Abstract FR:

Les versions stochastiques des grammaires regulieres et hors-contexte sont bien connues en informatique linguistique et ont fait l'objet de nombreuses recherches. Cette these porte sur la probabilisation de grammaires attributs-valeurs qui est un domaine nettement moins etudie. Brew et eisele ont propose une generalisation simple des methodes utilisees pour les grammaires hors-contexte. Abney a quant a lui propose un modele a base de champs aleatoires, une methode mathematiquement beaucoup plus justifiee mais d'une complexite bien trop elevee pour etre utilisee en pratique. Bod & kaplan ont propose une solution intermediaire : l'utilisation de la methode data-oriented parsing pour les representations lexicales fonctionnelles. Bien que n'etant mathematiquement pas plus justifiee que les approches de brew et d'eisele, cette approche a toutefois le merite de prendre en compte un plus grand nombre de dependances statistiques. De plus, la complexite est moindre que pour l'approche d'abney. Notre contribution personnelle est de repondre a quelques questions theoriques laissees en suspens par bod & kaplan et de tester le modele sur un corpus. Plus precisement, les experiences ont ete effectuees sur le corpus verbmobil constitue de 483 phrases, le corpus d'entrainement etant compose de 440 phrases et le corpus de test de 43 phrases. Brew, eisele et abney ne s'interessent qu'a la desambiguisation proprement dite (et non pas a l'analyse) puisque l'ensemble des analyses possibles est determine a l'aide d'une grammaire. L'approche que nous decrivons nous semble novatrice en ceci qu'elle n'utilise ni grammaire ni lexique. De plus, notre approche peut etre qualifiee de robuste puisqu'il existe des phrases habituellement considerees comme non grammaticales auxquelles on peut tout de meme associer une analyse.