BàO 2: Etiquetage morphosyntaxique

On réalise, à partir des fichiers textes obtenus précédemment, un étiquetage morpho-syntaxique des mots.

Pour ce faire, on utilise deux méthodes différentes :

- Etiquetage avec Cordial : Cordial est un programme payant, disponible uniquement pour Windows et qui possède une interface graphique.

- Etiquetage avec TreeTagger : TreeTagger est un programme gratuit qui fonctionne en ligne de commandes.

Avec l'aide de M. Fleury, nous avons retravaillé notre script après BàO1.

Pour le logiciel Cordial, on va s’intéresser aux fichiers textes SORTIE_pour_Cordial_$rubrique.txt

Ces fichiers étant encodés en UTF-8 et le logiciel Cordial traitant les fichiers en ISO-8859-1, il fallait les convertir, ce qu’on a fait avec la commande iconv.

On ouvre, dans Cordial, le fichier texte encodé en ISO-8859-1 $rubrique_Cordial.txt 

Il suffit pour cela de charger le texte, de cliquer sur "Syntaxe" > "Etiquetage de texte" dans la barre de menu, et de tout décocher à l'exception de "Lemmes" dans la fenêtre qui apparaît.

On obtient en sortie un fichier (au format .cnr) comportant un mot par ligne, où chaque ligne suit le patron token [tabulation] lemme [tabulation] catégorie (différent de celui de TreeTagger).

On obtient les fichiers suivants au format cordial (CNR).

2010 (toutes rubriques)            fichier .cnr     à télécharger
2009 (toutes rubriques)             fichier .cnr     à télécharger 

Nous avons créé une procédure &lancetreetagger que nous avons intégrée à la fin de notre script de Bà01.

 Toutefois, nous avons rencontré des erreurs à cause de l’UTF-8.

Ainsi Mr Fleury nous a aidées à reconcevoir notre script de Bà02 pour ne plus rencontrer cette erreur. Pour cela, nous avons créé la procédure &etiquetageavectreetagger.

fichier bao2_bascarane_dubremetz.pl    à voir | à télécharger

On obtient en sortie un fichier comportant un mot par ligne, où chaque ligne suit le modèle token [tabulation] catégorie [tabulation] lemme.

2010 (toutes rubriques)    fichier.xml passé par Treetagger     à télécharger