approche numérique et approche symbolique de lacquisition de connaissances sémantiques en corpus :...
TRANSCRIPT
Approche numérique et approche symbolique de l’acquisition de connaissances sémantiques en
corpus : opposition ou combinaison ?
Pascale Sébillot
Équipe TexMex, IRISA, Rennes
Plan I- Approche numérique versus symbolique
précisions terminologiques principes généraux de l’approche numérique principes généraux de l’approche symbolique
II- Une expérience d’acquisition de relations sémantiques nomino-verbales par programmation logique inductive (PLI)
principes de la PLI expérimentation et résultats
III- Opposition définitive ? quelle approche dans quels cas ? tentatives de rapprochements
Précisions terminologiques Opposition numérique vs symbolique et non
numérique vs linguistique Techniques d’acquisition fondées sur la notion de
classifieur couples (n-uplets) respectant ou non la relation cible classifieurs regroupables selon les attributs utilisés pour
repérer les éléments respectant la relation
Exploitation de l’aspect fréquentiel (app. numérique) ou d’indices structurels (app. symbolique)
L’aspect des données exploitées par le classifieur ne préjuge pas de la technique qu’il utilise (techniques d’apprentissage numérique produisant des classifieurs symboliques)
Approche numérique
I.e. acquisition à partir d’indices numériques
Exploitation de l’aspect fréquentiel des données
Utilisation de techniques statistiques Extraction d’éléments respectant la
relation réalisée au niveau du corpus
Indices statistiques Cooccurrences dans une fenêtre (ou contexte syntaxique)
Mots apparaissant ensemble de manière statistiquement
significative
Coefficients d’association table de contingence
coefficient d’information mutuelle IM= log2(a/(a+b)(a+c))
test du 2 (Church-Gale 91) = (ad-bc)2/((a+b)(a+c)(b+c)(b+d))
(Church-Hanks 89) : extraction de termes complexes par variante
de l’IM prenant en compte la précédence linéaire
Segments répétés (Lebart-Salem 94)
m2 mk≠m2
m1 a b
ml≠m1 c d
Analyse distributionnelle
Linguistique Harrissienne (Harris et al. 89) Approches en 3 étapes
extraction des cooccurrents d'un mot mise en évidence de la
proximité/distance des mots 2 à 2 selon leurs cooccurrents
regroupement en classes Classes sémantiques… Grefenstette 94,
Bouaud et al. 97…
Points faibles et forts de l’approche numérique
Manque d’interprétabilité Détection au niveau du corpus…
Caractère automatique Portabilité
Approche symbolique I.e. acquisition à partir d’indices structurels Exploitation de l’aspect structurel des données Utilisation d’indices collectés sur le contexte
d’une occurrence de mots en relation Classifieur : souvent un ensemble de règles
s’appuyant sur des indices lexicaux, morphosyntaxiques…
Deux grandes familles approche linguistique approche par apprentissage
Approche linguistique
Définitions opérationnelles des éléments à acquérir, établies par expertise linguistique
Indices structurels donnés a priori Patrons, marqueurs Lexter (Bourigault 94)…
Approche linguistique
Seek (Jouis 95) : règles d'exploration contextuelle plus de 220 règles SI <condition de co-
présence de marqueurs linguistiques> ALORS <actions> OU <conclusions> manipulant plus de 3300 marqueurs linguistiques, construites manuellement
détection de couples de mots en relation binaire (localisation, tout à partie…)
Approche par apprentissage
Marqueurs de la relation issus d’une analyse d’exemples et non d’une connaissance linguistique a priori extraction de patrons à partir d’exemples
Hearst (92) : méthodologie en 5 étapes1. choisir une relation cible R2. réunir une liste de paires en relation R3. trouver les phrases contenant ces paires ; enregistrer
leurs contextes lexical et syntaxique4. trouver les points communs entre ces contextes ;
supposer que c’est un schéma de R5. appliquer les schémas pour avoir de nouvelles paires et
retourner en 3
Approche par apprentissage
Patrons inférés appliqués sur le corpus pour extraire des unités en relation
Hearst : phase 4 manuelle Hyponymie – Prométhée (Morin 99)
Automatisation par calcul de similarité entre contextes lexico-syntaxiques d’occurrences de paires N-N en relation classes
Schémas représentatifs obtenus par généralisation d’un contexte de chaque classe par suppression des attributs non communs aux autres contextes
SN tel que LISTE (arbres fruitiers tels que des pommiers, des poiriers…)
Points faibles et forts de l’approche symbolique
Nécessité de données en entrée (patrons, exemples) Hypothèse de l’approche linguistique : indices de
relations ne dépendent pas des domaines Interprétabilité, détection au niveau de l’occurrence Définition opérationnelle d’un concept Intérêt quand une relation est connue partiellement
en extension et pas en intention, c’est-à-dire non formalisée par une règle
Assise théorique de la généralisation automatique à partir d’exemples apprentissage artificiel (automatique) symbolique
Plan I- Approche numérique versus symbolique
précisions terminologiques principes généraux de l’approche numérique principes généraux de l’approche symbolique
II- Une expérience d’acquisition de relations sémantiques nomino-verbales par programmation logique inductive (PLI)
principes de la PLI expérimentation et résultats
III- Opposition définitive ? quelle approche dans quels cas ? tentatives de rapprochements
Principes de la PLI
Induction – rappel a) Tous les hommes sont mortels mortel(X) :-
homme(X). b) Or Socrate est un homme homme(Socrate). c) Donc Socrate est mortel mortel(Socrate).
À partir de a) et b), déduction de c) (ex. démonstration automatique)
À partir de a) et c), abduction de b) (ex. diagnostic automatique)
À partir de b) et c), induction de a)
Principes de la PLI [Muggleton & De Raedt 94]
Technique d’apprentissage symbolique supervisée E+ et E- : exemples positifs et négatifs (contre-exemples) B : connaissances préalables (background knowledge) B, E+, E- exprimés en logique des prédicats
But : l’algorithme de PLI infère, par généralisation des exemples positifs, des règles (hypothèses, clauses) H qui caractérisent les exemples positifs par rapport aux négatifs
possibilité d’autoriser un peu de bruit (exemples négatifs couverts)
Intérêt : exemples à manipuler contenant un nombre variables d’objets et relations entre objets importantes
Exemple : apprendre quels animaux volent
E+ = {vole(canari). vole(chauve-souris).} E- = {:-vole(chien).} B = {oiseau(canari). mamm(chien). mamm(chauve-
souris). ailé(chauve-souris). ailé(canari).} H = {vole(X) :- ailé(X).}
vole(X).
vole(X) :- oiseau(X).
vole(X) :- mamm(X).
vole(X) :- oiseau(X), mamm(X).
vole(X) :- ailé(X).
Eh
général
spécifique
Un peu plus formellement…
Choix du langage des exemples et du langage des hypothèses
Lien entre les deux espaces : notion de couverture Hypothèses organisées par une notion de
généralisation Algorithme de PLI (ALEPH - Srinivasan 00)
1. choisir un exemple dans E+ ; arrêt s’il n’y en a plus
2. définir un espace de recherche d’hypothèses à partir de l’exemple et du langage d’hypothèses
3. rechercher l’hypothèse h dans l’espace de solutions maximisant une fonction de score Sc
4. conserver cette hypothèse et ôter les exemples qu’elle couvre (explique) ; retourner en 1
Expérience d’acquisition de relations sémantiques N-V par PLI
Travail réalisé avec C. Fabre (Erss), P. Bouillon (Tim/Issco) et V. Claveau (Olst) logiciel ASARES
Acquisition de couples N-V sémantiquement liés Liens définis dans la structure des qualia du
Lexique génératif (Pustejovsky 95) : rôles qualia télique : fonction ou but d’un objet (couper – couteau) agentif : mode de création d’un objet (construire – maison) couple N-V qualia par la suite
Pas d’a priori sur les structures portant les rôles qualia dans un corpus
Méthode symbolique d’acquisition : intérêt linguistique (schémas porteurs, verbalisation des rôles)
Extraction symbolique supervisée
Concept à apprendre : distinguer les paires N-V qualia des non-qualia en contexte (en corpus)
Informations utilisées contexte (informations apportées par étiquetages) ordre et distance entre N et V, succession des mots
Construction d’ensembles d’exemples E+ et E- par un expert
e+ : « À l’aide des manettes, déverrouiller le siège et ... » e- : « Gonfler la roue à la pression prescrite... »
Règles générées = patrons d’extraction interprétables
fonction
?
couples qualia
Extraction symbolique supervisée
E+ et E-
expert LG
corpus
corpus étiquetéÉtiquetage
s
système PLI
patrons d’extraction
B
?
Corpus et étiquetages Manuel de maintenance d’hélicoptères de MATRA-CCR
corpus technique : nombreux termes concrets vocabulaire et structures syntaxiques homogènes 104 000 mots, 700 Koctets
Étiquetage catégoriel segmentation, lemmatisation, étiquetage (moins de 2%
d’erreurs) manettes est un nom commun au pluriel
Étiquetage sémantique (Bouillon et al. 00)
construction d’une hiérarchie d'étiquettes (à partir de WordNet) ex : un instrument est un type d’artefact, d’objet... manettes désigne un instrument moins de 1.5% d’erreurs
Corpus et étiquetages
Exemple de phrase étiquetée # (SENT <S> 114\3 COMP À_l'aide_des BOS à_l'aide_de#prep\rman 114\18 TOK manettes manette#noun_pl\ins 114\26 PUNCT , ,#wpunct\virg 114\28 TOK déverrouiller déverrouiller#verb_inf\acp 114\42 TOK le le#det_sg\ddef 114\45 TOK siège siège#noun_sg\art 114\52 TOK et et#conj_coord\rconj 114\55 LSPLIT l' il#pron\ppers 114\57 TOK avancer avancer#verb_inf\acp 115\1 TOK pour pour#prep\rpour ...
identifiant lemmeétiquette
catégorielle
étiquette sémantiqu
e
Exemples et connaissances a priori
Exemples description des mots de la phrase
étiquettes catégorielles étiquettes sémantiques
description des successions de mots distance en nombre de mots et verbes entre N et
V
Connaissances préalables : entre autres les hiérarchies des étiquettes catégorielles et sémantiques pour permettre des généralisations
Spécificités
Hypothèse bien formée pour identifier une paire N-V qualia clause donnant des informations sur les mots (N, V,
mots du contexte) ou sur les positions respectives du N et du V dans la phrase
Prise en compte des connaissances hiérarchiques
Règles linguistiquement pertinentes concision : au plus une information catégorielle et
sémantique par mot introduction de variables uniquement si contraintes
Mise en œuvre Codage exemple
dans E+
is_qualia(m114_18, m114_28).
Background knowledge
instrument(M) :- tags(M,_,ins).
artifact(M) :- instrument(M).
object(M) :- artifact(M).
...
dans Bsentence_beginning(m114_ 3).
tags(m114_3, prep, rman).
suc(m114_3, m114_18).
tags(m114_18, noun_pl, ins).
suc(m114_18, m_114_26).
...À l’aide des manettes, déverrouiller le siège et l’avancer pour…
Inférence des patrons d’extraction
Supervision : 3000 exemples positifs et 3000 négatifs
Apprentissage : 20min (vs 12h+ sans modifications)
Résultats : 9 patrons inférés is_qualia(N,V) :- precedes(V,N), near_verb(N,V),
infinitive(V), action_verb(V). V d’action à l’infinitif + (tout sauf un verbe)* + N obturer avec les bouchons is_qualia(N,V) :- precedes(V,N), suc(V,C), colon(C),
pred(N,D), punctuation(D), singular_common_noun(N). V + : + (tout mot)* + [:,;] + N ouvrir : le capot coulissant, le capot droit et…
Résultats - validation Validation théorique de
l’apprentissage et de ses paramétrages (validation croisée)
Validation empirique jeu de test sous-corpus de 32 000 mots focus sur 7 noms : vis, écrou, porte,
voyant… 286 paires annotées par des experts du
LG, dont 66 qualia
Résultats - validation Application des 9 patrons et comparaison
des résultats d’extraction des patrons inférés à ceux des experts
Calcul taux de rappel taux de précision F-mesure (2PR/(P+R)) coefficient Φ ( ((TP*TN)-(FP*FN))/
sqr(PrP*PrN*AP*AN) )
Résultats - validation
Application des 9 patrons d’extraction au sous-corpus
Résultats sous forme de liste ordonnée de couples N-V associés à un score (nb de détections)
un couple détecté plusieurs fois est plus « sûr » qu’un couple détecté 1 fois
N1-V1 score1
N2-V2 score2
...
Ni-Vi scorei
...
qualia
précision rappel
non-qualiaqualia
précision rappel non-qualia
Résultats - validation
Application des 9 patrons d’extraction au sous-corpus
Résultats sous forme de liste ordonnée de couples N-V associés à un score (nb de détections)
un couple détecté plusieurs fois est plus « sûr » qu’un couple détecté 1 fois
Influence du choix d’un seuil s sur R et P
Rappel et précision pour toutes les valeurs de s possibles courbe rappel-précision
Choix : valeur optimisant le coefficient Φ
Résultats - validation
Étalon : densité (précision moyenne obtenue par un système aléatoire)
Résultats - validation
Système Précision (P)
Rappel (R) F-mesure Φ
PLI 62.2% 92.4% 0.744 0.671
Comparaison avec des méthodes d’extraction statistiques
Cooccurrences de N et V dans une phrase, basées sur les lemmes
Meilleure précision mais taux de rappel plus faible Travail uniquement sur les lemmes alors que la PLI
bénéficie d’informations sémantiques et catégorielles Pas besoin de supervision
Système Précision (P) Rappel (R) F-mesure
PLI 62.2% 92.4% 0.744
coeff Ochiai 82.4% 42.4% 0.56
coeff IM3 92.3% 36.4% 0.522
test chi2 78.1% 37.9% 0.464
coeff loglike 80% 42.4% 0.554
Rappel-précision Asares/IM3
Comparaison avec une méthode syntaxique manuelle
Extraction basée sur une analyse syntaxique : annotation syntaxique (sujet, objet, modifieur) manuelle des paires N-V
Paire N-V détectée (qualia) si en relation syntaxique
Le lien qualia est plus qu’un simple lien syntaxique (rappel) (poser l’ensemble : rondelle, vis et serrer au couple)
Système Précision (P)
Rappel (R)
F-mesure
PLI 62.2% 92.4% 0.744
lien synt. 79.2% 86.4% 0.826
Pertinence linguistique des patrons d’extraction
1. is_qualia(N,V) :- precedes(V, N), near_verb(N, V), infinitive(V), action_verb(V).
2. is_qualia(N, V) :- contiguous(N, V).3. is_qualia(N, V) :- precedes(V, N), near_word(N, V), near_ verb(N,
V), suc(V,C), preposition(C).4. is_qualia(N, V) :- near_word(N, V), sentence_beginning(N).5. is_qualia(N, V) :- precedes(V, N), singular_common_noun(N),
suc(V,C), colon(C), pred(N,D), punctuation(D).6. is_qualia(N, V) :- near_word(N, V), suc(V,C), suc(C,D),
action_verb(D).7. is_qualia(N, V) :- precedes(N, V), near_word(N, V), pred(N,C),
punctuation(C).8. is_qualia(N, V) :- near_verb(N, V), pred(V,C), pred(C,D),
pred(D,E), preposition(E), sentence_beginning(N).9. is_qualia(N, V) :- precedes(N, V), near_verb(N, V), pred(N,C),
subordinating_conjunction(C).
Pertinence linguistique des patrons d’extraction
À ce niveau de généralisation, peu de marqueurs linguistiques usuels sauf informations morphologiques et sémantiques pour les verbes
infinitifs et verbes d’action privilégiés
Autres critères proximité : N et V proches dans la phrase, sans verbe entre eux position : N ou V souvent en début de phrase (en particulier V) ponctuations telles que « : » « , » « ; » catégorisation morphosyntaxique
1e clause verbe d’action à l’infinitif débrancher les prises, déposer les obturateurs…
Pertinence linguistique des patrons d’extraction
Patrons propres au corpus et interprétables Recoupement en partie de structures trouvées
manuellement (Galy 00) V infinitif + déterminant + N (visser le bouchon) N + V (un bouchon obture) être + V participe passé + par + déterminant + N (sont obturées par
les bouchons) …
Pertinence des structures infinitives, patrons avec N et V proches
Généralisations des structures de Galy (actif et passif clause 2)
Non trouvés : marqueurs polylexicaux (avoir pour but de…)
Mais indices nouveaux par rapport à l’analyse manuelle
Plan I- Approche numérique versus symbolique
précisions terminologiques principes généraux de l’approche numérique principes généraux de l’approche symbolique
II- Une expérience d’acquisition de relations sémantiques nomino-verbales par programmation logique inductive (PLI)
principes de la PLI expérimentation et résultats
III- Opposition définitive ? quelle approche dans quels cas ? tentatives de rapprochements
Quelle approche dans quels cas ?
Numérique méthodes portables, automatiques résultats peu interprétables détection au niveau du corpus : une occurrence (retenue
ou non) pas explicable cas rares potentiellement problématiques
Symbolique connaissances a priori (patrons, exemples) résultats interprétables détection au niveau de l’occurrence cas rares pouvant être pris en compte
Quelle approche dans quels cas ?
Approche statistique très fréquemment efficace
… mais problème si relation sémantique très spécifique (cf. transparent suivant)
Recours dans ce cas à une approche symbolique
Idem quand besoin d’explication Autres contraintes (ou indices)
taille du corpus nombre d’exemples patrons a priori
Structuration au sein d’une classe sémantique
Construction automatique de classes par similarité de vecteurs de contexte
Mélange de synonymes, antonymes, hyperonymes… potentiellement problématique dans un cadre applicatif
Apprentissage symbolique de ces relations ou approche numérique possible ?
Structuration a posteriori au sein d’une classe
Résultats très préliminaires
Exemple Découpage automatique du corpus du Monde diplomatique en
sous-corpus thématiquement homogènes focus sur les nouvelles technologies
Classe {bouleversement, évolution, explosion, innovation, mutation, progrès, révolution}
Conservation des mots dans les contextes de tous les membres de la classe pour définir une distance
Classification hiérarchique groupant d’abord les mots les moins proches des autres
bouleversement, explosion, puis mutation, puis révolution, puis évolution ; {progrès, innovation} à part
Pas forcément convaincant…
Idées…
Appliquer des patrons connus pour structurer les éléments de la classe si nécessaire
Combiner du numérique et du symbolique Cumuler les avantages des approches
statistiques (automaticité) supervisées symboliques (qualité des résultats,
interprétabilité)
Travail effectué dans le cadre de l’apprentissage de patrons d’extraction de couples qualia
couples qualia
Extraction symbolique supervisée
E+ et E-
expert LG
système PLI
patrons d’extraction
corpus
corpus étiquetéÉtiquetage
s
Acquisition statistique
couples
E+
E-
Extraction semi-supervisée
Mises en pratique de la combinaison par deux algorithmes
combinaison séquentielle : bootstrapping mutuel (Riloff 99)
combinaison intégrée
B
Extraction symbolique séquentielle
Combinaison séquentielle de l’extraction statistique et symbolique
Bootstrapping mutuel (Riloff 99) : chaque technique utilise en entrée la sortie de l’autre
Contrainte : débuter par la méthode statistique qui ne nécessite que le corpus
Mise en œuvre simple aucune modification des techniques
d’extraction
Algorithme d’extraction séquentielle
Itération extraction statistique à l’aide des fréquences
(scores) indiquées dans LPLI → LIM3
constitution de E+ et E- à partir de LIM3
apprentissage par PLI sur E+ et E- → LR
application des règles de LR au corpus → LPLI
Initialisation LR = {is_qualia(N,V).}
application des règles de LR au corpus → LPLI
Arrêt quand LPLI identique 2 tours de suite
Extraction mixte séquentielle
ens. E+ et E-
système PLI +
B
(patrons) LR
corpus étiqueté
LPLI (couples)
extraction
statistique
LIM3 (couples)
Initialisation
E+
E-
Extraction symbolique intégrée
Retour aux pas 2 et 3 de l’algorithme de PLI 2- définir un espace de recherche d’hypothèses Eh à
partir de l’exemple et du langage d’hypothèses 3- rechercher l’hypothèse h dans l’espace de solutions
maximisant une fonction de score Sc
Sc(h) = fct(|E+h|, |E-
h|) Sc(h) = |E+h| - |E-
h|
Poids associé à chaque exemple ou contre-exemple selon son score IM3 : w(e)
Sc(h) redéfinie en fct( w(e), w(e)) e Eh
+ e Eh-
Sc(h) = w(e) - w(e) e Eh
+ e Eh-
Extraction symbolique intégrée
Intégration des résultats statistiques dans la phase d’apprentissage
Forte influence des paires les plus statistiquement significatives sur l’inférence
Normalisation des poids (somme de poids des exemples positifs = somme de poids des exemples négatifs)
Une extraction statistique + une phase d’apprentissage par PLI ; moins coûteux
Évaluation des performances
Performances optimales des 4 systèmes
Précision Rappel F-mesure
Asaressupervisé
62.2% 92.4% 0.744
IM3 92.3% 36.4% 0.522
mixte séquentiel
62.0% 93.9% 0.747
mixte intégré
60.2% 89.4% 0.720
Évaluation des performances
Résultats d’extraction similaires à la version supervisée
Grande similitude entre les patrons générés par
le système supervisé et les semi-supervisés
Apprentissage entièrement automatique plus de phases de supervision nécessaires
Remarques conclusives
Ce que j’ai dit ne pas faire l’impasse sur l’approche symbolique
Ce que je n’ai surtout pas dit oublier l’approche numérique
Ce en que je crois fortement combiner
Approche numérique et approche symbolique de l’acquisition de connaissances sémantiques en
corpus : opposition ou combinaison ?
Pascale Sébillot
Équipe TexMex, IRISA, Rennes
Merci de votre attention