servir des attributs pour injecter de la détermination

relative dans un chemin absolu. Si l’on considère cet extrait du fichier XML présenté en
1.3.1.2., il est possible d’accéder à une donnée précise en s’appuyant sur les attributs de
balise :

<racine>

<titre>Le Cid</titre>

<acte id=”1”>
<scene id=”1”>Elvire et Chimène</scene>
<scene id=”2”>Doña Urraque amoureuse de Rodrigue</scene>
<scene id=”3”>Don Diègue au poste de gouverneur</scene>
<scene id=”4”>Monologue de Don Diègue</scene>
<scene id=”5”>Volonté de tuer Don Gomès</scene>
<scene id=”6”>Monologue de Rodrigue</scene>
</acte>

</racine>

L’accès au titre de la cinquième scène se fera via le chemin suivant :

racine/acte/scene/@id=”5”/text()

L’attribut apparaît ici comme une balise d’un type bien particulier mais balise malgré
tout.

La conjonction de ces moyens permet d’accéder à la donnée de manière rapide en la

ciblant directement. XPath permet également d’améliorer les performances d’accès à la
donnée en se servant de ces moyens d’identification pour éliminer le bruit et spécifier un
chemin en réduisant le nombre cartésien de balises à l’aide de subordonnées, exprimées par
les crochets droits. L’apport des attributs de balise prend alors tout son sens. Dans le fichier
XML reprenant la structure du Cid, il est très aisé d’accéder directement au titre de la scène
simplement en caractérisant les nœuds quand nécessaire. En langue naturelle, « La mort de
Don Gomès » est la scène 7 du deuxième acte. Le chemin menant à cette donnée sera donc :

55
 racine [./titre=”Le Cid”] / acte [./@id=”2”] / scene
[./@id=”7”] / text()

Chaque partie entre crochet est une subordonnée qui sert à déterminer le nœud en
question. Dans des structures complexes où l’accès à la donnée peut prendre plusieurs
minutes voire dizaines de minutes, réduire le nombre de chemins possibles a un impact
certain sur les performances de gestion de la base de données.

L’ensemble de ces technologies et fonctionnalités satellites du XML sont autant de

briques qui vont par la suite permettre de construire un corpus et de l’interroger en tirant
partie de ces couches d’abstraction. En convertissant la structure d’un texte en arbre XML,
ces briques vont être à la base de requête qui opéreront un traitement informatique de données
linguistiques et inversement grâce au langage de requêtage XQuery.

2.4. XQuery, à la recherche de la donnée

XQuery est un langage de requêtage, au même titre que SQL, appartenant au

paradigme fonctionnel. Un langage fonctionnel n’altère pas la donnée, elle est le facteur d’une
opération de transformation afin de procéder à son exploitation. Un des emplois les plus
communs de XQuery est la récupération de données dans une base XML. La version actuelle
est la 3.053. XQuery a été développé et pensé pour le XML et ses fonctions natives en font un
outil particulièrement adapté pour le traitement de la langue. En tant que langage de requêtage,
XQuery accède aux données stockées dans une base mais permet de sculpter ses ressources de
manière ad hoc.

53
Plus d’informations sur les spécificités de XQuery sur le site du W3C, http://www.w3.org/TR/2014/REC-
xquery-30-20140408/#id-introduction.

56
 2.4.1. La boucle au cœur de la requête

À l’inverse de Python, PERL ou C qui sont des langages procéduraux, XQuery

s’inscrit dans le paradigme fonctionnel. XQuery est un langage de requêtage. Il permet
d’interroger une base de données comme SQL le fait avec des tables. Une des différences
entre un fichier XML et une table SQL est la profondeur de la structure. Afin d’accéder aux
données, les requêtes se basent sur l’utilisation de boucles. On dénombre cinq instructions
regroupées sous l’acronyme FLOWR :
 for
 let
 order by
 where
 return

Les deux instructions les plus importantes sont for et return. for lance la boucle
qui parcourt le fichier XML où la variable de boucle va prendre successivement plusieurs
états et return renvoie le résultat de la requête. L’arbre XML suivant est un extrait du
dictionnaire électronique Morphalou. Il est possible avec une simple requête d’obtenir tous les
lemmes du dictionnaire :

<lexicon>
<lexicalEntry>
<lemmatizedForm>
<orthography>casserole</orthography>
<grammaticalCategory>commonNoun</grammaticalCategory>
<grammaticalGender>feminine</grammaticalGender>
</lemmatizedForm>
<inflectedForm>
<orthography>casserole</orthography>
<grammaticalNumber>singular</grammaticalNumber>
</inflectedForm>
<inflectedForm>
<orthography>casseroles</orthography>
<grammaticalNumber>plural</grammaticalNumber>
</inflectedForm>
</lexicalEntry>
<lexicalEntry>
<lemmatizedForm>
<orthography>alligator</orthography>
<grammaticalCategory>commonNoun</grammaticalCategory>

57
 <grammaticalGender>masculine</grammaticalGender>
</lemmatizedForm>
<inflectedForm>
<orthography>alligator</orthography>
<grammaticalNumber>singular</grammaticalNumber>
</inflectedForm>
<inflectedForm>
<orthography>alligators</orthography>
<grammaticalNumber>plural</grammaticalNumber>
</inflectedForm>
</lexicalEntry>
<lexicalEntry>
<lemmatizedForm>
<orthography>petit</orthography>
<grammaticalCategory>adjective</grammaticalCategory>
</lemmatizedForm>
<inflectedForm>
<orthography>petit</orthography>
<grammaticalNumber>singular</grammaticalNumber>
<grammaticalGender>masculine</grammaticalGender>
</inflectedForm>
<inflectedForm>
<orthography>petits</orthography>
<grammaticalNumber>plural</grammaticalNumber>
<grammaticalGender>masculine</grammaticalGender>
</inflectedForm>
<inflectedForm>
<orthography>petite</orthography>
<grammaticalNumber>singular</grammaticalNumber>
<grammaticalGender>feminine</grammaticalGender>
</inflectedForm>
<inflectedForm>
<orthography>petites</orthography>
<grammaticalNumber>plural</grammaticalNumber>
<grammaticalGender>feminine</grammaticalGender>
</inflectedForm>
</lexicalEntry>
</lexicon>

for $x in lexicon/lexicalEntry/lemmatizedForm/orthography
return $x

Lors du parcours de la boucle, $x va successivement prendre la valeur de tous les

nœuds qui correspondent à ce chemin XPath. Cette liste sera l'élément renvoyé par return.
Ainsi, le résultat de cette requête sera :
<orthography>casserole</orthography>
<orthography>alligator</orthography>
<orthography>petit</orthography>

58
 2.4.2. Construire la requête idoine

L’un des atouts majeurs de XQuery est de pouvoir sculpter soi-même le résultat que
l’on veut obtenir. Il est tout à fait possible de reconstruire un arbre XML à partir des données
collectées. La fonction data() contribue à cette possibilité en accédant directement à la
donnée contenue dans les balises. Les instructions entre accolades permettent de mêler ce qui
est de la donnée et ce qui doit être interprété comme du code XQuery.
<lexique>
{ for $x in lexicon/lexicalEntry/lemmatizedForm/orthography
return <lemme>{data($x)}</lemme> }
</lexique>

Cette requête nous permettra d’obtenir notre propre ressource linguistique, un

dictionnaire composé de lemmes uniquement :
<lexique>
<lemme>casserole</lemme>
<lemme>alligator</lemme>
<lemme>petit</lemme>
</lexique>

La fonction string-join() crée une chaîne de caractères à partir du contenu

d’une balise. text() renvoie la donnée, mais seulement les chaînes de caractères qui sont
contenues dans la balise concernée. Si elle contient une balise elle-même, son contenu sera
ignoré. data() permet d’accéder directement à tous les contenus jusqu’à la plus grande
profondeur possible. string-join() permet de reconstruire une chaîne de caractère à
partir d’un arbre XML :
<descr sens="temporalité">attendre longtemps</descr>
<exp registre="courant">
<v>attendre</v>
<adv>
<det>107</det>
<n>ans</n>
</adv>
</exp>
</descr>

La requête suivante permet de récupérer l’expression figée de ce dictionnaire :

for $x in descr/exp

59
 return<exemple>{string-join($x//text()," ")}</exemple>

Le résultat renvoyé est:

<exemple>attendre 107 ans</exemple>

L’exploitation de XPath permet de trier les entrées pour obtenir un résultat

particulier. Ainsi, si l’on ne souhaite obtenir que des lemmes appartenant à la catégorie des
adjectifs, il suffit d’adapter la requête soit en ajoutant une clause where soit en se servant des
crochets droits. Voici deux requêtes synonymes pour obtenir ce résultat :
<lexique>
{ for $x in lexicon/lexicalEntry/lemmatizedForm
where $x/grammaticalCategory='adjective'
return <lemme>{data($x/orthography)}</lemme> }
</lexique>

et
<lexique>
{ for $x in
lexicon/lexicalEntry/lemmatizedForm[./grammaticalCategory='ad
jective']
return <lemme>{data($x/orthography)}</lemme> }
</lexique>

Ces deux requêtes produiront le même résultat : un lexique de formes lemmatisées

d’adjectifs. De nombreuses fonctions permettent de créer des requêtes spécifiques à la
recherche. L’utilisation des expressions rationnelles est possible avec la fonction
matches(). Elle autorise de créer un motif ou des motifs qui pourront être exploités dans la
requête. Par exemple matches(.,’poi.?res?’) reconnaîtra potentiellement poire,
poires, poivre, poivres.
Il est possible en XQuery de déclarer des variables comme dans les langages
procéduraux. Couplée aux expressions rationnelles, la déclaration de variables permet de
démultiplier les candidats avec l’instruction let. La nature de la variable peut être simple,
comme une chaîne de caractères, mais il est également possible de déclarer une liste :
let $liste := ("commonNoun","verb")

En initialisant une boucle qui parcourra $liste pour prendre successivement

chacune de ses valeurs, on introduit une couche de potentialité à la requête.

60
 let $liste := ("commonNoun","verb")
return
<lexique>
{
for $x in
lexicon/lexicalEntry/lemmatizedForm[./grammaticalCategory=$li
ste]
return <lemme>{data($x/orthography)}</lemme> }
</lexique>

On obtient ainsi un lexique composé des lemmes de tous les noms communs et de
tous les verbes du dictionnaire. Il est possible d’obtenir un seul résultat pour plusieurs
requêtes.

La maîtrise de la structure est une clé de l’exploitation d’un document XML. Celle
de la donnée en est une autre. Une chaîne de caractères est un flux de données. Afin de
pouvoir opérer un traitement linguistique de ce flux, il est indispensable de pouvoir d’en
isoler ses unités constitutives. La définition du mot pose problème ; l’informatique l’a
contourné via le token. Un token se définit comme un ensemble de caractères séparés par un
caractère spécifique, l’espace est généralement celui retenu pour se rapprocher d’un
découpage en mots relativement performant. Ce processus s’appelle la tokenisation. Il est
également possible d’aller à un niveau supérieur et de procéder à une tokenisation par phrases
en prenant comme caractère séparateur toute marque de ponctuation forte, comme le point, le
point d’exclamation, d’interrogation, les points de suspension, etc. Une fois que nous
disposons d’un texte segmenté, il devient possible de mettre au point rapidement un étiqueteur
morphosyntaxique en projetant un dictionnaire en XML pour créer des correspondances avec
les tokens. La segmentation en phrases permet aussi de reconstruire automatiquement la
structure XML d’un texte en identifiant automatiquement les phrases, les paragraphes et les
chapitres.

XQuery possède une fonction qui permet de segmenter ce flux : tokenize(). Il

est ainsi très simple de récupérer dans une variable tout un texte tokenisé ou segmenté en
phrases depuis n’importe quelle balise d’un fichier XML :
let $corpus := tokenize(/corpus, "\.|\.\.\.|\?|!")

Une fois le corpus tokenisé, il devient possible de projeter des ressources

linguistiques, un dictionnaire comme Morphalou par exemple, et d’opérer un étiquetage

61
morphosyntaxique. La première étape est de tokeniser le texte sur l’espace et les signes de
ponctuation afin d’isoler des unités :

let $corpus := tokenize(/corpus,” |\.|\.\.\.|\?|!\,|;|'”)

La fonction distinct-values() permet de créer un index en dressant une liste

de tokens sans doublons :
let $index := distinct-values($corpus)

La requête porte sur chaque mot de l'index ($x) et sur chaque entrée orthographique
où la forme fléchie ($y) correspond à ce mot($x). L’emploi de la virgule permet de croiser
des bases de données. Il ne s’agit pas de lancer deux boucles successivement, mais une seule
qui passera la requête aux deux bases de données et qui renverra l’ensemble partagé par les
deux :

for $x in $index,
$y in db:open('morphalou')/lexicon/lexicalEntry
[./formSet/inflectedForm/orthography=$x]

L’instruction order by permet de procéder à un tri selon des critères définis. Ici, le
tri se fera alphabétiquement sur $y, soit les entrées orthographiques du dictionnaire
correspondant à un token présent dans le corpus.

order by $y

Le résultat renvoyé est l’apposition d’une balise <analyse> avec pour premier
attribut lemme dont la valeur est le lemme de Morphalou, pour deuxième attribut token le
mot-forme issu du texte et pour troisième attribut pos qui contient la catégorie grammaticale
extraite du dictionnaire :
return

element analyse {attribute lemme

{$y/formSet/lemmatizedForm/orthography} (:le lemme de
Morphalou:), attribute token {$x}, attribute pos
{$y/formSet/lemmatizedForm/grammaticalCategory}}

XML est conçu pour l’exploitation de données textuelles. Les opérations précédentes
peuvent trouver un équivalent dans des langages du paradigme impératif comme Python ou

62
PERL. Ce dernier est particulièrement adapté à l’emploi d’expressions rationnelles. Ces
langages peuvent très bien produire du XML : le concordancier de Corpindex, qui est
programmé en Python 3, propose nativement un export des concordances dans un arbre XML
créé à la volée. L’atout majeur de l’orientation de XQuery vers le texte est la mise à la
disposition de nombreux modules plein-texte qui permettent un traitement linguistique d’un
flux de données numérique.

2.4.3. Des outils morphologiques et morphosyntaxiques : les modules plein-texte

XQuery possède des avantages certains dans le traitement de données textuelles : les
tokens ne sont pas simplement considérés comme des chaines de caractères mais comme des
unités lexicales. Un ouvrage comme Perl pour les Linguistes54 aide au traitement de la langue
écrite au moyen d’un langage de programmation. PERL est un outil permettant de
nombreuses transformations du texte, mais reste à un niveau de surface, en considérant des
tokens. Les modules plein-texte mettent à disposition de l’humaniste numérique tout un panel
d’outils pour un traitement plus naturel de la langue. XQuery est connu pour être verbeux,
cela peut être vu comme un défaut ou une qualité. L’avantage que cette verbosité offre est de
proposer des ponts syntaxiques et lexicaux entre langage de programmation et langue
naturelle, en l’occurrence l’anglais.

La recherche d’un mot peut se faire au moyen d’expressions rationnelles, comme vu

précédemment avec la fonction matches(). Une expression rationnelle est un motif de
caractères proposant des options selon une nomenclature déterminée 55. XQuery propose de
procéder à une recherche non pas à travers le jeu de caractères qui le compose mais en le
considérant comme une unité lexicale. Il est tout à fait possible de chercher le mot « poire »
avec matches() :

for $x in corpus/phrase[./ matches(., ‘chat’)]

return $x

54
Ludovic TANGUY, Nabil HATHOUT, et al, Perl pour les linguistes. Paris : Hermes Science Publications,
2007.
55
Ibid.

63
 Il sera plus efficace de lancer une requête en employant directement le module plein-
texte dédié :

for $x in corpus/phrase[./ contains text(‘chat’) any word]

return $x

À partir de ce module, il est possible de spécifier l’empan dans lequel le résultat doit
être cherché en précisant any word, all words, any sentence, all
sentence, any paragraph, all paragraph.

L’exploitation linguistique du texte se fait également en tirant partie des propriétés

morphologiques de l’unité lexicale. Trouver « chat » au moyen d’une expression rationnelle
est relativement simple : /^chat$/. Il est aussi aisé de procéder à celle de « chat » au
pluriel et au singulier : /^chats?$/. Si envisager la morphologie d’un mot semble peu
contraignant quand il s’agit de noms à pluriel régulier, l’expression deviendra très rapidement
difficile à écrire et encore plus vite illisible lorsqu’il s’agira de verbes. XQuery propose de
faire des recherches en s’appuyant sur les racines, ou stem en anglais.

for $x in corpus/phrase[./ contains text(‘chat’) any word

using stemming]
return $x

La langue est du document est spécifiée au moment de l’indexation mais il est

également possible de la préciser a posteriori.

for $x in corpus/phrase[./ contains text(‘chat’) any word

using stemming using language 'fr’]
return $x

Il est alors possible de combiner plusieurs paramètres en multipliant le nombre de

mots cherché avec ftand et ftor, de créer une liste de mots à éviter avec ftnot dans un
empan avec distance :

for $x in corpus/phrase[./ contains text ‘chat’ ftand ‘chien’

ftor ‘loup’ all words same sentence using stemming using
language 'fr’ distance at most 3 words]

64
 return $x

Deux modules présentant des similarités permettent d’agir directement sur la donnée
textuelle en combinaison avec les éléments de détermination précédemment abordés.
ft:mark appose des balises automatiquement sur les éléments recherchés. Les balises
<mark> sont génériques et permettent un étiquetage sommaire :

<racine>
{
let $test := /corpus
return ft:mark($test/p[./text() contains text
{'homme','sédentaire'} all same sentence])
}
</racine>

La requête ci-dessus lancée sur Le tour du monde en 80 jours dont la racine est
corpus et les paragraphes sont entre balises <p> renverra un nouveau fichier XML où les
mots « homme » et « sédentaire » apparaissent dans la même phrase. Il appose par défaut la
balise <mark> mais offre l’option de créer des balises personnalisées sur les mots du texte :

<racine>
<p>- Jean, n'en déplaise à monsieur, répondit le nouveau venu, Jean
Passepartout, un surnom qui m'est resté, et que justifiait mon aptitude
naturelle à me tirer d'affaire. Je crois être un honnête garçon, monsieur, mais,
pour être franc, j'ai fait plusieurs métiers. J'ai été chanteur ambulant, écuyer
dans un cirque, faisant de la voltige comme Léotard, et dansant sur la corde
comme Blondin ; puis je suis devenu professeur de gymnastique, afin de
rendre mes talents plus utiles, et, en dernier lieu, j'étais sergent de pompiers,
à Paris. J'ai même dans mon dossier des incendies remarquables. Mais voilà
cinq ans que j'ai quitté la France et que, voulant goûter de la vie de famille,
je suis valet de chambre en Angleterre. Or, me trouvant sans place et ayant
appris que M. Phileas Fogg était l'<mark>homme</mark> le plus exact et
le plus <mark>sédentaire</mark> du Royaume-Uni, je me suis présenté
chez monsieur avec l'espérance d'y vivre tranquille et d'oublier jusqu'à ce
nom de Passepartout...</p>
</racine>

La même requête peut faire un marquage des unités mais également sélectionner un
empan en ajoutant distance :

<racine>
{
let $test := /corpus

65
 return ft:mark($test/p[./text() contains text
{'homme','sédentaire'} all same sentence distance at least 3
words])
}
</racine>

La balise est donc apposée sur tous les tokens présents entre « homme » et
« sédentaire » si les deux sont séparés par au moins trois mots et s’ils sont dans la même
phrase :

<racine>
<p>- Jean, n'en déplaise à monsieur, répondit le nouveau venu, Jean
Passepartout, un surnom qui m'est resté, et que justifiait mon aptitude
naturelle à me tirer d'affaire. Je crois être un honnête garçon, monsieur, mais,
pour être franc, j'ai fait plusieurs métiers. J'ai été chanteur ambulant, écuyer
dans un cirque, faisant de la voltige comme Léotard, et dansant sur la corde
comme Blondin ; puis je suis devenu professeur de gymnastique, afin de
rendre mes talents plus utiles, et, en dernier lieu, j'étais sergent de pompiers,
à Paris. J'ai même dans mon dossier des incendies remarquables. Mais voilà
cinq ans que j'ai quitté la France et que, voulant goûter de la vie de famille,
je suis valet de chambre en Angleterre. Or, me trouvant sans place et ayant
appris que M. Phileas Fogg était l'<mark>homme</mark>
<mark>le</mark> <mark>plus</mark> <mark>exact</mark>
<mark>et</mark> <mark>le</mark> <mark>plus</mark>
<mark>sédentaire</mark> du Royaume-Uni, je me suis présenté chez
monsieur avec l'espérance d'y vivre tranquille et d'oublier jusqu'à ce nom de
Passepartout...</p>
</racine>

ft:extract a un comportement similaire à ft:mark, la différence réside dans

le résultat, qui sera un extrait et non le texte entier. Le dernier argument est la taille du
contexte à inclure dans l’extraction :

<racine>
{
let $corpus := /corpus
return ft:extract($corpus/p[./text() contains text
{'Passepartout','Phileas'} all same sentence distance at most
3 words],'extract',100)
}
</racine>

66
 Si la requête n’avait comporté qu’un seul mot à extraire, il aurait été le seul balisé
avec <extract>. L’extraction sur plusieurs mots produit un résultat similaire à un
ft:mark sur plusieurs mots et les traite comme le début et la fin d’un empan :

<racine>

<p>...ANS LEQUEL <extract>PHILEAS</extract>

<extract>FOGG</extract> <extract>ET</extract>
<extract>PASSEPARTOUT</extract> S'ACCEPTENT
RÉCIPROQUEMENT L'UN COMME MAÎTRE, L'AUTRE COMM...</p>

<p>DANS LEQUEL <extract>PHILEAS</extract>

<extract>FOGG</extract> <extract>STUPEFIE</extract>
<extract>PASSEPARTOUT</extract>, SON
DOMESTIQUE</p>

<p>... salle de la gare. Là, <extract>Phileas</extract>

<extract>Fogg</extract> <extract>donna</extract>
<extract>à</extract> <extract>Passepartout</extract>
l'ordre de prendre deux billets de premiè...</p>

<p>DANS LEQUEL <extract>PHILEAS</extract>

<extract>FOGG</extract>,
<extract>PASSEPARTOUT</extract>, FIX, CHACUN DE SON
CÔTÉ, VA A SES AFFAIRES</p>

</racine>

La requête extrait des paragraphes les segments d’une longueur de cent caractères
qui débutent par « Phileas » et se terminent par « Passepartout » dans la même phrase et dans
un espace de trois mots.

Afin d’étendre les candidats d’une recherche, il existe une implémentation native de
l’algorithme de Levenshtein : fuzzy. À partir d’un mot donné, il est possible de considérer
en plus de celui-ci toutes les transformations mettant en jeu un caractère : une suppression,
une insertion ou un remplacement. Ainsi, la requête suivante permet de démultiplier les
candidats :
<racine>
{
let $corpus := /corpus
return ft:extract($corpus/p[./text() contains text {"sacré"}
using fuzzy],'extract',100)

67
 }
</racine>

Le résultat obtenu illustre les mots se rapprochant de « sacré » à une distance de

Levenshtein de un :
<racine>
<p>... ceci : autrefois, dans l'Inde, les chats étaient considérés comme
des animaux <extract>sacrés</extract>. C'était ...</p>

<p>...doue, et cela, en le nourrissant pendant trois mois de

<extract>sucre</extract> et de beurre. Ce traitement peut
paraî...</p>

<p>... ses sauts de carpe, et, de temps en temps, il tirait de son sac un
morceau de <extract>sucre</extract>, que l'intellig...</p>

<p>...ar des torches fuligineuses, veillaient aux portes et se promenaient,

le <extract>sabre</extract> nu. On pouvait suppos...</p>

<p>...le est bâtie au confluent de deux fleuves

<extract>sacrés</extract>, le Gange et la Jumna, dont les eaux
attirent les...</p>

<p>...s, nagent comme dans les lacs <extract>sacrés</extract>

de l'Himalaya les reflets les plus purs de la lumière célest...</p>

<p>...se baigner dans les eaux du fleuve

<extract>sacré</extract>, et aussi, malgré la saison avancée et la
température d...</p>

<p>...ant de la loi, et, pour tout Anglais, la loi est

<extract>sacrée</extract>. Passepartout, avec ses habitudes
français...</p>

<p>...de Mr. Fogg, ses grands yeux " limpides comme les lacs
<extract>sacrés</extract> de l'Himalaya " ! Mais
l'intraitable ...</p>

<p>...bas, avec une toupie tournante sur la plante du pied gauche, et un

<extract>sabre</extract> en équilibre sur la plante...</p>

</racine>

Le repérage et le marquage d’unités lexicales est utile, mais il peut être pertinent d’en
extraire une information numérique. XQuery permet d’évaluer le poids d’un mot dans une
phrase réduit à un nombre entre 0 et 1 :

68
 <racine>{
let $test := /corpus

for $x score $score in $test/p[./text() contains text

'whist']
order by $score descending
return <res score="{$score}">{data($x)}</res>
}
</racine>

Le résultat correspond au classement des paragraphes contenant le texte « whist »

selon le poids de celui-ci dans le paragraphe :

<racine>
<res score="0.10845263981822655">- A bord des paquebots,
reprit l'inspecteur, vous aviez l'habitude de faire votre whist ?</res>

<res score="0.09117445910813965">- Certainement,

monsieur, répondit vivement la jeune femme, je connais le whist. Cela fait
partie de l'éducation anglaise.</res>

<res score="0.0865775114495933">- Tout compris, répondit

Phileas Fogg en continuant de jouer, car, cette fois, la discussion ne
respectait plus le whist.</res>

<res score="0.07520368258519186">Sept heures sonnaient

alors. On offrit à Mr. Fogg de suspendre le whist afin qu'il pût faire ses
préparatifs de départ.</res>

<res score="0.07520368258519186">Mr. Fogg tira de sa

poche les vingt guinées qu'il venait de gagner au whist, et, les présentant à la
mendiante :</res>

<res score="0.06399565127886572">" Bon, fit-il, Mrs. Aouda

est encore couchée à cette heure. Quant à Mr. Fogg, il aura trouvé quelque
joueur de whist, et suivant son habitude... "</res>

<res score="0.05955789604015849">Les voyageurs étaient

réintégrés dans leur wagon. Passepartout reprit sa place, sans rien dire de ce
qui s'était passé. Les joueurs étaient tout entiers à leur whist.</res>

<res score="0.04930212912827189">Après un déjeuner assez

confortable, servi dans le wagon même, Mr. Fogg et ses partenaires venaient
de reprendre leur interminable whist, quand de violents coups de sifflet se
firent entendre. Le train s'arrêta.</res>

69
 <res score="0.01955785797433551">Une demi-heure plus
tard, divers membres du Reform-Club faisaient leur entrée et s'approchaient
de la cheminée, où brûlait un feu de houille. C'étaient les partenaires
habituels de Mr. Phileas Fogg, comme lui enragés joueurs de whist :
l'ingénieur Andrew Stuart, les banquiers John Sullivan et Samuel Fallentin,
le brasseur Thomas Flanagan, Gauthier Ralph, un des administrateurs de la
Banque d'Angleterre, - personnages riches et considérés, même dans ce club
qui compte parmi ses membres les sommités de l'industrie et de la
finance.</res>

<res score="0.01109588654349911">Ce qui était certain

toutefois, c'est que, depuis de longues années, Phileas Fogg n'avait pas quitté
Londres. Ceux qui avaient l'honneur de le connaître un peu plus que les
autres attestaient que - si ce n'est sur ce chemin direct qu'il parcourait chaque
jour pour venir de sa maison au club - personne ne pouvait prétendre l'avoir
jamais vu ailleurs. Son seul passe-temps était de lire les journaux et de jouer
au whist. A ce jeu du silence, si bien approprié à sa nature, il gagnait souvent,
mais ses gains n'entraient jamais dans sa bourse et figuraient pour une
somme importante à son budget de charité. D'ailleurs, il faut le remarquer,
Mr. Fogg jouait évidemment pour jouer, non pour gagner. Le jeu était pour
lui un combat, une lutte contre une difficulté, mais une lutte sans mouvement,
sans déplacement, sans fatigue, et cela allait à son caractère.</res>

</racine>

Le résultat illustre à travers le score la part qu’a le mot dans le segment. Il apparaît
que plus le mot représente une portion importante du paragraphe, plus le score sera élevé.
Inversement, plus le mot représente une part marginale du paragraphe, plus le score sera
faible.

L’intégration des expressions rationnelles est également présente dans les modules
plein-texte à travers wildcards. Il est en effet possible d’utiliser dans les unités à chercher des
expressions régulières qui seront alors interprétées comme telles :

let $regex := "imp.*able"

return
ft:mark(corpus/p[./text() contains text {$regex} all using
wildcards],'adj')

<p>Ce fut même ce qui arriva dans cette occasion. Vers trois heures du soir,
un troupeau de dix à douze mille têtes barra le rail-road. La machine, après
avoir modéré sa vitesse, essaya d'engager son éperon dans le flanc de

70
 l'immense colonne, mais elle dut s'arrêter devant
l'<adj>impénétrable</adj> masse.</p>

<p>- Je ferai tout pour le ramener vivant en Europe ! " répondit simplement
Fix, d'un ton qui marquait une <adj>implacable</adj> volonté.</p>

<p>Quant à Passepartout, la face rouge comme le disque solaire quand il se

couche dans les brumes, il humait cet air piquant. Avec le fond
d'<adj>imperturbable</adj> confiance qu'il possédait, il s'était repris à
espérer. Au lieu d'arriver le matin à New York, on y arriverait le soir, mais il
y avait encore quelques chances pour que ce fût avant le départ du paquebot
de Liverpool.</p>

Les modules plein-texte sont un apport certain à l’exploitation informatique des

Humanités numériques. Tous ces modules apportent chacun leurs spécificités mais peuvent
également se combiner pour donner une programmation très proche de la langue naturelle. Le
dernier module plein-texte que nous allons présenter est celui sur lequel s’appuiera les
applications qui seront envisagées par la suite : le thésaurus.

2.4.4. Le traitement sémantique des unités lexicales : le thésaurus

Le thésaurus est une structure proposée par XQuery pour établir des liens
sémantiques entre unités lexicales à travers un jeu de relations. Le thésaurus doit se conformer
à un schéma XML 56 . Pour créer un thésaurus exploitant au mieux les fonctionnalités
proposées par XQuery, la racine est obligatoirement <thesaurus> dans laquelle vont
s’insérer des balises <entry>. Chaque <entry> est composé d’un terme pivot autour
duquel vont se construire les relations sémantiques et hiérarchiques :

<thesaurus>
<entry>
<term>céréale</term>
<synonym>
<term>blé</term>
<relationship>NT</relationship>
</synonym>
<synonym>

56
Voir Annexe 3.

71
 <term>riz</term>
<relationship>NT</relationship>
</synonym>
<synonym>
<term>orge</term>
<relationship>NT</relationship>
</synonym>
<synonym>
<term>froment</term>
<relationship>NT</relationship>
</synonym>
<synonym>
<term>sorgho</term>
<relationship>NT</relationship>
</synonym>
</entry>
</thesaurus>

Les relations suivent une nomenclature déterminée par le schéma XML du W3C. NT
correspond à un hyponyme, BT à un hyperonyme et TT à une hyperclasse.

L’utilisation du module plein-texte thesaurus se fait au sein même de la requête.

Le thésaurus est un fichier XML qui va être appelé en spécifiant son adresse locale :

<racine>
{
let $test := /corpus

return
ft:extract($test/p[./text() contains text "céréale" using
thesaurus at "C:\XML\thesaurus.xml" relationship 'NT' at most
2 levels ordered],'cereale',100)
}
</racine>

La requête concerne donc la recherche du mot « céréale » et permet de le substituer

par n’importe quel hyponyme jusqu’à deux niveaux de profondeur dans le thésaurus.

<racine>

<p>...de quelques poignées de <cereale>riz</cereale>, on la

repousserait, elle serait considérée comme une créature immon...</p>

<p>...issait le paysage varié du Béhar, puis des montagnes couvertes de

verdure, les champs d'<cereale>orge</cereale>, de m...</p>

72
 <p>... pleine tasse l'eau chaude odorante, avec le " saki ", liqueur tirée du
<cereale>riz</cereale> en fermentation, et ces...</p>

<p>...rence, et là, d'un reste de volaille et de quelques poignées de

<cereale>riz</cereale>, il déjeuna en homme pour qui...</p>

<p>...aux de la terre : des ranchos et des corrals pour les animaux

domestiques, des champs de <cereale>blé</cereale>, de
ma...</p>

</racine>

Le thésaurus constitue un point d’entrée dans les réseaux lexicaux avec une mise en
correspondance à travers des relations hiérarchiques et sémantiques d’unités lexicales. Ce
point constituera l’une des perspectives de ce mémoire.

2.5. XML et le web : un corpus à dimension mondiale

XML est lié au web de par la nature des données qu’ils sont amenés à traiter. Si
internet permet d’avoir accès à tous types de données, le web est résolument orienté texte. En
effet, un site web actuel ne se conçoit plus comme dans les années 90. Le web est aujourd’hui
multimédia, les sons côtoient les images et la mise en page est dynamique. Mais au cœur est
le texte. Une page web n’est composée que de texte 57 . Le développement du web a été
participatif, ce qui a conduit à une introduction de flexibilité pour pouvoir le démocratiser.
XML et son formalisme sont vus à l’inverse comme des facilités permises par l’interprétation
du HTML par les navigateurs web. En 2000, d’une volonté d’apporter plus de rigueur à
l’écriture du web est né XHTML.

57
Voir Annexe 1.

73
 2.5.1. XHTML

Le XHTML se distingue du HTML 4 qui était développé à la même époque par une
plus grande volonté de rigueur. La syntaxe d’une page en XHTML est très proche d’une page
en HTML où le formalisme XML serait scrupuleusement respecté et où la donnée serait
rigoureusement ordonnée.

Voici un exemple de page html didactisée58 illustrant les dérives tolérées en HTML :

<html>
<head>
<title>This is bad HTML</title>
<body>
<h1>Bad HTML
<br>
<p>This is a paragraph
</body>

En XHTML, le principe des balises est un impératif. Ici, La balise <html> n’est pas
fermée, il n’existe donc pas de racine, tout comme <head>, <h1> et <p>. Voici la même
page mais avec des balises respectant le formalisme XML :

<html>
<head>
<title>This is bad HTML</title>
</head>
<body>
<h1>Bad HTML</h1>
<br/>
<p>This is a paragraph</p>
</body>
</html>

XHTML ajoute de la contrainte rédactionnelle par le strict respect des règles

suivantes :
 Il ne peut y avoir qu’une seule racine
 les balises ne peuvent plus se chevaucher
 le nom des balises doit être en minuscule

58
Extrait de http://www.w3schools.com/html/html_xhtml.asp.

74
  la valeur des attributs est entre guillemets
 un DOCTYPE doit être déclaré (DTD)

Cette tentative d’instaurer de la rigueur sur le web n’a que peu été suivie d’effets.
XHTML n’a pas su s’imposer comme standard, les rédacteurs lui ont préféré HTML, qui
depuis a évolué vers sa cinquième version. Le HTML 5 n’a pas poursuivi les objectifs du
XHTML mais permet le développement du web sémantique.

2.5.2. Big Data et web sémantique

Le web est un grand réseau de données. C’est la maîtrise de ces données qui a donné
à Google un pouvoir qui dépasse aujourd’hui l’internet. L’indexation des pages web et la
pertinence des résultats renvoyés fait la qualité d’un moteur de recherche.

Au niveau de la structuration des pages web, de nouvelles balises ont été introduites
avec le HTML 5. Le sémantisme associé à la structure a acquis une véritable autonomie. En
effet, comme le présente le schéma ci-dessous, la balise générique <div> à laquelle on
associait des valeurs d’identifiant pour les spécifier a été remplacé par un nouveau jeu de
balise dédié à la mise en page des sites web. Ainsi, un site web rédigé en HTML5 permet
d’indiquer ce qui relève de l’information et ce qui relève de l’ergonomie, c’est-à-dire du
moyen d’accéder à l’information ou de naviguer en son sein.
59

59
Pour plus d’informations, consulter http://www.startyourdev.com/html/tag-html-balise-nav.

75
 Il sera alors plus aisé de paramétrer un automate pour identifier les balises où se
trouve l'information et l’extraire. Car l’enjeu du web sémantique est celui-ci : permettre à un
automate de lire des pages web comme le ferait un humain et sans intervention. Le HTML 5
permet de localiser l’information, mais pour la traiter, il s’est construit un jeu d’ontologies.
Nous ne nous attarderons pas sur la syntaxe de création des ontologies car elles ne sont pas
gérées directement par XQuery. Nous tenons toutefois à faire un rapprochement entre la
constitution du thésaurus et celle de ressources pour l’exploitation du web sémantique, où des
liens sémantiques sont créés entre les mots à travers des rapports hiérarchiques.

Dans la perspective du Big Data, il est important de pouvoir localiser l’information

dans le but de l’extraire. Une structuration normalisée des pages web permet de penser une
automatisation des requêtes sans développer de stratégie ad hoc pour chaque site. De plus,
l’emploi d’ontologies permet de lier sémantiquement des unités lexicales et donc d’élargir le
champ de recherche. Le web est devenu une ressource à ne pas négliger pour l’Humaniste
numérique. Savoir l’exploiter au mieux permet une récolte de données plus volumineuse et
plus pertinente et facilite la constitution d’un corpus de meilleure qualité.

2.5.3. La constitution automatique de corpus

La récolte de corpus textuel peut s’avérer fastidieuse, en particulier sur le web.

Toutefois, XQuery peut rapidement offrir une solution permettant de créer un automate.
Avant d’entrer dans le détail, il est nécessaire d’aborder certaines fonctions avancées
d’XQuery que nous avons choisi de ne pas aborder précédemment dans un souci de clarté
didactique.

XQuery dispose de nombreuses fonctions, mais il est également possible de créer ses
propres fonctions. Pour cela, comme dans les langages procéduraux, il faut d’abord les
déclarer avec un espace de nommage ou namespace, ici la fonction sera locale, ainsi que
préciser les arguments et leurs types :

76
 declare function local:getUrl($url as xs:string,$para as
xs:string)

Une fonction est un programme qui renvoie une valeur, ce qui explique
l’omniprésence de l’instruction return dans un langage fonctionnel comme XQuery.

Les branchements conditionnels sont également disponibles en XQuery en posant la

condition if et sa condition, then, introduit l’instruction à exécuter si la condition se vérifie
et else celle qu’il faudra exécuter si ce n’est pas le cas.

Il existe des modules dédiés à la récupération de données sur le web.

http:request récupère le contenu des balises de la page. [1] correspond à la balise
<head> et [2] à <body>. C’est la seconde qui comportera le texte, la première étant
consacrée aux métadonnées.

http:parse permet de spécifier le nom de la balise particulière à récupérer.

L’extraction d’informations d’un site se fait en combinant ces modules, créant un

aspirateur entièrement paramétrable :

(:Déclaration de la fonction:)

declare function local:getUrl($url as xs:string,$para as

xs:string)

Si l’argument est une adresse web, l’automate lance la récupération dans la balise
<body> du lien spécifié dans les balises dont le nom est donné en argument, sinon une erreur
est renvoyée:

{
if(matches($url,"http://"))
then
for $x in (html:parse(http:send-request
(<http:request method='get' override-media-
type='application/octet-stream'
href="{$url}"/>)[2])//*[name(.)=$para])
return $x
else "Erreur rencontrée"
};

77
 (:Déclaration des arguments:)

let
$url:="http://ec.europa.eu/contracts_grants/grants_en.htm"
let $mots :=("Aqua.*", "fish.*", "p.che")

(:La fonction string-join() renvoie la reconstruction sous forme de chaîne de

caractère le contenu de balises. Ici, l’arborescence XML est la page web fournie dans la
déclaration de la variable $url et la balise à extraire est <a> dont le contenu sera extrait s’il
contient les mots-clés stockés dans la variable $mots:)

return
string-join
(local:getUrl(
data(local:getUrl($url,"a")[(. contains text {$mots} any
word using wildcards)]/@href), "p")," ")

XML constitue une solution complète permettant d’agir à la fois sur la structure et la
donnée. Cette convergence, qui est à l’origine de sa création, en fait l’outil adapté pour
plusieurs applications, comme le traitement d’isotopies et l’alignement de corpus.

3. Perspectives applicatives

XML met en relation du texte, des unités lexicales et des métadonnées entre elles.
Cette dernière partie aura pour objectif de présenter un champ de recherche qui dépasse le
cadre de ce mémoire de Master et qui sera à exploiter dans le cadre d’un doctorat. XQuery
apparaît comme la solution technologique la plus adaptée aux Humanités numériques et les
perspectives applicatives sur lesquelles nous souhaitons nous concentrer sont de deux types.

La première application se fera dans le domaine de la sémantique. L’emploi du

thésaurus constitue un puissant outil de mise en réseau sémantique. Une étude formelle de la
sémantique et des isotopies sera un préalable à la création d’un thésaurus qui sera à écrire,
pendant électronique du dictionnaire idéologique que Julio Casares a constitué pour

78
 60
l’espagnol . L’une des portées d’un tel dictionnaire serait de pouvoir mettre en
correspondance des textes à travers leurs isotopies et mettre en avant des questions de genre.

La seconde constituera un apport à la traductologie. La mise en corespondance d’un

texte et de sa traduction permettront de croiser les ressources et de procéder à un alignement
de corpus.

3.1. La question de l'interprétation : sème, isotopie, corpus

Les répercussions liées à l'immixtion de l'outil informatique dans le domaine des

sciences du langage sont nombreuses ; les différentes difficultés rencontrées par l'automate
ont rendu concrètes la variabilité et la « déformabilité extrême » (A. Culioli) des unités
lexicales, dont la stabilité intensive apparente – matérialisée par la productivité de l'activité
lexicographique – se heurte à la classe indéfinie de valeurs qu'elles sont susceptibles de revêtir
en discours. Ainsi, l'informatique remet en perspective le débat sur la nature des processus
interprétatifs en questionnant sa computationnalité, sa détermination logique et sa
systématicité ; par conséquent, elle interroge nécessairement d'une part les types d'unités qui
entrent en compte dans l'interprétation d'une production linguistique (d'où proviennent-elles ?
Dans quelle mesure sont-elles systémiques ?), d'autre part les relations qu'elles sont
susceptibles d'entretenir entre elles. F. Rastier résume en ces termes : « que fait-on quand on
lit un texte, et d'où provient le sentiment de son unité ? »61.

Le succès des grammaires génératives repose sur l'idée, séduisante du point de vue
de la validité et de la faisabilité applicatives de l'automate, que la production du texte – plus
généralement, de toute activité verbale, ou plus encore communicationnelle – repose sur la
dérivation d'engrammes cognitifs profonds, en nombre restreint et universels, s'incarnant dans
des structures de surface dont les possibilités d'agencement formel, quoique potentiellement
non définissables, sont virtuellement finies. Conversement, l'activité d'interprétation repose
sur la « primitivation » des structures de surface et sur la résurgence des structures profondes.

60
J. Casares, Diccionario ideologico de la lengua española. Barcelone : Gustavo Gili, 1990.
61
F. Rastier, Sémantique interprétative. 3ème édition mise à jour et augmentée. Paris : Presses Universitaires de
France, 2009 (1987), p. 9.

79
 L'impossibilité de parvenir à réaliser automatiquement ou algorithmiquement le
parcours bilatéral structures profondes-structures de surface a favorisé, comme nous l'avons
déjà évoqué en 1., le développement d'appareils théoriques centrés sur l'agencement effectif
du discours, ce dernier étant vu comme l'instanciation d'un certains nombre de traits formels.
Parmi ces différents modèles, nous adoptons ici le point de vue de la sémantique
interprétative de F. Rastier, elle-même issue d'une part de la sémantique structurale d'A. J.
Greimas, d'autre part de l'analyse componentielle de B. Pottier.

Pour F. Rastier, la surface textuelle n'est compréhensible que comme s'insérant dans
un contexte – et, plus réellement, dans un intertexte – donné. L'instanciation du jeu de traits
sémantiques est déterminée par les données contextuelles (le terme devant nécessairement être
compris dans un sens fort : données pragmatiques « classiques », mais aussi déterminants
socio-culturels, cotexte antérieur, informations précédemment accumulées dans l'activité
discursive, etc.), émetteur comme récepteur assumant que la prise en charge de l'appareil
formel de l'expressivité y puise nécessairement son interprétabilité et son unité de sens. Ainsi,
l'ambiguïté des unités lexicales ou des tournures syntaxiques, latente au niveau de la parole,
est désamorcée au niveau du discours par leur lecture en creux de l'espace pragmatique
qu'elles emportent. Au niveau le plus fondamental, la solidarité du discours réside dans ce que
l'interprétant opère une recherche constante des indices de cette référence textuelle, de sorte
que les unités du discours se trouvent virtuellement dans un rapport de toutes à toutes. Par la
suite, la motivabilité pragmatique présumée des segments de discours trouve confirmation
dans l'établissement de relations formelles, qui apparaissent ainsi objectives. Dans le cadre de
la sémantique interprétative, ces relations sont appelées isotopies et se définissent comme des
récurrences entre traits sémantiques :

« fondamentalement, une isotopie est instituée par une série de relations

d'identité entre sèmes. Ces relations induisent des relations d'équivalences
entre sémèmes. Mais le modulo de l'équivalence n'est pas une donnée et il
faut généralement parcourir des équivalences pour l'identifier. Cependant,
plusieurs stratégies d'inférence peuvent être possibles ; et divers lecteurs
obtiennent des scores différents en raison de la disparité de leurs
connaissances encyclopédiques. Dans tous les cas, la description de
l'isotopie est conditionnée par la compétence interprétative. Cela conduit à
un déplacement de la problématique. En général, on considère l'isotopie
comme une forme remarquable de combinatoire sémique, un effet de la
combinaison des sèmes. Ici au contraire, où l'on procède paradoxalement à
partir du texte pour aller vers ses éléments, l'isotopie apparaît comme un

80
 principe régulateur fondamental. Ce n'est pas la récurrence de sèmes déjà
donnés qui constitue l'isotopie mais à l'inverse la présomption d'isotopie qui
permet d'actualiser des sèmes, voir les sèmes. », F. Rastier, ibid., p. 12

Si nous reviendrons par la suite plus en détail sur les notions de sème et d'isotopie,
nous pouvons d'ores et déjà souligner que le contexte de production est consubtantiel du texte
car il permet de satisfaire ce que, par exemple, D. Sperber et D. Wilson appellent la
présomption de pertinence : toute activité verbale s'auto-justifie en assurant à ses interprètes
qu'il porte plus que son seul agencement systémique – sans quoi il fait froid ici signifierait
immuablement il fait froid ici et jamais ferme la fenêtre, que carré signifierait toujours carré
et que, plus généralement, le sens serait toujours essentiellement référentiel – et qu'il est
possible, en associant l'expression systémique à ses conditions de production, d'accéder au
sens visé.

Nous étudierons brièvement les conséquences de cette approche au niveau de la

notion contexte, puis présenterons formellement les notions de sème et d'isotopie au sein de ce
modèle.

3.1.1. Du mot au corpus et du texte au contexte

La sémantique interprétative prend le contre-pied exact des approches génératives :

le sens ne se définit pas par référence à des structures précodées internes à la cognition mais
par référence à un ensemble de données variable, externes au locuteur et qui ne définissent
pas la langue elle-même. Plus précisément, un mot n'a de sens que pris dans un réseau par
lequel il manifeste formellement sa référence au contexte qui l'active localement. Ces réseaux,
dont nous avons vu plus haut qu'ils correspondent à la « responsabilité interprétative » de
l'émetteur aussi bien que du récepteur, définissent un matériel sémantique qui se superpose à
l'orientation pragmatique du texte qui les contient, structurent ce dernier et le positionnent
dans la continuité ou en rupture d'autres textes (question de la généricité et de l'intertextualité).
F. Rastier résume ainsi sa position :

« (i) le sens est un niveau d'objectivité qui n'est réductible ni à la référence,

ni aux représentations mentales. Il est analysable en traits sémantiques qui

81
 sont des moments stabilisés dans des parcours d'interprétation. (ii) La
typologie des signes dépend de la typologie des parcours dont ils sont l'objet.
(iii) Le sens est fait de différences perçues et qualifiées dans des pratiques.
C'est une propriété des textes et non des signes isolés (qui n'ont pas
d'existence empirique). (iv) Le sens d'une unité est déterminé par son
contexte. Le contexte, c'est tout le texte : la microsémantique dépend donc
de la macrosémantique. (v) Les unités textuelles élémentaires ne sont pas des
mots mais des passages. Un passage a pour expression un extrait et pour
contenu un fragment. (vi) Sur le plan sémantique, les traits pertinents sont
organisés pour composer des formes sémantiques, comme les thèmes, qui se
détachent sur des fonds sémantiques, les isotopies notamment. Les formes
sémantiques sont des moments stabilisés dans des séries de transformations,
tant au sein du texte qu'entre textes. »
« (i) Si le morphème est l'unité linguistique élémentaire, le texte est l'unité
minimale d'analyse, car le global détermine le local. (ii) Tout texte procède
d'un genre qui détermine sans les contraindre ses modes génétique,
mimétique et herméneutique. (iii) Par son genre, chaque texte se relie à un
discours. (iv) Tout texte doit être rapporté à un corpus pour être interprété.
(v) Le corpus préférentiel d'un texte est composé de textes du même genre.
Les parcours interprétatifs au sein du texte sont inséparables des parcours
interprétatifs dans l'intertexte nécessaire que constitue le corpus. », ibid.,
préface à la troisième édition, p. VI.

La notion de contexte est donc considérablement élargie – ne serait-ce parce qu'elle

contient intrinsèquement celle de cotexte et d'intertexte – et devient le noyau sémantique du
texte (« sans adopter une perspective générative, on dira que le contenu d'un texte ne peut être
décrit qu'en fonction de données pragmatiques », ibid., p. 34). En ce sens, il est légitime de se
demander si un texte a réellement un sens du point de vue de sa seule dénotation ; par
l'absurde, Rastier montre, en recourant à l'exemple d'un portrait d'Hadrien tiré des Carmina
Sybillina, que la neutralisation des données socioculturelles fragmente l'unité de sens du
texte : les commentateurs contemporains hésitent entre deux interprétations radicalement
opposées du passage (éloge ou critique), car il y a tout un continuum de matérialité expressive
qui se trouve perdu et inaccessible (effets de certaines tournures syntaxiques, stéréotypie des
unités lexicales utilisées, contexte historique et politique particuliers, etc.). Le produit verbal
ne contient donc pas formellement son message, en ce sens qu'il n'aurait qu'à être décodé par
une composante pragmatique cognitive. Pour autant, il ne s'agit pas de dire qu'il devient
ininterprétable quand on l'éloigne de son contexte de production, mais que lorsque le contexte
devient inaccessible, la probabilité d'accès à l'intention interprétative s'éloigne d'autant, de
sorte que les interprétations se multiplient et que le texte perd sa solidarité. Ainsi, c'est bien
littéralement le contexte, le global, qui univocise et surdétermine le local, le produit verbal
ponctuellement formé.

82
 3.1.2. L'unité de l'analyse sémantique : le sème

Les unités du texte ne sélectionnent donc pas des portions variables du contexte ; au
contraire, c'est immuablement la nécessité d'enrichir le strict plan du dit par la prise en compte
du contexte qui active dans le matériau formel – unités lexicales, masses syntaxiques,
procédés stylistiques, etc. – des traits sémantiques susceptibles de s'organiser en réseaux et
d'opérer la ligature texte-contexte.

Ces traits sémantiques sont appelés sèmes et, dans l'héritage structural, se définissent
comme des marques distinctives étayant la stabilité apparente des unités du système et
participant de leur illusion référentielle. Par exemple, dans le fragment l'homme est une femme
comme les autres, homme se distingue de femme par le sème genre. Un ensemble de sèmes
formant un terminal intensif (homme, femme) est appelé un sémème ; un ensemble de
sémèmes définis par la récurrence d'un ou plusieurs sèmes, un taxème.

Le sème n'est pas une unité spécifique de la sémantique interprétative ; néanmoins,

conséquence de la dimension pragmatique consubstantielle du sens au sein de ce modèle, il y
acquiert une définition essentiellement utilitariste : « "le sème est le trait sémantique distinctif
d'un sémème, relativement à un petit ensemble de termes réellement disponibles et
vraisemblablement utilisables chez le locuteur dans une circonstance donnée de
communication" (Pottier, 1980a, p. 169). Elle ne peut que chagriner les tenants d'une
sémantique universaliste a priori : l'identification d'un sème dépend on le voit de cinq
conditions hiérarchisées, toutes dépendantes du contexte linguistique et/ou de l'entour
pragmatique. » (ibid., p. 33). La dimension contexuelle du sème ne signifie pas qu'aucune
convention linguistique n'intervient dans sa définition ; néanmoins, seul le contexte
déterminera si d'une part un sème conventionnel sera, en discours, effectivement activé ou au
contraire neutralisé, d'autre part si un sème non conventionnel se greffera sur un ou plusieurs
sémèmes.

La présence des sèmes dépend donc d'un équilibre entre conventions linguistiques
mutuellement présentes à l'esprit des interactants et dimension prescriptrice du discours. Ils se
définissent ainsi selon deux axes d'opposition : l'axe générique/spécifique et l'axe
inhérent/afférent. Un sème est dit générique quand il factorise l'ensemble des sémèmes d'un
taxème (par exemple, à roues dans la classe des voitures) ; il est dit spécifique quand il

83
permet de distinguer un sémème des co-sémèmes d'un taxème (avec capote pour décapotable,
par rapport à coupé, berline, etc.). Par ailleurs, un sème est dit inhérent quand il détermine des
sémèmes d'un même taxème (qu'il soit générique ou spécifique, factorisant ou distinctif) ; il
est dit afférent quand il installe des relations inférentielles, « asymétriques et non réflexives »
(ibid., p. 54) entre sémèmes de taxèmes différents. Relativement à ce dernier cas, l'association
culturocentrée des sémèmes faiblesse/femme et force/homme (l'exemple est de Rastier) est un
cas de relation afférente. Ainsi, les sèmes étant des traits distinctifs ou spécifiant, ils désignent
toujours des relations entres sémèmes, et incidemment des rapports entre éléments d'une
même classe (qu'est-ce qui les rassemble au pont de constituer la solidarité de la classe ?
Qu'est-ce qui les distingue au sein de la classe de sorte qu'elle n'est pas réduite à un élément?)
et entre éléments de classes différentes (comment se font les passages d'une classe à l'autre en
discours ? Qu'est-ce qui explique la variabilité et l'instabilité des conventions lexicales?).

3.1.3. La notion d’isotopie

F. Rastier définit l'isotopie ainsi : « on appelle isotopie toute itération d'une unité
linguistique. […] sur le plan du contenu, l'isotopie n'est pas définie exclusivement par la
récurrence de classèmes, mais par celle de toutes les unités sémantiques, et donc aussi par
celle des sèmes spécifiques » (ibid., p. 92). L'isotopie est donc une structure dont les bornes
ne sont pas fixées a priori, et qui se composent d'unités potentiellement minimales liant les
sémèmes les uns aux autres.

La conséquence la plus directe de cette notion sur l'appareil linguistique traditionnel

est de remettre en cause l'intégrité de la phrase, non du moins en tant que structure syntaxique
ou typographique mais en tant que structure sémantique. Le sens d'un texte ne se laisse pas
décrire comme un ensemble linéaire de phrases mais comme un ensemble d'isotopies dont les
bornes excède les répartitions syntaxiques particulière – ce qui, là encore, n'interdit pas que la
syntaxe participe de la constitution des isotopies.

L'isotopie est ainsi un principe qui assure la solidarité interne du texte et définit dans
une certaine mesure son horizon de réception. Si l'isotopie repose sur les relations de

84
continuités entres sémèmes sur la base de leur itération sémique, et si les sèmes d'un textes
sont par définition entre nombre fini, alors les isotopies sont elles-mêmes en nombre fini
(nécessairement inférieur, d'ailleurs, à l'ensemble des sèmes) et hiérarchisables en fonction du
nombre de sèmes qu'elles impliquent et de sémèmes qu'elles relient. De la sorte, les isotopies
constituent des mécanismes de cohésion, et les possibilités de poly-isotopie sont tranchées par
la prise en charge de l'acte de lecture par le récepteur (on en revient alors à l'inscription du
texte dans son contexte de production et dans sa relation avec les autres textes qui partagent
un déploiement isotopique similaire).

3.2. Perspectives applicatives : XML et le(s) texte(s)

3.2.1 Une ressource numérique entre fragments et texte : le thésaurus

Les mots ne sont donc pas indépendants les uns des autres. Dans un texte, les mots
entrent en résonance dans un réseau sémantique qui va le structurer. Il ne sera pas difficile de
retrouver dans un texte sur l’opéra des mots comme aria, cantatrice, oratorio. Ainsi, dans un
texte sur l’informatique, des connexions vont se créer pour mettre en relation les mots.
Clavier, souris, puce et port sont tous polysémiques. Clavier peut renvoyer à un instrument de
musique, puce à un parasite, souris à un rongeur et port à une infrastructure maritime.
Toutefois, c’est leur concomitance qui va activer un de leurs sens plutôt qu’un autre : chaque
mot est un nœud de l’isotopie sémantique qui contribue à définir un texte. Celui-ci sera
reconnu par un lecteur comme traitant de l’informatique sans même que le mot informatique
ne soit employé une seule fois.

Julio Casares, dans son dictionnaire idéologique 62 , met en relation des unités
lexicales non pas en fonction de leur morphologie ou de leur définitions, mais de leur sens.
Ainsi, des réseaux isotopiques peuvent être créés dans un dictionnaire. Le travail de Casares
recense un volume conséquent de données. Publier un équivalent pour le français est un
objectif à fixer pour une recherche approfondie dans le cadre d’une thèse de doctorat.

62
Ibid.

85
 Une fois établis, la comparaison des réseaux isotopiques rend possible le
rapprochements entre des textes. Un texte pourra être considéré comme synonyme d’un autre
texte si, comme au niveau de l’unité lexicale, ils partagent un certain nombre de traits
sémantiques et donc d’isotopies. La mise en réseau d’isotopies sémantiques permet de relier
des textes là où l’analyse lexicale de surface peut opposer un texte traitant de la sortie d’une
nouvelle souris d’ordinateur et un autre évoquant celle d’un clavier tout en rapprochant le
premier d’un texte rapportant une invasion de rongeurs.

En sus, un texte ne se définit pas simplement par le lexique employé mais aussi par
son genre. Dans un quotidien, tous les articles de presse traitent de sujets différents. Ils ont
pourtant tous en commun une structure argumentative caractéristique du texte journalistique
qui constitue une signature textuelle. Ce sont ces éléments qui permettent au lecteur d’établir
ce qui correspond à une synonymie, non plus uniquement lexicale mais également textuelle.
La conjonction de ces éléments permet d’identifier ce que nous appellerons topométrie
lexicale et qui justifie la cohérence d’un corpus.

Cette analyse linguistique va au-delà de la langue et peut être étendue dans une
optique d’exploitation de synonymie interlingue. Le réseau d’isotopies sémantiques est
constitué de liens de sens, non pas d’unités lexicales. C’est ce niveau d’abstraction qui rend la
traduction possible d’une langue à l’autre. Au niveau lexical, la mise en correspondance
d’isotopies va, entre autres, orienter un choix de traduction vers une unité lexicale ou une
autre. Au niveau du texte, la traduction ne se fait plus au niveau des unités lexicales et des
liens qu’ils entretiennent les uns avec les autres, mais par l’étude des réseaux isotopiques et de
leurs liens idéologiques, transposables d’une langue à une autre.

XML nous semble être la meilleure solution technologique pour entreprendre une
telle tâche. En effet, comme nous l’avons détaillé, les modules plein-texte permettent de faire
une véritable analyse linguistique. De plus, le thésaurus proposé en natif est la structure idoine
à cette problématique. La capacité de XQuery à opérer une gestion multilingue du texte grâce
à des modules plein-texte dédiés est également un atout non négligeable dans ce projet. Enfin,
XML est ce qui est aujourd’hui ce qui est le plus adapté au balisage, car c’est ce pour quoi il a
été conçu : traiter de la donnée textuelle et la baliser.

86
 3.2.2. Le croisement des structures : XPath pour l’alignement de corpus

Un texte n’est pas un flux de caractères, il s’agit d’un agencement ordonné

d’informations. La structure du texte est aussi importante que les mots qui le composent.
L’éditeur d’un texte bénéficie d’une certaine latitude quant à la mise en forme. La police de
caractères, les marges, la pagination sont autant de choix qui forment d’une certaine manière
la partie instable du texte. Il est rare qu’une page d’un livre de deux éditions différentes
renvoient au même passage du texte. Le seul moyen de faire jouer une correspondance entre
deux éditions ou un texte et sa traduction est de se servir de la structure profonde du texte. Il
est plus simple de renvoyer à un acte et une scène qu’à un numéro de page. La structure
profonde d’une pièce de théâtre comme le Cid est difficile à appréhender pour un humain. En
effet, il est très difficile d’aller plus en profondeur que les deux premiers niveaux que nous
venons d’évoquer. En revanche, il est aisé pour un automate de naviguer à travers un grand
volume de données. XPath offre un moyen très efficace de tirer profit de l’adressage de la
donnée pour l’extraire.
Les annexes 4, 5 et 6 sont trois versions d’un même texte, la Déclaration universelle
des droits de l’Homme en français, en anglais et en chinois. Bien qu’extraites du même site
web, elles présentent des mises en page différentes ne permettant pas un traitement
informatique brut. Un marquage du texte reflétant celui-ci sera la clé d’une correspondance
commune à toutes les versions. Une possibilité d’étiquetage serait la suivante :

<declaration>
<preambule>
<considerant>
<phrase/>
</considerant>
</preambule>
<article>
<alinea>
<phrase/>
</alinea>
</article>
</declaration>

L’accès à une donnée particulière se fait grâce à son chemin XPath. Considérons
l’exemple suivant

<declaration>

87
 <article id=”23”>

<alinea id=”1”>
<phrase> Toute personne a droit au travail, au libre
choix de son travail, à des conditions
équitables et satisfaisantes de travail et à
la protection contre le chômage.
</phrase>
</alinea>

<alinea id=”2”>
<phrase> Tous ont droit, sans aucune discrimination, à
un salaire égal pour un travail égal.
</phrase>
</alinea>

<alinea id=”3”>
<phrase> Quiconque travaille a droit à une rémunération
équitable et satisfaisante lui assurant ainsi
qu'à sa famille une existence conforme à la
dignité humaine et complétée, s'il y a lieu,
par tous autres moyens de protection sociale.
</phrase>
</alinea>

<alinea id=”4”>
<phrase> Toute personne a le droit de fonder avec
d'autres des syndicats et de s'affilier à des
syndicats pour la défense de ses intérêts.
</phrase>
</alinea>

</article>

<article id=”24”>
<alinea id=”1”>
<phrase> Toute personne a droit au repos et aux loisirs
et notamment à une limitation raisonnable de
la durée du travail et à des congés payés
périodiques.
</phrase>
</alinea>
</article>

</declaration>

Il est désormais facile d’extraire une donnée. Si l’on veut connaître l’article 24, il
suffit de faire un requête sur ce chemin XPath :

88
 for $x in declaration/article[./@id=”24”]/alinea

return <article>{data($x)}</article>

ce qui renverra le résultat suivant :

<article> Toute personne a droit au repos et aux loisirs et notamment à

une limitation raisonnable de la durée du travail et à des congés payés
périodiques. </article>

La requête peut mettre directement en correspondance les différentes traductions en

gérant plusieurs bases de données, en cherchant l’article 23 alinéa 3 en français, anglais et
chinois :

let $article := "23"

let $alinea := "3"

let $langue := ('fr','en','zh')

return <racine> {

for $l in $langue, $x in
db:open($l)/declaration/article[./@id=$article]/alinea[./@id=
$alinea]/phrase
return <article lang="{$l}">{data($x)}</article>

} </racine>

Le résultat obtenu est un alignement direct des traductions du même texte :

<racine>

<article lang="fr">Quiconque travaille a droit à une rémunération

équitable et satisfaisante lui assurant ainsi qu'à sa famille une existence
conforme à la dignité humaine et complétée, s'il y a lieu, par tous autres
moyens de protection sociale.</article>

<article lang="en">Everyone who works has the right to just and

favourable remuneration ensuring for himself and his family an existence

89
 worthy of human dignity, and supplemented, if necessary, by other means of
social protection.</article>

<article lang="zh">每一个工作的人，有权享受公正和合适的
报酬，保证使他本人和家属有一个符合人的生活条件，必要时并辅以
其他方式的社会保障。</article>

</racine>

Le formalisme XML autorise donc d’imaginer une telle application sur le web. En
effet, la requête peut tout à fait créer une page web à la volée, en recréant une arborescence
qui correspondrait à un page XHTML ou HTML 5, en insérant à la place de la balise
<racine> une racine <html><head/><body>. Le contenu des variables pourra être
spécifié par l’utilisateur au moyen d’une page PHP pour rendre l’utilisation dynamique.

Une autre perspective envisagée est de ne plus s’appuyer uniquement sur la structure
du texte, mais également sur les réseaux sémantiques crées à l’aide du dictionnaire
idéologique. Une fois un texte réduit à ses structures et catégorisé, les ponts d’une langue à
une autre sont plus simples à construire. En effet, la recherche ne se fera plus sur des unités
lexicales, mais des idées, réduisant ainsi les ambiguïtés dues à la polysémie. Il ne s’agira plus
de traduire un mot, mais le sens derrière celui-ci. Le croisement du réseau et de la structure
permettra de s’approcher d’un alignement de corpus fin.
Cette opération pourra se faire à la volée en s’appuyant une fois encore sur le
formalisme XML. Les technologies web permettent de réaliser un travail d’éditeur. Le CSS
3 63 met en forme les pages web en fonction des balises et des attributs, rendant possible
l’affichage simultané du texte en langue source et en langue cible. La composition sera la
dernière touche d’un processus de transformation qui aura décodé le texte pour le réduire à sa
structure et un flux de données pour ensuite le faire revivre sous une forme à la fois nouvelle
et familière.

63
Pour approfondir la syntaxe et les options proposées par le CSS 3 : D. McFarland, CSS3: The Missing Manual.
Sebastopol, CA : O'Reilly, 2012.

90
Conclusion

Les Humanités numériques ont des problématiques communes, et l’exploitation du

texte en est une. Le développement des ressources numériques est en constante progression,
mais il devient difficile d’appréhender avec efficacité cette nouvelle manne de données. La
linguistique et la linguistique informatique en particulier ont œuvré pour mettre en place des
solutions adaptées. Il existe de nombreux langages de programmation avec leurs spécialités,
leurs spécificités et leurs points faibles. De nombreux outils ont également été développés,
certains pouvant etre intégrés dans une chaîne de traitement, d’autres pas. XML et XQuery
offrent des possibilités qui permettent déjà une exploitation du texte à plusieurs niveaux de
profondeur.

Le premier objectif de ce travail est de rendre accessible à l’Humaniste numérique

des moyens technologiques pour créer ses propres ressources numériques de manière éclairée,
à la fois sur le comment mais surtout le pourquoi. Il nous est apparu essentiel de ne pas
tomber dans l’écueil des luttes de chapelles ; c’est pourquoi il est important de remettre XML
dans son contexte. Ce formalisme est rigoureux, ce qui peut rebuter certains. Si PERL a su
séduire des linguistes par la facilité avec laquelle on peut obtenir des résultats, qu’ils soient
justes ou faux d’ailleurs, il est important que l’Humaniste numérique ne fasse pas les mêmes
erreurs et se dote des outils les plus adaptés à son exploitation du texte. Car son objet de
travail est bel et bien le texte.

XML et le texte sont au cœur de cette recherche, qui se projette au-delà de cet objet.
Le second objectif de ce mémoire est d’identifier des problématiques liées à la détection de
réseaux d’isotopies ainsi que trouver les solutions technologiques en vue de leur analyse dans
le cadre d’un projet de recherche sur la synonymie textuelle.

91
Bibliographie

 Abeillé, Anne. Les nouvelles syntaxes, grammaires d'unifications et analyse du

français. Paris : Armand Colin, 1993.

 Abney, Steven. Parsing by Chunks. In : R. Berwick, S. Abney & C. Tenny (eds.),

« Principle-Based Parsing ». Dordrecht : Kluwer Academic Publishers, 1991.

 Aït-Mokhtar, Salah, Chanod, Jean-Pierre, Roux, Claude. « Robustness beyond

Shallowness: Incremental Deep Parsing » In : Natural Language Engineering 8.
Cambridge : Cambridge University Press, 2002.

 Benveniste, Emile. Problèmes de linguistique générale. París : Gallimard, 1974.

 Boitet, Christian. Bernard Vauquois et la TAO : 25 ans de traduction automatique :

analectes. Gières : Association Champollion, 1989.

 Bray, Tim, Paoli, Jean, Sperberg-Mcqueen, C. Michael, et al. Extensible markup

language (XML). World Wide Web Consortium Recommendation REC-xml-19980210.
http://www. w3. org/TR/1998/REC-xml-19980210, 1998.

 Buvet, Pierre-André, Cartier, Emmanuel, Issac, Fabrice, Mathieu-Colas, Michel, Mejri,

Salah & Madlouni, Yassine. « Morfetik, ressource lexicale pour le TAL ». In : Actes de
TALN 2009, Senlis, 2009.

 Casares, Julio. Diccionario ideologico de la lengua española. Barcelone : Gustavo

Gili, 1990.

 Doualan, Gaëlle, Boucher, Mathieu, Brixtel, Romain, et al. « Détection de mots-clés

par approches au grain caractère et au grain mot ». Actes de l’atelier de clôture du
huitième défi fouille de texte (DEFT), 2012, p. 45-52.

 François, Jacques (éd.). Théories contemporaines du changement sémantique,

Mémoires de la société de linguistique de Paris, 2000, t. IX, Louvain : Peeters..

 Francopoulo, Gil.LMF Lexical Markup Framework. Londres : ISTE, 2013.

 Friedl, Jeffrey. Mastering regular expressions. Sebastopol, CA : O'Reilly Media, Inc.,

2006.

 Habert, Benoit, Fabre, Cécile, Issac, Fabrice. De l’écrit au numérique. Constituer,

normaliser et exploiter les corpus électroniques. Paris : Masson, 1998.

92
 Issac, Fabrice & Salvador, Xavier-Laurent. La synonymie médiévale en graphes.
Paris : Université Paris-Sorbonne, février 2012.

 Issac, Fabrice. « Place des ressources lexicales dans l’étiquetage morphosyntaxique »,

in L’information grammaticale, n°122, 2009, pp. 10–18.

 Jeanneret Yves, Meeùs Nicolas, Soutet, Olivier, et al.. Que faisons-nous du texte ?.
Paris : Presses de l'Université Paris-Sorbonne, 2012.

 McFarland, David Sawyer. CSS3: The Missing Manual. Sebastopol, CA :O'Reilly,

2012.

 Molinié, Georges. Éléments de stylistique française. Paris : Presses Universitaires de

France, 2011, 4e édition.

 Piotrowski, Rajmund, Romanov, Yourij. « Machine Translation in the former Soviet

Union and in the Newly Independent States (NIS) », in Histoire Épistémologie
Langage, Tome 21, fascicule 1, 1999.

 Poibeau, Thierry. Du texte brut au Web sémantique. Paris : Hermès, 2003.

 Rastier, François. «Sémantique du web vs. Semantic Web ? Le problème de la

pertinence» in Syntaxe & Sémantique 9. Caen : Presses universitaires de Caen, 2008.

 Rastier, François. La mesure et le grain. Paris : Honoré Champion, 2011.

 Rastier, François. Sémantique interprétative. 3ème édition mise à jour et augmentée.

Paris : Presses Universitaires de France, 2009 (1987).

 Rastier, François. Textes et sens. Paris : Didier Érudition, 1996.

 Rastier, François.« Doxa et sémantique de corpus ». In :Langages 2, 2008.

 Ray, Erik. Learning XML. Sebastopol, CA : O'Reilly, 2002.

 Schmidt, Helmut. "Probabilistic Part-of-speech Tagging Using Decision Tree". IMS-

CL, Universität Stuttgart.

 Silberztein, Max « Le dictionnaire électronique des mots composés ». In: Langue

française, Vol. 87, pp. 71-83.

 Van Assem, Mark, Gangemi, Aldo & Schreiber, Guus. « Conversion of WordNet to a
standard RDF/OWL representation». In : Proceedings of the Fifth International
Conference on Language Resources and Evaluation (LREC’06). Gênes, Italie, 2006.

 Vergne, Jacques. « Analyse syntaxique automatique de langues : du combinatoire au

calculatoire », in TALN'2001.

 Vergne, Jacques. « Découverte locale des mots vides dans des corpus bruts de langues
inconnues, sans aucune ressource », in JADT 2004 : 7es Journées internationales

93
 d’Analyse statistique des Données Textuelles, 2004.

 Vergne, Jacques. « Un outil d'extraction terminologique endogène et multilingue », in

TALN 2003, Batz-sur-Mer, 2003.

Annexes

Annexe 1

Page d’accueil du site http://www.isilex.fr

<html>
<head>
<meta charset="utf-8"/>
<title>Isilex.fr</title>
<link rel="stylesheet" type="text/css" href="CSS/style.css"/>
<link rel="icon" type="image/png"
href="http://www.crealscience.fr/images/Anonymous_keyring.png" />
<link
href='http://fonts.googleapis.com/css?family=Belleza|Nixie+One|Open+S
ans|PT+Serif+Caption|Eagle+Lake&subset=latin,latin-ext'
rel='stylesheet' type='text/css'>
</head>

<body>
<div id='top'>
<div id='titrepos1'><li><a href='http://www-ldi.univ-
paris13.fr'><img src='http://www-ldi.univ-paris13.fr/old-
ldi/images/M_images/logo-ldi.jpg' width="80"
height="30"></a></li>Isilex, Easy Lexical Ressources Portal </div>
</div>
<div id='global'>
<div id='menu'>
<a href='http://www.isilex.fr'>Home</a>
<a href='http://test.isilex.fr'>See ISILEX</a>
<a href='http://www.crealscience.fr/ModifierDemo.php'>Try
ISILEX</a>
<a href='http://www.isilex.fr/links.php'>Links</a>
<a href='http://www.isilex.fr/download.php'>Download</a>
<a href='http://www.isilex.fr/contacts.php'>Contact Team</a>
<a href='http://www.isilex.fr/lexichamp'>Isotopies
Automatiques</a>
</div>
<div id='contenu'>
<div id='fondaffcih'>
<div id='affichdata'>
<div class='texte'>
<h2>What is this ?</h2>
<p><a href='http://www.crealscience.fr/ModifierDemo.php'>Isilex</a>
is an XML, collaborative or stand alone, Dictionnary Tool
builder.</p>
<p>You can see an automatic application for automatic Detection of
Isotopies thru Litterary texts <a
href='http://www.isilex.fr/lexichamp'>here</a></p>

94
<p>You can play with the complete editor <a
href='http://www.crealscience.fr/ModifierDemo.php'>here</a></p>
<p>It is a Tool for <b>consulting</b>, <b>editing</b> and
<b>publishing</b> XML Lexicographic TEI Compliant Datas.</p> See <a
href='htt://test.isilex.fr'>here</a>.
<p>Linguists teams obviously need time for working on datas, and
can't spend time on self-learning technical solutions for
Lexicographic datas editioning.</p>
<p>On an other hand, <a href=''>XML</a> and <a href=''>TEI</a> are
new and efficient standards for international datas development. But
Learning conventions, methods, programing solutions is not quite easy
to learn for someone not coming from numeric literacies. Working on
will soon be a nightmare for collaborative work.</p>

<h2>Solution ?</h2>
We do offer a solution for creation, edition <b>and Web hosting</b>.
<a href='http://www.isilex.fr'>IsiLex</a> - standing for <a
href='http://en.wikipedia.org/wiki/Isidore_of_Seville'>Isidorus</a>
Lexicograph - is a Lexicographic CMS (Content Management System).
It's a specific and easy solution for lexical ressources creations
developed in <a href='http://www-ldi.univ-paris13.fr'>LDI CNRS
Laboratory</a> by Researchers coming from European Universities.
Isilex makes available an easy way for your teams to produce TEI
compliant XML Ressources and Databases without initial formation.
It's an integrated XML TEI compliant WYSIWYG solution. First of all
it's <b>free</b>. The core of the editing project is an harmonious
organization of separate tools already existing pull inside a Web CMS
dedicated to dictionnary building with <li id='oldst'><a
href='http://Basex.org'>BaseX</a> from Konstanz University in it</li>
</p>

<h2>What else ?</h2>

<p>It's a <b>Web Hosting solution for lexicography</b> with full
integration, help for deployment, XML Database Assistance. You will
have full ftp access and a domain name like
<b>yourdictionnary.isilex.fr</b> </p>

<h2>Our goal ?</h2>

<p>
The project is born three years ago, while working on <a
href='http://www.crealscience.fr'>The Dictionnary of the medieval
Sciences</a>. We decided to produce a tool dedicated to production,
edition, consultation and XML datas complying solutions with other
international projects and easy to use, even for People with no time
to spend in XML sharewares solutions like <a
href='www.oxygenxml.com/'>Oxygen</a>.
</p>

<p><a href=''>Isilex</a> could be an easy standalone or collaborative

solution, focused on XML producing datas. In a few clics, you can
read, append, alter or delete XML Datas without seing even one
balise, everything done in a famous wysiwig editor.</p>

<h2>How To ?</h2>
<p>
You build a lexicographic project, based on the type of ressources
you aim at producing (monolingual, bilingual).)
<ul>
<li id="oldst"> You build a structure</li>
<li id="oldst"> Your teams can collaborate.</li>

95
 <li id="oldst"> You moderate.</li>
<li id="oldst"> You can edit a website or a wondeful PDF
book.</li>
</ul>
</p>
<h2>Is there anyone using it ?</h2>
<p>Yes, indeed: <a
href='http://crealscience.isilex.fr'>crealscience.isilex.fr</a>.</p>
<p>Another project, by the same author: <a
href='http://isilex.biblehistoriale.fr'>biblehistoriale.isilex.fr</a>
</p>
<p>Automatic detection of Lexical Isotopies <a
href='http://www.isilex.fr/lexichamp'>Here</a></p>
<p><a>I-Def</a> Society</p>

</div>
</div>
<div id='bas'>
Powered by <a href=''>Isilex</a>, a Lexicographic CMS <br/>
XLS, FI, GP, MF, JE, YS<a
href="https://plus.google.com/103783772087446954534"
rel="publisher">Retrouvez-nous sur Google+</a>
</div>
</div>
</div>
</body>
</html>

Annexe 2

DTD établie pour l’évaluation des perfomances du moteur EIBM

dans le cadre du projet collectif de la promotion 2013/14 du Master
Professionnel TILDE.

<!ELEMENT racine (meta|texte)+>

<!ELEMENT meta (site|url|registre|langue)+ >
<!ELEMENT site (#PCDATA)* >
<!ELEMENT url (#PCDATA)* >
<!ELEMENT registre (#PCDATA)* >
<!ELEMENT langue (#PCDATA)* >
<!ELEMENT texte
(#PCDATA|titre|maladie|medicament|therapie|EPIDEMIE|TRAITEMENT
|ALERTE|PATHOLOGIE|BRUIT)* >
<!ELEMENT titre
(#PCDATA|maladie|medicament|therapie|EPIDEMIE|TRAITEMENT|ALERT
E|PATHOLOGIE|BRUIT)* >
<!ELEMENT maladie
(#PCDATA|medicament|therapie|EPIDEMIE|TRAITEMENT|ALERTE|PATHOL
OGIE|BRUIT)* >

96
<!ELEMENT medicament
(#PCDATA|maladie|therapie|EPIDEMIE|TRAITEMENT|ALERTE|PATHOLOGI
E|BRUIT)* >
<!ELEMENT therapie
(#PCDATA|maladie|medicament|EPIDEMIE|TRAITEMENT|ALERTE|PATHOLO
GIE|BRUIT)* >
<!ELEMENT EPIDEMIE
(#PCDATA|maladie|medicament|therapie|TRAITEMENT|ALERTE|PATHOLO
GIE|BRUIT)* >
<!ELEMENT TRAITEMENT
(#PCDATA|maladie|medicament|therapie|EPIDEMIE|ALERTE|PATHOLOGI
E|BRUIT)* >
<!ELEMENT ALERTE
(#PCDATA|maladie|medicament|therapie|EPIDEMIE|TRAITEMENT|PATHO
LOGIE|BRUIT)* >
<!ELEMENT PATHOLOGIE
(#PCDATA|maladie|medicament|therapie|EPIDEMIE|TRAITEMENT|ALERT
E)* >
<!ELEMENT BRUIT
(#PCDATA|maladie|medicament|therapie|EPIDEMIE|TRAITEMENT|ALERT
E|PATHOLOGIE)* >
<!ATTLIST maladie eval (précis|bruit|silence) #REQUIRED
lm (non) #IMPLIED >
<!ATTLIST medicament eval (précis|bruit|silence) #REQUIRED
lm (non) #IMPLIED >
<!ATTLIST therapie eval (précis|bruit|silence) #REQUIRED
lm (non) #IMPLIED >
<!ATTLIST EPIDEMIE eval (précis|bruit|silence) #REQUIRED
inex (oui) #IMPLIED >
<!ATTLIST TRAITEMENT eval (précis|bruit|silence) #REQUIRED
inex (oui) #IMPLIED >
<!ATTLIST ALERTE eval (précis|bruit|silence) #REQUIRED
inex (oui) #IMPLIED >
<!ATTLIST PATHOLOGIE eval (précis|bruit|silence) #REQUIRED
inex (oui) #IMPLIED >
<!ATTLIST BRUIT eval (précis|bruit|silence) #REQUIRED >

Annexe 3

Schema XML du thesaurus pour XQuery.

<xs:schema
targetNamespace="http://www.w3.org/2007/xqftts/thesaurus"
elementFormDefault="qualified"><!--
equivalence relationships (synonyms): PREFERRED TERM (USE),
NONPREFERRED USED FOR TERM (UF);

hierarchical relationships: BROADER TERM (BT), NARROWER

97
 TERM (NT), BROADER TERM GENERIC (BTG), NARROWER TERM
GENERIC (NTG), BROADER TERM PARTITIVE (BTP), NARROWER
TERM PARTITIVE (NTP), TOP Terms (TT); and

associative relationships: RELATED TERM (RT).

--><xs:simpleType name="defined-relationship"><xs:restriction
base="xs:token"><xs:enumeration value="USE"/><xs:enumeration
value="UF"/><xs:enumeration value="BT"/><xs:enumeration
value="NT"/><xs:enumeration value="BTG"/><xs:enumeration
value="NTG"/><xs:enumeration value="BTP"/><xs:enumeration
value="NTP"/><xs:enumeration value="TT"/><xs:enumeration
value="RT"/></xs:restriction></xs:simpleType><xs:simpleType
name="relationship"><xs:union memberTypes="defined-relationship
xs:token"/></xs:simpleType><xs:complexType
name="synonym"><xs:sequence><xs:element name="term"
type="xs:string"/><xs:element name="relationship" type="relationship"
maxOccurs="unbounded"/></xs:sequence></xs:complexType><xs:complex
Type name="entry"><xs:sequence><xs:element name="term"
type="xs:string" minOccurs="0" maxOccurs="1"/><xs:element
name="synonym" type="synonym" minOccurs="0"
maxOccurs="unbounded"/></xs:sequence></xs:complexType><xs:element
name="entry" type="entry"><xs:annotation><xs:documentation>
An entry in the thesaurus
</xs:documentation></xs:annotation></xs:element><xs:element
name="thesaurus"><xs:annotation><xs:documentation>
Root of thesaurus.

</xs:documentation></xs:annotation><xs:complexType><xs:sequence
minOccurs="0" maxOccurs="unbounded"><xs:element
ref="entry"/></xs:sequence></xs:complexType></xs:element></xs:schema
>

Annexe 4

Déclaration universelle des droits de l’Homme en français

Préambule

Considérant que la reconnaissance de la dignité inhérente à tous les membres de la famille

humaine et de leurs droits égaux et inaliénables constitue le fondement de la liberté, de la
justice et de la paix dans le monde.

Considérant que la méconnaissance et le mépris des droits de l'homme ont conduit à des actes
de barbarie qui révoltent la conscience de l'humanité et que l'avènement d'un monde où les

98
êtres humains seront libres de parler et de croire, libérés de la terreur et de la misère, a été
proclamé comme la plus haute aspiration de l'homme.

Considérant qu'il est essentiel que les droits de l'homme soient protégés par un régime de
droit pour que l'homme ne soit pas contraint, en suprême recours, à la révolte contre la
tyrannie et l'oppression.

Considérant qu'il est essentiel d'encourager le développement de relations amicales entre

nations.

Considérant que dans la Charte les peuples des Nations Unies ont proclamé à nouveau leur
foi dans les droits fondamentaux de l'homme, dans la dignité et la valeur de la personne
humaine, dans l'égalité des droits des hommes et des femmes, et qu'ils se sont déclarés résolus
à favoriser le progrès social et à instaurer de meilleures conditions de vie dans une liberté plus
grande.

Considérant que les Etats Membres se sont engagés à assurer, en coopération avec
l'Organisation des Nations Unies, le respect universel et effectif des droits de l'homme et des
libertés fondamentales.

Considérant qu'une conception commune de ces droits et libertés est de la plus haute
importance pour remplir pleinement cet engagement.

L'Assemblée générale proclame la présente Déclaration universelle des droits de

l'homme comme l'idéal commun à atteindre par tous les peuples et toutes les nations afin que
tous les individus et tous les organes de la société, ayant cette Déclaration constamment à
l'esprit, s'efforcent, par l'enseignement et l'éducation, de développer le respect de ces droits et
libertés et d'en assurer, par des mesures progressives d'ordre national et international, la
reconnaissance et l'application universelles et effectives, tant parmi les populations des Etats
Membres eux-mêmes que parmi celles des territoires placés sous leur juridiction.

Article premier

Tous les êtres humains naissent libres et égaux en dignité et en droits. Ils sont doués de raison
et de conscience et doivent agir les uns envers les autres dans un esprit de fraternité.

Article 20

1. Toute personne a droit à la liberté de réunion et d'association pacifiques.

2. Nul ne peut être obligé de faire partie d'une association.

Article 21

1. Toute personne a le droit de prendre part à la direction des affaires publiques de son pays,
soit directement, soit par l'intermédiaire de représentants librement choisis.
2. Toute personne a droit à accéder, dans des conditions d'égalité, aux fonctions publiques de
son pays.
3. La volonté du peuple est le fondement de l'autorité des pouvoirs publics ; cette volonté doit
s'exprimer par des élections honnêtes qui doivent avoir lieu périodiquement, au suffrage
99
universel égal et au vote secret ou suivant une procédure équivalente assurant la liberté du
vote.

Article 22

Toute personne, en tant que membre de la société, a droit à la sécurité sociale ; elle est fondée
à obtenir la satisfaction des droits économiques, sociaux et culturels indispensables à sa
dignité et au libre développement de sa personnalité, grâce à l'effort national et à la
coopération internationale, compte tenu de l'organisation et des ressources de chaque pays.

Article 23

1. Toute personne a droit au travail, au libre choix de son travail, à des conditions équitables
et satisfaisantes de travail et à la protection contre le chômage.
2. Tous ont droit, sans aucune discrimination, à un salaire égal pour un travail égal.
3. Quiconque travaille a droit à une rémunération équitable et satisfaisante lui assurant ainsi
qu'à sa famille une existence conforme à la dignité humaine et complétée, s'il y a lieu, par tous
autres moyens de protection sociale.
4. Toute personne a le droit de fonder avec d'autres des syndicats et de s'affilier à des
syndicats pour la défense de ses intérêts.

Article 24

Toute personne a droit au repos et aux loisirs et notamment à une limitation raisonnable de la
durée du travail et à des congés payés périodiques.

Annexe 5

Extrait de la Déclaration universelle des droits de l’Homme en anglais

PREAMBLE

Whereas recognition of the inherent dignity and of the equal and inalienable rights of all
members of the human family is the foundation of freedom, justice and peace in the world,

Whereas disregard and contempt for human rights have resulted in barbarous acts which have
outraged the conscience of mankind, and the advent of a world in which human beings shall
enjoy freedom of speech and belief and freedom from fear and want has been proclaimed as
the highest aspiration of the common people,

Whereas it is essential, if man is not to be compelled to have recourse, as a last resort, to

rebellion against tyranny and oppression, that human rights should be protected by the rule of
law,

100
Whereas it is essential to promote the development of friendly relations between nations,

Whereas the peoples of the United Nations have in the Charter reaffirmed their faith in
fundamental human rights, in the dignity and worth of the human person and in the equal
rights of men and women and have determined to promote social progress and better
standards of life in larger freedom,

Whereas Member States have pledged themselves to achieve, in co-operation with the United
Nations, the promotion of universal respect for and observance of human rights and
fundamental freedoms,

Whereas a common understanding of these rights and freedoms is of the greatest importance
for the full realization of this pledge,

Now, Therefore THE GENERAL ASSEMBLY proclaims THIS UNIVERSAL

DECLARATION OF HUMAN RIGHTS as a common standard of achievement for all
peoples and all nations, to the end that every individual and every organ of society, keeping
this Declaration constantly in mind, shall strive by teaching and education to promote respect
for these rights and freedoms and by progressive measures, national and international, to
secure their universal and effective recognition and observance, both among the peoples of
Member States themselves and among the peoples of territories under their jurisdiction.

Article 1.

 All human beings are born free and equal in dignity and rights. They are endowed
with reason and conscience and should act towards one another in a spirit of
brotherhood.

Article 20.

 (1) Everyone has the right to freedom of peaceful assembly and association.
 (2) No one may be compelled to belong to an association.

Article 21.

 (1) Everyone has the right to take part in the government of his country, directly or
through freely chosen representatives.
 (2) Everyone has the right of equal access to public service in his country.
 (3) The will of the people shall be the basis of the authority of government; this will
shall be expressed in periodic and genuine elections which shall be by universal and
equal suffrage and shall be held by secret vote or by equivalent free voting procedures.

Article 22.

 Everyone, as a member of society, has the right to social security and is entitled to
realization, through national effort and international co-operation and in accordance

101
 with the organization and resources of each State, of the economic, social and cultural
rights indispensable for his dignity and the free development of his personality.

Article 23.

 (1) Everyone has the right to work, to free choice of employment, to just and
favourable conditions of work and to protection against unemployment.
 (2) Everyone, without any discrimination, has the right to equal pay for equal work.
 (3) Everyone who works has the right to just and favourable remuneration ensuring for
himself and his family an existence worthy of human dignity, and supplemented, if
necessary, by other means of social protection.
 (4) Everyone has the right to form and to join trade unions for the protection of his
interests.

Article 24.

 Everyone has the right to rest and leisure, including reasonable limitation of working
hours and periodic holidays with pay.

Annexe 6

Extrait de la Déclaration universelle des droits de l’Homme en chinois

序言

鉴于对人类家庭所有成员的固有尊严及其平等的和不移的权利的承认，乃是世界自由
、正义与和平的基础，

鉴于对人权的无视和侮蔑已发展为野蛮暴行，这些暴行玷污了人类的良心，而一个人
人享有言论和信仰自由并免予恐惧和匮乏的世界的来临，已被宣布为普通人民的最高
愿望，

鉴于为使人类不致迫不得已铤而走险对暴政和压迫进行反叛，有必要使人权受法治的
保护，

鉴于有必要促进各国间友好关系的发展，

鉴于各联合国国家的人民已在联合国宪章中重申他们对基本人权、人格尊严和价值以
及男女平等权利的信念，并决心促成较大自由中的社会进步和生活水平的改善，

鉴于各会员国业已誓愿同联合国合作以促进对人权和基本自由的普遍尊重和遵行，

102
鉴于对这些权利和自由的普遍了解对于这个誓愿的充分实现具有很大的重要性，

因此现在，

大会，

发布这一世界人权宣言，作为所有人民和所有国家努力实现的共同标准，以期每一个
人和社会机构经常铭念本宣言，努力通过教诲和教育促进对权利和自由的尊重，并通
过国家的和国际的渐进措施，使这些权利和自由在各会员国本身人民及在其管辖下领
土的人民中得到普遍和有效的承认和遵行；

1 第一条

 人人生而自由，在尊严和权利上一律平等。他们赋有理性和良心，并应以兄弟
关系的精神相对待。

20 第二十条

 ㈠ 人人有权享有和平集会和结社的自由。
 ㈡ 任何人不得迫使隶属于某一团体。

21 第二十一条

 ㈠ 人人有直接或通过自由选择的代表参与治理本国的权利。
 ㈡ 人人有平等机会参加本国公务的权利。
 ㈢ 人民的意志是政府权力的基础；这一意志应以定期的和真正的选举予以表现，
而选举应依据普遍和平等的投票权，并以不记名投票或相当的自由投票程序进
行。

22 第二十二条

 每个人，作为社会的一员，有权享受社会保障，并有权享受他的个人尊严和人
格的自由发展所必需的经济、社会和文化方面各种权利的实现，这种实现是通
过国家努力和国际合作并依照各国的组织和资源情况。

23 第二十三条

 ㈠ 人人有权工作、自由选择职业、享受公正和合适的工作条件并享受免于失业
的保障。
 ㈡ 人人有同工同酬的权利，不受任何歧视。

103
 ㈢ 每一个工作的人，有权享受公正和合适的报酬，保证使他本人和家属有一个
符合人的生活条件，必要时并辅以其他方式的社会保障。
 ㈣ 人人有为维护其利益而组织和参加工会的权利。

24 第二十四条

 人人有享有休息和闲暇的权利，包括工作时间有合理限制和定期给薪休假的权
利。

 本宣言的任何条文，不得解释为默许任何国家、集团或个人有权进行任何旨在
破坏本宣言所载的任何权利和自由的活动或行为。

104