CasEN

Présentation de CasEN

• Soit des graphes plus spécifiques pour lesquels un passage en cascade est inutile. Par exemple le graphe amount.grf appelle des sous graphes reconnaissant différentes mesures (monnaie, température, longueur, etc.).
• Soit des graphes outils qui opèrent différentes reconnaissances ou transformations utilisées par la suite.
• Soit des graphes comprenant :
  • des listes de mots utilisés dans un contexte particulier. Ces listes peuvent éventuellement être étiquetées.
  • des expressions régulières ou des masques Unitex pour sélectionner des mots commençant par une majuscule, des contraintes morphologiques, etc.

Un exemple de balisage avec CasEN

Vers le sud, une jetée longue de deux mille mètres s'allongeait comme un bras sur la rade de Suez.

extraite du corpus distribué par Unitex (Le tour du monde en 80 jours, de Jules Verne) va être transformée successivement par :

• le graphe toolNombreLettres qui identifie les nombres écrits en toutes lettres ;
• le graphe amountLongueur qui identifie les longueurs ;
• le graphe tagACoteHydronyme qui identifie certains lieux proches d'un hydronyme ;
• le graphe geogRiviere qui identifie les rivières ;

Vers le sud, une jetée longue de {\{deux mille\,\.num\+type="cardinal"\+1900a2099\+1000a9999\+1a9999\+lettre\+grftoolNombreLettres\},.val} {\{mètres\,\.unit\},.measure+type="length"+grfamountLongueur} s'allongeait comme un bras sur la {\{rade\,\.w\+type="noun"\},.geogFeat+kind+grftagACoteHydronyme} de {Suez,.geogName+grfgeogRiviere}.

Ce format permet l'affichage de la concordance, mais n'est guère lisible, humainement parlant. Pour cela, un autre fichier résultat est disponible dans un format XML-CasSys (fichier 80jours_snt.txt). Cet exemple est alors, aux sauts de ligne près :

<s>
   Vers le sud, une jetée longue de
   <csc>
     <form>
       <csc>
         <form>deux mille</form>
         <code>num</code>
         <code>type="cardinal"</code>
         <code>type="1900a2099"</code>
         <code>type="1000a9999"</code>
         <code>type="1a9999"</code>
         <code>type="lettre"</code>
         <code>type="grftoolNombreLettres"</code>
       </csc>
     </form>
     <code>val</code>
   </csc>
   <csc>
     <form>
       <csc>
         <form>mètres</form>
         <code>unit</code>
       </csc>
       </form>
     <code>measure</code>
     <code>type="length"</code>
     <code>grfamountLongueur</code>
   </csc>
   s'allongeait comme un bras sur la
   <csc>
     <form>
       <csc>
         <form>rade</form>
         <code>w</code>
         <code>type="noun"</code>
       </csc>
     </form>
     <code>geogFeat</code>
     <code>kind</code>
     <code>grftagACoteHydronyme</code>
   </csc>
   de
   <csc>
     <form>
       Suez
     </form>
     <code>geogName</code>
     <code>grfgeogRiviere</code>
   </csc>
   .
</s>

Une séquence reconnue est, d'une part, étiquetée et, d'autre part, figée en une expression polylexicale. Ce balisage peut ensuite être recherché dans Unitex par des masques plus ou moins spécifiques. Pour faciliter le débogage, nous ajoutons au balisage le nom du graphe qui l'a inséré, préfixé par grf, soit ici grfamountLongueur.

Si la sortie XML-CasSys ne correspond pas au balisage souhaité (ce qui est le cas en général), le fichier _csc.txt peut être ouvert sous Unitex pour le passage d'une deuxième cascade. Ainsi, CasEN est en fait composé de deux cascades, une cascade d'analyse et une cascade de synthèse. Pour notre exemple, et pour la synthèse version TEI (CasEN_synthese_TEI.csc), le résultat de cette deuxième cascade est :

<s>Vers le sud, une jetée longue de <measure type="length" quantity="deux mille" unit="mètres">deux mille mètres</measure> s'allongeait comme un bras sur la <geogName><geogFeat>rade</geogFeat> de Suez</geogName>.</s>

Remarquons qu'en suivant non plus la TEI, mais le guide Istex, le même exemple deviendrait, en changeant seulement la cascade de synthèse (CasEN_synthese_ISTEX.csc), disponible sur la page CasEN-Istex :

Vers le sud, une jetée longue de deux mille mètres s'allongeait comme un bras sur la rade de Suez.

Une aide peut vous être apportée pour vous aider à concevoir une cascade de synthèse personalisée, qui correspond à vos attentes en terme d'annotation, ou pour écrire un script qui lance la cascade en dehors de l'interface.

L'ordre des graphes

Il est arrivé le 29 février de l'année 2008.

peut être analysée par plusieurs graphes de la cascade d'analyse de CasEN :

• timeDateCalendaireAbsolueAnnee reconnaît la séquence entière, le 29 février de l'année 2008 ;
• timeDateCalendaire reconnaît le début de la séquence, le 29 ;
• timeAnneee reconnaît la fin de la séquence, l'année 2008.

Les différentes versions de CasEN

Téléchargement

• CasEN_lingpkg.zip : Un package linguistique contenant l'ensemble des fichiers nécessaires à CasEN. Ce fichier est un fichier.zip, mais ne doit pas être dézippé. Il est commun à tous les systèmes d'exploitation.
• lancementDeCasEN.bat : Un script, à adapter à son ordinateur, pour traiter un fichier.
• multiLancementDeCasEN.bat : Un script, à adapter à son ordinateur, pour traiter tous les fichiers d'un dossier.

"C:\Program Files (x86)\Unitex-GramLab\App\UnitexToolLogger.exe" { SelectOutput --output=off } { InstallLingResourcePackage -p C:\Documents\ScriptsCasEN\CasEN_lingpkg.zip -x $:UnitexPkgResource -v } { RunScript -v -a INPUT_FILE_1=C:\Documents\ScriptsCasEN\exemple.txt -a CORPUS_WORK_DIR=$:UnitexPkgWork -a PACKAGE_DIR=$:UnitexPkgResource -a OUTPUT_FILE_1=C:\Documents\ScriptsCasEN\exemple_result.txt $:UnitexPkgResource\script\CasEN_TEI.uniscript } { InstallLingResourcePackage -p C:\Documents\ScriptsCasEN\CasEN_lingpkg.zip -x $:UnitexPkgResource -u -v }

où sont notées avec l'adresse complète quatre informations à modifier:

• Le chemin menant au programme UnitexToolLogger : C:\Program Files (x86)\Unitex-GramLab\App\UnitexToolLogger.exe
• Le chemin menant au package linguistique CasEN_lingpkg.zip : C:\Documents\ScriptsCasEN\CasEN_lingpkg.zip
• Le chemin et le nom du fichier à analyser : exemple.txt : C:\Documents\ScriptsCasEN\exemple.txt
• Le chemin et le nom du fichier résultat : exemple_result.txt : C:\Documents\ScriptsCasEN\exemple_result.txt

"C:\Program Files (x86)\Unitex-GramLab\App\UnitexToolLogger.exe" { BatchRunScript -e -i C:\Documents\ScriptsCasEN\DossierOrigine -o U:\Documents\ScriptsCasEN\DossierResultats -t1 C:\Documents\ScriptsCasEN\CasEN_lingpkg.zip -f -s script\CasEN_TEI.uniscript }

où sont notées avec l'adresse complète cinq informations à modifier:

• Le chemin menant au programme UnitexToolLogger : C:\Program Files (x86)\Unitex-GramLab\App\UnitexToolLogger.exe
• Le chemin et le nom du dossier contenant les fichiers à analyser : C:\Documents\ScriptsCasEN\DossierOrigine
• Le chemin et le nom du dossier contenant les fichiers résultat : C:\Documents\ScriptsCasEN\DossierResultats
• Le nombre de coeurs utilisés : argument -t, ici, pour un cœur, -t1 (pour deux cœurs, -t2, etc.)
• Le chemin et le nom du package linguistique CasEN_lingpkg.zip : C:\Documents\ScriptsCasEN\CasEN_lingpkg.zip

Utilisation (et modification possible) de CasEN via l'interface d'Unitex

• Dans le dossier French : Les nouveaux fichiers de normalisation et d'alphabet.
• Dans le dossier Cassys : Trois fichiers cascade (.csc). Ces fichiers contiennent le chemin (à partir du dossier Graphs) et l'ordre de passage des graphes (une cascade d'analyse et deux cascades de synthèse, versions TEI et MUC).
• Dans le dossier Dela : Trois dictionnaires.
• Dans le dossier Graphs : Les graphes des deux cascades répartis dans deux sous-dossiers, respectivement Graphs\CasEN\CasEN_analyse et Graphs\CasEN\CasEN_synthese.

• à droite : le dictionnaire Dela_fr ;
• à gauche : les trois dictionnaires de la cascade (CasEN_Dico, CasEN_Ambiguites- et Prolex-Unitex-BestOf_2_2_fra).

Tutoriels

Pour nous citer

Pour nous contacter