Difference between revisions of "Bases sur les dictionnaires unilingues"

From Apertium
Jump to navigation Jump to search
(Création page (traduction partielle, mais mieux vaut sauvegarder))
 
 
(15 intermediate revisions by 2 users not shown)
Line 1: Line 1:
  +
[[Monodix basics|In English]]
On a dit que le format des dictionnaires d'Apertium n'est pas intuitif, ce qui est assez vrai si vous n'êtes pas habitué à penser aux dictionnaires d'une manière particulière. Cette page espère être une introduction '''de base''' introduction sur la façon dont ils fonctionnent et comment vous pouvez commencer à les lire et les écrire !
 
   
 
On a dit que le format des dictionnaires d'Apertium n'est pas intuitif, ce qui est assez vrai si vous n'êtes pas habitué à penser aux dictionnaires d'une manière particulière. Cette page espère être une introduction '''de base''' sur la façon dont ils fonctionnent et comment vous pouvez commencer à les lire et les écrire !
Cette page suppose que vous êtes à l'aise avec HTML et XML, et suppose que vous pouvez distinguer un élément d'un attribut et ce que sont les données caractères. Si vous voulez un résumé rapide, ceci devrait vous aider :
 
  +
 
Cette page suppose que vous êtes à l'aise avec HTML et XML, que vous pouvez distinguer un élément d'un attribut et savez ce que sont les données caractères. Si vous voulez un résumé rapide, ceci devrait vous aider :
   
 
:<element attribute="value">character data</element>
 
:<element attribute="value">character data</element>
   
Si cela n'a aucune signification pour vois, vous devriez probablement lire un peu plus sur le XML.
+
Si cela n'a aucune signification pour vous, vous devriez probablement lire un peu plus sur le XML.
   
 
== Introduction ==
 
== Introduction ==
   
Donc, au niveau global, le dictionnaire le plus basique a besoin de 3 sections. Nous allons, pas à pas, définir un dictionnaire qui va analyser et générer le mot anglais "beer" et sa forme plurielle, "beers".
+
Donc, au niveau global, le plus élémentaire des dictionnaires doit comporter trois sections. Nous allons, pas à pas, définir un dictionnaire qui va analyser et générer le mot français "bière" et sa forme plurielle, "bières".
   
La première section définit l'alphabet qui est utilisé par le dictionnaire. C'est assez explicite et ça ressemblera à quelque-chose comme :
+
La première section définit l'alphabet qui est utilisé par le dictionnaire. C'est assez explicite et ça ressemblera à quelque chose comme :
   
 
<pre>
 
<pre>
 
<alphabet>ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz</alphabet>
 
<alphabet>ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz</alphabet>
 
</pre>
 
</pre>
  +
  +
La liste de caractères est valable pour un dictionnaire anglais, mais dans d'autres langues, il ne faut pas oublier les caractères accentués ou spéciaux tels 'ç'.
   
 
La seconde section définit les symboles grammaticaux<ref>Dans d'autres documents linguistiques ils sont quelquefois appelés "features" (caractéristiques), ou "catégories" et "sous-catégories".</ref> de la langue sur laquelle vous travaillez. C'est normalement là où les gens disent, attendez... que sont les symboles grammaticaux ? Hé bien, il y a plusieurs façons de décrire les mots, et les différentes formes que les mots peuvent prendre, donc je suppose que vous savez ce qu'est une ''partie de discours''<ref>une partie de discours (ou catégorie lexicale, classe de mot, classe lexicale, etc.) est une catégorie linguistique de mots, qui est généralement définie par le comportement syntaxique ou morphologique du mot en question. Les catégories linguistiques communes comprennent le nom et le verbe, entre autres. Il y a des classes de mots ouvertes, qui acquièrent constamment de nouveaux membres, et des classes de mots fermées, qui n'acquièrent de nouveaux membres que rarement si ça arrive.</ref>. Par exemple: les noms (maison, bière, bateau, chat, ...), que vous pouvez distinguer des adjectifs (rouge, bon, transparent, ...) et des verbes (manger, multiplier, écrire, ...). La manière de les spécifier est la suivante :
 
La seconde section définit les symboles grammaticaux<ref>Dans d'autres documents linguistiques ils sont quelquefois appelés "features" (caractéristiques), ou "catégories" et "sous-catégories".</ref> de la langue sur laquelle vous travaillez. C'est normalement là où les gens disent, attendez... que sont les symboles grammaticaux ? Hé bien, il y a plusieurs façons de décrire les mots, et les différentes formes que les mots peuvent prendre, donc je suppose que vous savez ce qu'est une ''partie de discours''<ref>une partie de discours (ou catégorie lexicale, classe de mot, classe lexicale, etc.) est une catégorie linguistique de mots, qui est généralement définie par le comportement syntaxique ou morphologique du mot en question. Les catégories linguistiques communes comprennent le nom et le verbe, entre autres. Il y a des classes de mots ouvertes, qui acquièrent constamment de nouveaux membres, et des classes de mots fermées, qui n'acquièrent de nouveaux membres que rarement si ça arrive.</ref>. Par exemple: les noms (maison, bière, bateau, chat, ...), que vous pouvez distinguer des adjectifs (rouge, bon, transparent, ...) et des verbes (manger, multiplier, écrire, ...). La manière de les spécifier est la suivante :
   
  +
<pre>
  +
<sdefs>
  +
<sdef n="nom"/>
  +
<sdef n="verbe"/>
  +
<sdef n="adjectif"/>
  +
</sdefs>
  +
</pre>
  +
  +
ou en utilisant des termes anglais :
 
<pre>
 
<pre>
 
<sdefs>
 
<sdefs>
Line 27: Line 40:
 
</pre>
 
</pre>
   
Les gens se plaignent souvent de la brièveté de ces symboles, et typiquement même les valeurs sont abrégées, ainsi le nom devient "n", le verbe devient "vb" et l'adjectif devient "adj" etc... (voir [[Liste de symboles]] pour quelques abréviations courantes). La brièveté présente toutefois un intérêt, quand vous écrivez, ou copiez vous voulez que les symboles restent aussi petits que possible. Par exemple, <code><sdef></code> veut dire "définition de symbole", et <code><sdefs></code> est simplement la même chose au pluriel.
+
Les gens se plaignent souvent de la brièveté de ces symboles, et typiquement même les valeurs sont abrégées, ainsi le nom devient "n", le verbe devient "vb" et l'adjectif devient "adj" etc. (voir [[Liste des symboles]] pour quelques abréviations courantes). La brièveté présente toutefois un intérêt : quand vous écrivez ou copiez des données, vous préférez que les symboles restent aussi brefs que possible. Par exemple, <code><sdef></code> veut dire "définition de symbole", et <code><sdefs></code> est simplement la même chose au pluriel.
   
 
Après avoir spécifié l'alphabet et les symboles, on a besoin de spécifier les mots, c'est la partie la plus importante du dictionnaire ! Pour supporter les mots on utilise une section. Il peut y avoir plus d'une section dans un dictionnaire, et il y a plus d'un type de section. On ne rentrera pas dans les détails ici, mais traditionnellement la plus grande section est appelée "main" et est de type "standard".
 
Après avoir spécifié l'alphabet et les symboles, on a besoin de spécifier les mots, c'est la partie la plus importante du dictionnaire ! Pour supporter les mots on utilise une section. Il peut y avoir plus d'une section dans un dictionnaire, et il y a plus d'un type de section. On ne rentrera pas dans les détails ici, mais traditionnellement la plus grande section est appelée "main" et est de type "standard".
Line 41: Line 54:
 
== Entrées ==
 
== Entrées ==
   
  +
Les dictionnaires unilingues dans Apertium sont des dictionnaires ''morphologiques''<ref>Un dictionnaire morphologique modélise les règles qui régissent la structure interne des mots dans une langue. Par exemple, les francophones se rendent compte que les mots "chien" et "chiens" sont liés, que "chiens" est à "chien" ce que "chats" est à "chat". Les règles comprises par le locuteur reflètent des modèles spécifiques et des régularités des modèles spécifiques et des régularités dans la façon dont les mots sont formés à partir des plus petites unités et comment ces plus petites unités interagissent.</ref>, cela signifie qu'ils ne supportent pas seulement les mots, mais qu'ils supportent aussi comment ils s'infléchissent, et ce que leur infléchissement signifie. Dans Apertium on utilise les dictionnaires morphologiques pour deux traitements :
The monolingual dictionaries in Apertium are ''morphological''<ref>A morphological dictionary models the rules that govern the internal structure of words in a language. For example, speakers of English realise that the words "dog" and "dogs" are related, that "dogs" is to "dog" as "cats" is to "cat". The rules understood by the speaker reflect specific patterns and regularities in the way in which words are formed from smaller units and how those smaller units interact.</ref> dictionaries, this means that they not only hold words, but they also hold how they inflect, and what it means when they inflect. In Apertium we use the morphological dictionaries for two tasks:
 
   
  +
# Analyse &mdash; récupération de toutes les [[unité lexicale|unités lexicales]] possibles à partir de la [[forme de surface]] d'un mot.
# Analysis &mdash; retrieving all of the possible lexical units from the [[surface form]] of a word.
 
# Generation &mdash; producing the [[surface form]] of a word from the lexical unit.
+
# Génération &mdash; production de la [[forme de surface]] d'un mot à partir d'une [[unité lexicale]].
   
  +
Bon, maintenant pour expliquer ''unité lexicale'' et ''forme de surface''. Rappelez-vous l'exemple de "bière" et "bières". Nous savons que "bière" est un nom, nous savons aussi qu'il est au singulier, nous savons aussi que la seule différence entre "bière" et "bières" est que "bières" est au pluriel. Donc, pour résumer les connaissances ci-dessous, on trouve les 2 faits suivants :
Ok, now to explain ''lexical unit'' and ''surface form''. Remember the example of "beer" and "beers"? We know that "beer" is a noun, we also know that it is in the singular, we also know that the only difference between "beer" and "beers" is that "beers" is in the plural. So, summarising this knowledge below, we find the following two facts:
 
   
# beer &mdash; is a singular noun,
+
# bière &mdash; est un nom au féminin singulier,
# beers &mdash; is the plural form of the noun "beer".
+
# bières &mdash; est la forme au pluriel du nom "bière".
   
What we mean by ''lexical unit'' is the combination of the lemma<ref>The lemma (or citation form, base form, head word) is the canonical form of a word. It is the form of the word that is typically used in paper dictionaries.</ref>, e.g. "beer" and the grammatical symbols. The surface form of a word is the word as you read it.<ref>Surface forms can be ambiguous, but lexical units cannot. A surface form may have many analyses, for example "run" can be a verb (''They run on weekends''), or a noun (''I'm going for a run'').</ref> In Apertium style these would be represented something like the following:
+
Ce qu'on entend par ''unité lexicale'' est la combinaison du lemme<ref>Le lemme (or forme de citation, forme de base) est la forme canonique d'un mot. C'est la forme du mot qui est typiquement utilisée dans les dictionnaires papier.</ref>, par exemple "bière" et des symboles grammaticaux. La forme de surface d'un mot est le mot tel que vous le lisez.<ref>Les formes de surface peuvent être ambiguës, mais pas les unités lexicales. Une forme de surface peut avoir plusieurs analyses, par exemple "porte" peut être un verbe (''Je porte une valise''), ou un nom (''La porte est ouverte'').</ref> Dans le style Apertium ils devraient être représentés par quelque-chose comme ce qui suit :
   
 
:{|class=wikitable
 
:{|class=wikitable
  +
! Forme de surface !! Unité lexicale
! Surface form !! Lexical unit
 
 
|-
 
|-
| beer || beer<noun><singular>
+
| bière || bière<nom><feminin><singulier>
 
|-
 
|-
| beers || beer<noun><plural>
+
| bières || bière<nom><feminin><pluriel>
 
|-
 
|-
 
|}
 
|}
   
In order to convert between these two forms, we need to define them as a pair. Pairs of surface forms and lexical units in Apertium are indicated by the <code>&lt;p&gt;</code> element. This is rather intuitive, so long as you know the abréviation! These pair elements may contain a "left side" (<code>&lt;l&gt;</code>) and a "right side" (<code>&lt;r&gt;</code>). The left side almost always contains the surface form of the word, while the right side contains the lexical unit. So, our first entry (<code>&lt;e&gt;</code>) might look something like the following:
+
Afin de pouvoir faire la conversion entre ces deux formes, on a besoin de les définir comme paire. Les paires de forme de surface et d'unités lexicales dans Apertium sont indiquées par l'élément <code>&lt;p&gt;</code> . C'est plutôt intuitif, à partir du moment vous connaissez l'abréviation ! Ces éléments paires peuvent contenir un "coté gauche" (<code>&lt;l&gt;</code> abréviation de l'anglais ''left'') et un "coté droit" (<code>&lt;r&gt;</code> abréviation de l'anglais ''right''). Le coté gauche contient presque toujours la forme de surface du mot, alors que le coté droit contient l'unité lexicale. Donc, notre première entrée (<code>&lt;e&gt;</code>) devrait ressembler à quelque-chose comme :
   
 
<pre>
 
<pre>
 
<e>
 
<e>
 
<p>
 
<p>
<l>beer</l>
+
<l>bière</l>
<r>beer<s n="noun"/><s n="singular"/></r>
+
<r>bière<s n="nom"/><s n="feminin"/><s n="singulier"/></r>
 
</p>
 
</p>
 
</e>
 
</e>
 
</pre>
 
</pre>
   
  +
Maintenant, en gros, vous avez besoin d'autant de ces entrées qu'il y a de formes de surface dans la langue, toutefois les astucieux parmi vous se seront rendus compte que la création d'entrées pour ''tous'' les mots d'une langue est une tâche impossible. La prochaine section vous montrera comment cela peut être évité, mais pour l'instant nous avons à présent suffisamment d'informations pour compiler notre premier dictionnaire :
Now, roughly, you need as many of these entries as there are surface forms in the language, however the astute among you will have realised that creating entries for ''all'' the words in the language is an impossible task. The next section will show how this can be avoided, but in the mean time we now have enough information to compile our first dictionary:
 
   
 
<pre>
 
<pre>
 
<dictionary>
 
<dictionary>
<alphabet>abcdefghijklmnopqrstuvwxyz</alphabet>
+
<alphabet>abcdefghijklmnopqrstuvwxyzéè</alphabet>
 
<sdefs>
 
<sdefs>
<sdef n="noun"/>
+
<sdef n="nom"/>
<sdef n="singular"/>
+
<sdef n="feminin"/>
<sdef n="plural"/>
+
<sdef n="singulier"/>
  +
<sdef n="pluriel"/>
 
</sdefs>
 
</sdefs>
   
Line 87: Line 101:
 
<e>
 
<e>
 
<p>
 
<p>
<l>beer</l>
+
<l>bière</l>
<r>beer<s n="noun"/><s n="singular"/></r>
+
<r>bière<s n="nom"/><s n="feminin"/><s n="singulier"/></r>
 
</p>
 
</p>
 
</e>
 
</e>
 
<e>
 
<e>
 
<p>
 
<p>
<l>beers</l>
+
<l>bières</l>
<r>beer<s n="noun"/><s n="plural"/></r>
+
<r>bière<s n="nom"/><s n="feminin"/><s n="pluriel"/></r>
 
</p>
 
</p>
 
</e>
 
</e>
Line 101: Line 115:
 
</pre>
 
</pre>
   
  +
Les entrées ci-dessus nous permettrons de retrouver les unités lexicales pour "bière" et "bières", and générer les deux formes de surface de ces mêmes unités lexicales.
The entries above will enable us to retrieve the lexical units for "beer" and "beers", and generate these two surface forms from the same lexical units.
 
   
  +
Le dictionnaire est fonctionnel, mais est destiné à des fins pédagogiques, les vrais fichiers dictionnaires ont un aspect quelque peu différent, parce que définir chaque mot complètement séparément des autres mots qui suivent les mêmes règles est plutôt inefficace.
The dictionary is functional, but is intended for teaching purposes, actual dictionary files look somewhat different, because defining each word completely separately from other words which follow the same rules is rather inefficient.
 
   
===Compilation===
+
=== Compilation ===
{{see-also|lttoolbox}}
 
Save this into a file called <code>dictionary.dix</code>, then we'll compile the dictionary into a binary form<ref>see [[Dictionaries]] for more complete information on the format</ref> using the tool <code>lt-comp</code>. The command takes three arguments, the first is "direction", then input file and output file. The "direction" option is important.
 
   
  +
Voir aussi : [[Lttoolbox (français)]]
If we specify the direction as "lr" (left → right), we get an analyser (that is, a dictionary that takes surface forms and outputs lexical units. If we specify the reverse ("rl", right → left), we get a generator, which takes lexical units and outputs surface forms. We might as well generate both:
 
  +
  +
Enregistrez cela dans un fichier appelé <code>dictionnaire.dix</code>. Nous allons à présent compiler le dictionnaire dans une forme binaire<ref>Voir [[dictionnaire morphologique]] pour une information plus complète sur le format</ref> à l'aide de l'outil <code>lt-comp</code>. La commande utilise trois arguments : le premier est la "direction", le second le fichier d'entrée et le troisième le fichier de sortie. L'argument "direction" est important.
  +
  +
Si on spécifie la direction "lr" (gauche → droite soit left → right en anglais), on obtient un analyseur (c.-à-d. un dictionnaire qui récupère des formes de surface et ressort des unités lexicales. Si on spécifie l'inverse ("rl", droite → gauche soit right → left en anglais), on obtient un générateur, qui récupère des unités lexicales et ressort des formes de surface. Compilons et l'analyseur et le générateur :
   
 
<pre>
 
<pre>
$ lt-comp lr dictionary.dix analyser.bin
+
$ lt-comp lr dictionnaire.dix analyseur.bin
 
main@standard 7 6
 
main@standard 7 6
   
$ lt-comp rl dictionary.dix generator.bin
+
$ lt-comp rl dictionnaire.dix generateur.bin
 
main@standard 7 6
 
main@standard 7 6
 
</pre>
 
</pre>
   
  +
On peut maintenant utiliser le dictionnaire pour analyser le nom "bières":
We can now use the dictionary to analyse the noun "beers":
 
   
 
<pre>
 
<pre>
$ echo "beers" | lt-proc analyser.bin
+
$ echo "bières" | lt-proc analyseur.bin
  +
^bières/bière<nom><feminin><pluriel>$
^beers/beer<noun><plural>$
 
 
</pre>
 
</pre>
   
  +
L'analyse nous donne la forme de surface, suivie de l'unité lexicale. Si on veut générer la forme de surface depuis l'unité lexicale, on fait juste :
The analysis gives us the surface form, followed by the lexical unit. Say we want to generate the surface form from the lexical unit, we just do:
 
   
 
<pre>
 
<pre>
$ echo "^beer<noun><plural>$" | lt-proc -g generator.bin
+
$ echo "^bière<nom><feminin><pluriel>$" | lt-proc -g generateur.bin
  +
bières
beers
 
 
</pre>
 
</pre>
   
==Paradigms==
+
== Paradigmes ==
   
So, great, we have a dictionary and we can analyse and generate the two forms of the words "beer". But what happens when we want to add more words, say "school", or "computer". Well, one thing we could do is just add four more entries in the main section (one for each of "school", "schools", "computer" and "computers"). On the other hand, this would be pretty inefficient. Instead, we can generalise a rule, which in this case is "add ''-s'' to make the plural", using a ''paradigm'', which is literally, "an example serving as a model or pattern".
+
Très bien, on a un dictionnaire et on peut analyser et générer les deux formes du mot "bière". Mais que se passe t'il quand on veut rajouter davantage de mots, comme "école", ou "ordinateur". Hé bien, une possibilité est de rajouter juste quatre autres entrées dans la section principale (une pour "école", "écoles", "ordinateur" et "ordinateurs"). Mais d'un autre coté, ce serait plutôt inefficace. Au lieu de cela, nous pouvons généraliser une règle, qui consiste dans ce cas à "rajouter ''-s'' pour faire le pluriel", en utilisant un ''paradigme'', qui est littéralement, "un exemple servant de modèle"<ref>La traduction de la phrase anglaise est peut être imprécise. La phrase originale disait : "an example serving as a model or pattern"</ref>.
   
  +
Afin de définir les paradigmes, on prend typiquement un mot qui peut servir d'exemple pour l'infléchissement des autres mots. Dans ce cas, on peut dire, "les mots ''école'' et ''ordinateur'' s'infléchissent comme ''bière''".
In order to define paradigms, we typically take a word that can serve as an example for how other words inflect. In this case, we can say, "the words ''school'' and ''computer'' inflect like ''beer''".
 
   
Paradigms go in a section called <code><pardefs></code> (paradigm definitions), below the <code><sdefs></code> and above the main section. They are defined in <code><pardef></code> (paradigm definition) elements. Each paradigm definition must have an attribute "id", which contains a unique name. This id can be anything, but conventionally takes the form of:
+
Les paradigmes vont dans une section appelée <code><pardefs></code> ('''par'''adigm '''def'''initions en anglais), après la section <code><sdefs></code> et avant la section principale. Ils sont définis dans des éléments de <code><pardef></code> (définition de paradigme). Chaque définition de paradigme doit avoir un attribut "id", qui contient un unique nom. Cet id peut être n'importe quoi, mais conventionnellement prend la forme :
   
:<code><lemma>__<part of speech></code>, (e.g. <code>beer__n</code>)
+
:<code><lemme>__<partie de discours></code>, (ex: <code>biere__n</code>)
   
  +
<u>Remarque de traduction :</u> Le texte original prenait des exemples dans la langue anglaise que j'ai choisi de franciser. Toutefois, je ne sais pas si les caractères accentués ou spéciaux comme dans <code>bière__n</code> sont autorisés pour les "id". Par précaution, j'ai donc choisi de supprimer l'accent.
In order to make the lexical units for beer, beers, computer, computers, etc... we need to distinguish between the part of the surface form that doesn't change (the ''identical'' part), and the part that does change. In the example already given, it is quite straightforward that the identical part is always the singular form. However, this might not always be the case (e.g. "wolf, wolves" or "tooth, teeth").
 
   
  +
Afin de fabriquer les unités lexicales pour bière, bières, ordinateur, ordinateurs, etc... on a besoin de distinguer entre la partie de la forme de surface qui ne change pas (la partie ''identique''), et la partie qui change. Dans l'exemple déjà donné, on voit que la partie identique est toujours la forme au singulier. Toutefois, ça peut ne pas être toujours le cas (par exemple : "canal, canaux", "vitrail, vitraux").
You probably guessed already what the paradigm definition is going to look like, so here it is:
 
  +
  +
Vous avez probablement déjà deviné à quoi la définition de paradigme va ressembler, donc la voici :
   
 
<pre>
 
<pre>
<pardef n="beer__n">
+
<pardef n="biere__n">
 
<e>
 
<e>
 
<p>
 
<p>
 
<l/>
 
<l/>
<r><s n="noun"/><s n="singular"/></r>
+
<r><s n="nom"/><s n="feminin"/><s n="singulier"/></r>
 
</p>
 
</p>
 
</e>
 
</e>
Line 158: Line 176:
 
<p>
 
<p>
 
<l>s</l>
 
<l>s</l>
<r><s n="noun"/><s n="plural"/></r>
+
<r><s n="nom"/><s n="feminin"/><s n="pluriel"/></r>
 
</p>
 
</p>
 
</e>
 
</e>
Line 164: Line 182:
 
</pre>
 
</pre>
   
  +
La seule chose qui a changé entre ces deux entrées, et les premières qu'on avait construites est que la partie ''identique'' a été supprimée des deux cotés de la paire.
The only thing that has changed between these two entries, and the first ones we made is that the ''identical'' part has been removed from both sides of the pair.
 
   
The paradigm definition goes into its own part of the dictionary, enclosed in <code><pardefs></code> tags, for example:
+
La définition du paradigme entre dans sa propre partie du dictionnaire, entouré de balises <code><pardefs></code>, Par exemple :
   
 
<pre>
 
<pre>
Line 176: Line 194:
 
</pre>
 
</pre>
   
  +
On peut voir où celà se met dans le reste dictionnaire ci-dessous :
We can see where this fits in with the rest of the dictionary below:
 
   
 
<pre>
 
<pre>
 
<dictionary>
 
<dictionary>
<alphabet>abcdefghijklmnopqrstuvwxyz</alphabet>
+
<alphabet>abcdefghijklmnopqrstuvwxyzéè</alphabet>
 
<sdefs>
 
<sdefs>
   
Line 192: Line 210:
 
</pardefs>
 
</pardefs>
 
<section id="main" type="standard">
 
<section id="main" type="standard">
<e lm="beer"><i>beer</i><par n="beer__n"/></e>
+
<e lm="bière"><i>bière</i><par n="biere__n"/></e>
<e lm="school"><i>school</i><par n="beer__n"/></e>
+
<e lm="école"><i>école</i><par n="biere__n"/></e>
<e lm="computer"><i>computer</i><par n="beer__n"/></e>
+
<e lm="maison"><i>maison</i><par n="biere__n"/></e>
<e lm="house"><i>house</i><par n="beer__n"/></e>
 
 
</section>
 
</section>
 
</dictionary>
 
</dictionary>
 
</pre>
 
</pre>
   
  +
<u>Remarque finale :</u> Un paradigme doit contenir tous les attributs de chaque décomposition des différentes formes de surface. En conséquence, on aura besoin d'un paradigme similaire pour les noms masculins auxquels on rajoute un ''ss'' pour passer au pluriel.
==Notes==
 
  +
  +
==Voir aussi==
  +
  +
*[[Building dictionaries]]
  +
*[[Finding_errors_in_dictionaries]]
  +
*[[Cookbook]]
  +
*[[Chunking]]
  +
*[[Contributing to an existing pair]]
  +
 
== Notes ==
 
<references/>
 
<references/>
   

Latest revision as of 07:44, 16 February 2015

In English

On a dit que le format des dictionnaires d'Apertium n'est pas intuitif, ce qui est assez vrai si vous n'êtes pas habitué à penser aux dictionnaires d'une manière particulière. Cette page espère être une introduction de base sur la façon dont ils fonctionnent et comment vous pouvez commencer à les lire et les écrire !

Cette page suppose que vous êtes à l'aise avec HTML et XML, que vous pouvez distinguer un élément d'un attribut et savez ce que sont les données caractères. Si vous voulez un résumé rapide, ceci devrait vous aider :

<element attribute="value">character data</element>

Si cela n'a aucune signification pour vous, vous devriez probablement lire un peu plus sur le XML.

Introduction[edit]

Donc, au niveau global, le plus élémentaire des dictionnaires doit comporter trois sections. Nous allons, pas à pas, définir un dictionnaire qui va analyser et générer le mot français "bière" et sa forme plurielle, "bières".

La première section définit l'alphabet qui est utilisé par le dictionnaire. C'est assez explicite et ça ressemblera à quelque chose comme :

  <alphabet>ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz</alphabet>

La liste de caractères est valable pour un dictionnaire anglais, mais dans d'autres langues, il ne faut pas oublier les caractères accentués ou spéciaux tels 'ç'.

La seconde section définit les symboles grammaticaux[1] de la langue sur laquelle vous travaillez. C'est normalement là où les gens disent, attendez... que sont les symboles grammaticaux ? Hé bien, il y a plusieurs façons de décrire les mots, et les différentes formes que les mots peuvent prendre, donc je suppose que vous savez ce qu'est une partie de discours[2]. Par exemple: les noms (maison, bière, bateau, chat, ...), que vous pouvez distinguer des adjectifs (rouge, bon, transparent, ...) et des verbes (manger, multiplier, écrire, ...). La manière de les spécifier est la suivante :

  <sdefs>
    <sdef n="nom"/>
    <sdef n="verbe"/>
    <sdef n="adjectif"/>
  </sdefs>

ou en utilisant des termes anglais :

  <sdefs>
    <sdef n="noun"/>
    <sdef n="verb"/>
    <sdef n="adjective"/>
  </sdefs>

Les gens se plaignent souvent de la brièveté de ces symboles, et typiquement même les valeurs sont abrégées, ainsi le nom devient "n", le verbe devient "vb" et l'adjectif devient "adj" etc. (voir Liste des symboles pour quelques abréviations courantes). La brièveté présente toutefois un intérêt : quand vous écrivez ou copiez des données, vous préférez que les symboles restent aussi brefs que possible. Par exemple, <sdef> veut dire "définition de symbole", et <sdefs> est simplement la même chose au pluriel.

Après avoir spécifié l'alphabet et les symboles, on a besoin de spécifier les mots, c'est la partie la plus importante du dictionnaire ! Pour supporter les mots on utilise une section. Il peut y avoir plus d'une section dans un dictionnaire, et il y a plus d'un type de section. On ne rentrera pas dans les détails ici, mais traditionnellement la plus grande section est appelée "main" et est de type "standard".

  <section id="main" type="standard">

  </section>

La prochaine étape est de rajouter une entrée. C'est un peu plus compliqué, donc s'il vous plaît, continuez de lire...

Entrées[edit]

Les dictionnaires unilingues dans Apertium sont des dictionnaires morphologiques[3], cela signifie qu'ils ne supportent pas seulement les mots, mais qu'ils supportent aussi comment ils s'infléchissent, et ce que leur infléchissement signifie. Dans Apertium on utilise les dictionnaires morphologiques pour deux traitements :

  1. Analyse — récupération de toutes les unités lexicales possibles à partir de la forme de surface d'un mot.
  2. Génération — production de la forme de surface d'un mot à partir d'une unité lexicale.

Bon, maintenant pour expliquer unité lexicale et forme de surface. Rappelez-vous l'exemple de "bière" et "bières". Nous savons que "bière" est un nom, nous savons aussi qu'il est au singulier, nous savons aussi que la seule différence entre "bière" et "bières" est que "bières" est au pluriel. Donc, pour résumer les connaissances ci-dessous, on trouve les 2 faits suivants :

  1. bière — est un nom au féminin singulier,
  2. bières — est la forme au pluriel du nom "bière".

Ce qu'on entend par unité lexicale est la combinaison du lemme[4], par exemple "bière" et des symboles grammaticaux. La forme de surface d'un mot est le mot tel que vous le lisez.[5] Dans le style Apertium ils devraient être représentés par quelque-chose comme ce qui suit :

Forme de surface Unité lexicale
bière bière<nom><feminin><singulier>
bières bière<nom><feminin><pluriel>

Afin de pouvoir faire la conversion entre ces deux formes, on a besoin de les définir comme paire. Les paires de forme de surface et d'unités lexicales dans Apertium sont indiquées par l'élément <p> . C'est plutôt intuitif, à partir du moment où vous connaissez l'abréviation ! Ces éléments paires peuvent contenir un "coté gauche" (<l> abréviation de l'anglais left) et un "coté droit" (<r> abréviation de l'anglais right). Le coté gauche contient presque toujours la forme de surface du mot, alors que le coté droit contient l'unité lexicale. Donc, notre première entrée (<e>) devrait ressembler à quelque-chose comme :

    <e>
      <p>
        <l>bière</l>
        <r>bière<s n="nom"/><s n="feminin"/><s n="singulier"/></r>
      </p>
    </e>

Maintenant, en gros, vous avez besoin d'autant de ces entrées qu'il y a de formes de surface dans la langue, toutefois les astucieux parmi vous se seront rendus compte que la création d'entrées pour tous les mots d'une langue est une tâche impossible. La prochaine section vous montrera comment cela peut être évité, mais pour l'instant nous avons à présent suffisamment d'informations pour compiler notre premier dictionnaire :

<dictionary>
  <alphabet>abcdefghijklmnopqrstuvwxyzéè</alphabet>
  <sdefs>
    <sdef n="nom"/>
    <sdef n="feminin"/>
    <sdef n="singulier"/>
    <sdef n="pluriel"/>
  </sdefs>

  <section id="main" type="standard">
    <e>
      <p>
        <l>bière</l>
        <r>bière<s n="nom"/><s n="feminin"/><s n="singulier"/></r>
      </p>
    </e>
    <e>
      <p>
        <l>bières</l>
        <r>bière<s n="nom"/><s n="feminin"/><s n="pluriel"/></r>
      </p>
    </e>
  </section>
</dictionary>

Les entrées ci-dessus nous permettrons de retrouver les unités lexicales pour "bière" et "bières", and générer les deux formes de surface de ces mêmes unités lexicales.

Le dictionnaire est fonctionnel, mais est destiné à des fins pédagogiques, les vrais fichiers dictionnaires ont un aspect quelque peu différent, parce que définir chaque mot complètement séparément des autres mots qui suivent les mêmes règles est plutôt inefficace.

Compilation[edit]

Voir aussi : Lttoolbox (français)

Enregistrez cela dans un fichier appelé dictionnaire.dix. Nous allons à présent compiler le dictionnaire dans une forme binaire[6] à l'aide de l'outil lt-comp. La commande utilise trois arguments : le premier est la "direction", le second le fichier d'entrée et le troisième le fichier de sortie. L'argument "direction" est important.

Si on spécifie la direction "lr" (gauche → droite soit left → right en anglais), on obtient un analyseur (c.-à-d. un dictionnaire qui récupère des formes de surface et ressort des unités lexicales. Si on spécifie l'inverse ("rl", droite → gauche soit right → left en anglais), on obtient un générateur, qui récupère des unités lexicales et ressort des formes de surface. Compilons et l'analyseur et le générateur :

$ lt-comp lr dictionnaire.dix analyseur.bin
main@standard 7 6

$ lt-comp rl dictionnaire.dix generateur.bin
main@standard 7 6

On peut maintenant utiliser le dictionnaire pour analyser le nom "bières":

$ echo "bières" | lt-proc analyseur.bin
^bières/bière<nom><feminin><pluriel>$

L'analyse nous donne la forme de surface, suivie de l'unité lexicale. Si on veut générer la forme de surface depuis l'unité lexicale, on fait juste :

$ echo "^bière<nom><feminin><pluriel>$" | lt-proc -g generateur.bin
bières

Paradigmes[edit]

Très bien, on a un dictionnaire et on peut analyser et générer les deux formes du mot "bière". Mais que se passe t'il quand on veut rajouter davantage de mots, comme "école", ou "ordinateur". Hé bien, une possibilité est de rajouter juste quatre autres entrées dans la section principale (une pour "école", "écoles", "ordinateur" et "ordinateurs"). Mais d'un autre coté, ce serait plutôt inefficace. Au lieu de cela, nous pouvons généraliser une règle, qui consiste dans ce cas à "rajouter -s pour faire le pluriel", en utilisant un paradigme, qui est littéralement, "un exemple servant de modèle"[7].

Afin de définir les paradigmes, on prend typiquement un mot qui peut servir d'exemple pour l'infléchissement des autres mots. Dans ce cas, on peut dire, "les mots école et ordinateur s'infléchissent comme bière".

Les paradigmes vont dans une section appelée <pardefs> (paradigm definitions en anglais), après la section <sdefs> et avant la section principale. Ils sont définis dans des éléments de <pardef> (définition de paradigme). Chaque définition de paradigme doit avoir un attribut "id", qui contient un unique nom. Cet id peut être n'importe quoi, mais conventionnellement prend la forme :

<lemme>__<partie de discours>, (ex: biere__n)

Remarque de traduction : Le texte original prenait des exemples dans la langue anglaise que j'ai choisi de franciser. Toutefois, je ne sais pas si les caractères accentués ou spéciaux comme dans bière__n sont autorisés pour les "id". Par précaution, j'ai donc choisi de supprimer l'accent.

Afin de fabriquer les unités lexicales pour bière, bières, ordinateur, ordinateurs, etc... on a besoin de distinguer entre la partie de la forme de surface qui ne change pas (la partie identique), et la partie qui change. Dans l'exemple déjà donné, on voit que la partie identique est toujours la forme au singulier. Toutefois, ça peut ne pas être toujours le cas (par exemple : "canal, canaux", "vitrail, vitraux").

Vous avez probablement déjà deviné à quoi la définition de paradigme va ressembler, donc la voici :

    <pardef n="biere__n">
      <e>
        <p>
          <l/>
          <r><s n="nom"/><s n="feminin"/><s n="singulier"/></r>
        </p>
      </e>
      <e>
        <p>
          <l>s</l>
          <r><s n="nom"/><s n="feminin"/><s n="pluriel"/></r>
        </p>
      </e>
    </pardef>

La seule chose qui a changé entre ces deux entrées, et les premières qu'on avait construites est que la partie identique a été supprimée des deux cotés de la paire.

La définition du paradigme entre dans sa propre partie du dictionnaire, entouré de balises <pardefs>, Par exemple :

  <pardefs>

    ...  

  </pardefs>

On peut voir où celà se met dans le reste dictionnaire ci-dessous :

<dictionary>
  <alphabet>abcdefghijklmnopqrstuvwxyzéè</alphabet>
  <sdefs>

   ...

  </sdefs>
  <pardefs>

    ...  

  </pardefs>
  <section id="main" type="standard">
    <e lm="bière"><i>bière</i><par n="biere__n"/></e>
    <e lm="école"><i>école</i><par n="biere__n"/></e>
    <e lm="maison"><i>maison</i><par n="biere__n"/></e>
  </section>
</dictionary>

Remarque finale : Un paradigme doit contenir tous les attributs de chaque décomposition des différentes formes de surface. En conséquence, on aura besoin d'un paradigme similaire pour les noms masculins auxquels on rajoute un ss pour passer au pluriel.

Voir aussi[edit]

Notes[edit]

  1. Dans d'autres documents linguistiques ils sont quelquefois appelés "features" (caractéristiques), ou "catégories" et "sous-catégories".
  2. une partie de discours (ou catégorie lexicale, classe de mot, classe lexicale, etc.) est une catégorie linguistique de mots, qui est généralement définie par le comportement syntaxique ou morphologique du mot en question. Les catégories linguistiques communes comprennent le nom et le verbe, entre autres. Il y a des classes de mots ouvertes, qui acquièrent constamment de nouveaux membres, et des classes de mots fermées, qui n'acquièrent de nouveaux membres que rarement si ça arrive.
  3. Un dictionnaire morphologique modélise les règles qui régissent la structure interne des mots dans une langue. Par exemple, les francophones se rendent compte que les mots "chien" et "chiens" sont liés, que "chiens" est à "chien" ce que "chats" est à "chat". Les règles comprises par le locuteur reflètent des modèles spécifiques et des régularités des modèles spécifiques et des régularités dans la façon dont les mots sont formés à partir des plus petites unités et comment ces plus petites unités interagissent.
  4. Le lemme (or forme de citation, forme de base) est la forme canonique d'un mot. C'est la forme du mot qui est typiquement utilisée dans les dictionnaires papier.
  5. Les formes de surface peuvent être ambiguës, mais pas les unités lexicales. Une forme de surface peut avoir plusieurs analyses, par exemple "porte" peut être un verbe (Je porte une valise), ou un nom (La porte est ouverte).
  6. Voir dictionnaire morphologique pour une information plus complète sur le format
  7. La traduction de la phrase anglaise est peut être imprécise. La phrase originale disait : "an example serving as a model or pattern"