Elamur Research⌕
☰
home / papers / 2019 / Un corpus arboré pour le français : le French Treebank [A parsed corpus for French: the French treebank]

Un corpus arboré pour le français : le French Treebank [A parsed corpus for French: the French treebank]

Summary

The article reviews the French Treebank (FTB), the first large syntactically annotated corpus of French. It was developed at Université Paris Diderot from 1996 to 2016. Before the FTB, there was no reference resource for French syntax. The corpus was modeled on the annotation of the Wall Street Journal in the Penn Treebank. Articles from the newspaper Le Monde were chosen as the source because they are accessible, carefully edited and cover a range of topics. The annotation was done in layers. The lexical layer includes part of speech, subcategory, lemma, inflection and compound words. The syntactic layer includes constituents and grammatical functions. Metadata were added to each article. Each layer was first annotated by dedicated automatic tools, and linguists then checked the output manually with double proofreading. The authors describe the final version of the corpus, its formats (including a dependency format) and a first evaluation of annotation quality. The article also covers derived resources, sample queries to the corpus and a comparison with more recent French corpora. The annotation scheme was deliberately made neutral with respect to syntactic theories, so the corpus is easy to convert into other representations. The FTB has about 300 users worldwide and remains a core resource for French NLP.

Key points

  • The morphosyntactic annotation has 11 lexical categories plus ET (foreign word) and PONCT (punctuation). With subcategories this gives 41 tags, and with inflection 218. For comparison, the Penn Treebank has 36 tags.
  • Pre-annotation was done by a tagger based on the Brill algorithm: 322 hand-written contextual rules, 103 tags, an estimated error rate of about 8 %.
  • The corpus contains 32 546 compound words, roughly 1.5 per sentence. They include both grammatical compounds and what are now called named entities. 59 compound words are split by other words.
  • Syntactic layer: a chunker with 12 constituent labels and a function tagger with 8 labels and 115 rules using unification. On 1000 checked sentences, the function tagger achieved an average precision of 89.69 % and recall of 89.27 %.
  • The authors acknowledge that some decisions should have been made differently. For example, numerals would have been better grouped under a single tag, and impersonal il/ce annotated separately. Some of these changes have already been made in later versions of the corpus (Ribeyre et al., 2014).

The middle of the article is missing from the provided text. As a result, the summary does not include specific evaluation figures for the final version, details of the dependency format or the data from the comparison with other corpora.

Our summary of the paper, in our own words — not its text. The work belongs to its authors; read it at the links above.

Fields: Linguistics & languages

Topics: Treebanks · Part-of-speech tagging

Cite

The paper itself, not this page. BibTeX from the library's record of the work.

@misc{abeille2019un,
  title = {{Un corpus arboré pour le français : le French Treebank [A parsed corpus for French: the French treebank]}},
  author = {Abeillé, Anne and Clément, Lionel and Liégeois, Loïc},
  year = {2019},
  url = {https://aclanthology.org/2019.tal-2.2/}
}

References

69 references, 1 of them with a card of ours. ↗ leads to the work, «find» searches for one we have no id for yet.

  1. Abeillé A., Corpus arboré pour le français : guide d’annotation en fonctions, Université Paris Diderot, Paris, 2004. find
  2. Abeillé A., « Les syntagmes conjoints et leurs fonctions syntaxiques », Langages, vol. 160, p. 42-66, 2005. find
  3. Abeillé A., Barrier N., « Enriching a French treebank », 4th LREC, Lisbonne, p. 2233-2236, 2004. find
  4. Abeillé A., Clément L., Corpus arboré pour le français : guide d’annotation morphosyntaxique, Université Paris Diderot, Paris, 1999a. find
  5. Abeillé A., Clément L., « A reference tagged corpus for French », in T. Brants H. U. (dir.), LINC, EACL, Bergen, p. 17-24, 1999b. find
  6. Abeillé A., Clément L., Toussenel F., « Building a Treebank for French », in Abeillé A. (dir.), Treebanks : Building and Using Parsed Corpora, Kluwer, Dordrecht, p. 165-188, 2003. find
  7. Abeillé A., Crabbé B., « Vers un treebank du français parlé », 20ème Conférence TALN, 2013. find
  8. Abeillé A., Godard D., « La position de l’adjectif épithète en français : le poids des mots », Recherches linguistiques de Vincennes, vol. 28, p. 9-32, 1999. find
  9. Le French Treebank Abeillé A., Godard D., « A Class of ’lite’ Adverbs in French », in Camps J., Wiltshire C. (dir.), Romance Syntax, Semantics and their L2 Acquisition, John Benjamins, p. 9-25, 2001. find
  10. Abeillé A., Hemforth B., Winckel E., « Les relatives en dont : études empiriques », 5ème CMLF, ILF, Tours, p. 26-43, 2016. find
  11. Abeillé A., Kinyon A., Clément L., « Building a treebank for French », 2d LREC, Athènes, 2000. find
  12. Abeillé A., Mouret F., « Quelques contraintes sémantiques et discursives sur les coordinations elliptiques », Revue de sémantique et de pragmatique, vol. 24, no 3, p. 177-206, 2010. find
  13. Abeillé A., Toussenel F., Chéradame M., Corpus arboré pour le français : guide d’annotation en constituants, Université Paris Diderot, Paris, 1999. find
  14. Abeillé A., Winckel E., « Dont and de qui relatives in written French », Grammar and Corpora, 2018. find
  15. Artstein R., Poesio M., « Inter-Coder Agreement for Computational Linguistics », Computational Linguistics, vol. 34, no 4, p. 555-596, 2008. find
  16. Balvet A., Barque L., Condette M.-H., Haas P., Huyghe R., Marin R., Merlo A., « La ressource Nomage. Confronter les attentes théoriques aux observations du comportement linguistique des nominalisations en corpus », TAL, vol. 52, no 3, p. 129-152, 2011. find
  17. Baroni M., Bernardini S., Ferraresi A., Zanchetta E., « The WaCky wide web : a collection of very large linguistically processed web-crawled corpora », Language ressources and evaluation, vol. 43, no 3, p. 209-226, 2009. find
  18. Blache P., Rauzy S., « Enrichissement du FTB : un treebank hybride constituants/propriétés », 19ème Conférence TALN, 2012. find
  19. Blanche-Benveniste C., Deulofeu J., Stéfanini J., van den Eynde K., Pronom et syntaxe : l’approche pronominale et son application au français, SELAF, 1984. find
  20. Brill E., A corpus-based approach to language learning, Thèse de Doctorat, University of Pennsylvania, 1993. find
  21. Bîlbîie G., Laurens F., « A Construction-based Analysis of Verbless Relative Adjuncts in French and Romanian », in Müller S. (dir.), Proceedings 16th HPSG Conference, CSLI Publications, Stanford, p. 5-25, 2009. find
  22. Candito M.-H., Crabbé B., Denis P., « Statistical French dependency parsing : treebank conversion and first results », 7th LREC, La Valletta, 2010. find
  23. Candito M.-H., Crabbé B., Denis P., Guérin F., « Analyse syntaxique du français : des constituants aux dépendances », 16ème Conférence TALN, Senlis, 2009. find
  24. Candito M.-H., Perrier G., Guillaume B., Ribeyre C., Fort K., Seddah D., de la Clergerie E., « Deep Syntax Annotation of the Sequoia French Treebank », 9th LREC, Reykjavik, 2014. find
  25. Candito M.-H., Seddah D., « Effectively long-distance dependencies in French : annotation and parsing evaluation », TLT11, 2012a. find
  26. Candito M.-H., Seddah D., « Le corpus Sequoia : annotation syntaxique et exploitation pour l’adaptation d’analyseur par pont lexical », 19e Conférence TALN, Grenoble, France, 2012b. find
  27. Clément L., Construction et exploitation d’un corpus syntaxiquement annoté pour le français, Thèse de Doctorat, Université Paris 7, 2001. find
  28. Cohen J., « A Coefficient of Agreement for Nominal Scales », Educational and Psychological Measurement, vol. 20, no 1, p. 37-46, 1960. find
  29. Danlos L., Colinet M., Steinlin J., « FDTB1 : Repérage des connecteurs de discours dans un corpus français », Discours, 2015. find
  30. Debaisieux J.-M., Benzitoun C., Deulofeu H.-J., « Le projet ORFEO : Un corpus d’études pour le français contemporain », Revue Corpus, vol. 15, p. 91-114, 2016. find
  31. Djemaa M., Candito M.-H., Muller P., Vieu L., « Corpus annotation within the French Frame-Net : a domain-by-domain methodology », LREC, 2016. find
  32. Fabre C., Kupść A., « Large and noisy vs small and reliable : combining 2 types of corpora for adjective valence extraction », 5th Corpus Linguistics conference, Liverpool, 2009. find
  33. Fradin B., Nouvelles approches en morphologie, PUF, 2003. find
  34. Gross M., « Sur quelques groupes nominaux complexes », in Chevalier J.-C., Gross M. (dir.), Méthodes en grammaire française, Klincksieck, Paris, p. 97-119, 1976. find
  35. Guillaume B., de Marneffe M.-C., Perrier G., « Conversion et amelioration de corpus du francais annotes en Universal Dependencies », TAL, vol. 60, no 2, p. 42-66, 2019. find
  36. Habert B., « Outiller la linguistique : de l’emprunt de techniques aux rencontres de savoirs », Revue française de linguistique appliquée, vol. IX, no 1, p. 5-24, 2004. find
  37. Hale J. T., Automaton Theories of Human Sentence Comprehension, University of Chicago Press, 2014. find
  38. Heiden S. Magué J.-P. P. B., « TXM : Une plateforme logicielle open-source pour la textométrie conception et développement », in Bolasco S. (dir.), Proc. 10th JADT, p. 1021-1032, 2010. find
  39. Illouz G., Habert B., Folch H., Prévost S., « TyPex : Generic Feature for Text Profiler », Computer-Assisted Information Retrieval, RIAO, 2000. find
  40. Kinyon A., « A Language-Independent Shallow-Parser Compiler », 39th ACL and 10th EACL,Toulouse, p. 322-329, 2001. find
  41. Kupść A., « TreeLex Meets Adjectival Tables », International Conference RANLP, Borovets (Bulgarie), 2009. find
  42. Kupść A., Abeillé A., « Treelex : a subcategorization lexicon automatically extracted from a French Treebank », ICGL, Workshop on syntactic annotations, Hong-Kong, 2008. find
  43. König E., Lezius W., The TIGER language A Description Language for Syntax Graphs, Formal Definition, Technical report, IMS, University of Stuttgart, 2000. find
  44. Laurens F., « French predicative verbless utterances », in Müller S. (dir.), Proceedings 15th HPSG Conference, Keihanna, CSLI Publications, Stanford, p. 152-172, 2008. find
  45. Levy R., Andrew G., « Tregex and Tsurgeon : tools for querying and manipulating tree data structures », 5th LREC, 2006. find
  46. Liégeois L., Abeillé A., Corpus arboré pour le français : guide d’interrogation, Université Paris Diderot, Paris, 2018. find
  47. Maurel D., Belleil C., « Un dictionnaire électronique relationnel des noms propres liés à la géographie », LINX, vol. 34-35, p. 77-88, 1996. find
  48. McDonald R., Nivre J., Quirmbach-Brundage Y., Goldberg Y., Das D., Ganchev K., Hall K., Petrov S., Zhang H., Täckström O., Bedini C., Castell N. B., Lee J., « Universal dependency annotation for multilingual parsing », 51st ACL Meeting, Sofia, p. 9297, 2013. find
  49. Miller P. H., Clitics and Constituents in Phrase Structure Grammar, Garland, 1992. find
  50. Mouret F., « La syntaxe des coordinations corrélatives du français », Langages, vol. 39, no 160, p. 67-92, 2005. find
  51. Le French Treebank Mouret F., Grammaire des constructions coordonnées. Coordinations simples et coordinations à redoublement en français contemporain, Thèse de Doctorat, Université Paris Diderot, 2007. find
  52. Nazarenko A., Habert B., Salem A., Les linguistiques de corpus, Armand Colin, 1997. find
  53. Nivre J., de Marneffe M.-C., Ginter F., Goldberg Y., Hajic J., Manning C. D., McDonald R. T., Petrov S., Pyysalo S., Silveira N., Tsarfaty R., Zeman D., « Universal Dependencies v1 : A Multilingual Treebank Collection », 10th LREC, Portoroz, 2016. find our card
  54. Paroubek P., Vilnat A., Robba I., Ayache C., « Les résultats de la campagne EASY d’évaluation des analyseurs syntaxiques du français », 14ème Conférence TALN, 2007. find
  55. Pozniak C., Abeillé A., Hemforth B., « French relatives and subject inversion : what’s your preference ? », in Crysmann B., Sailer M. (dir.), One-to-Many Relations in Morphology, Syntax and Semantics, Language Science Press, Berlin, 2019. find
  56. Pynte J., New B., Kennedy A., « On-line syntactic and semantic influences in reading revisited », Journal of Eye Movement Research, vol. 3, no 1, p. 1-12, 2009. find
  57. Rauzy S., Blache P., « Robustness and processing difficulty models. A pilot study for eye-tracking data on the French Treebank », COLING, 2012. find
  58. Ribeyre C., Candito M.-H., Seddah D., « Semi-Automatic Deep Syntactic Annotations of the French Treebank », TLT13, Tubingen, 2014. find
  59. Sagot B., Richard M., Stern R., « Annotation référentielle du Corpus Arboré de Paris 7 en entités nommées », 19ème Conférence TALN, vol. 2, Grenoble, p. 535-542, 2012. find
  60. Schluter N., van Genabith J., « Preparing, Restructuring and Augmenting a French Treebank : Lexicalised Parsing or Coherent Treebanks », 10th PACLING, Melbourne (Australie), 2007. find
  61. Seddah D., Candito M.-H., « Hard Time Parsing Questions : Building a QuestionBank for French », 10th LREC, 2016. find
  62. Seddah D., Clergerie E. D. L., Sagot B., Alonso H. M., Candito M., « Cheating a Parser to Death : Data-driven Cross-Treebank Annotation Transfer », 11th LREC, ELRA, Miyazaki, Japan, 2018. find
  63. Seddah D., Sagot B., Candito M.-H., Mouilleron V., Combet V., « The French social media bank : a treebank of noisy user generated content », COLING, Mumbai, 2012. find
  64. Seddah D., Tsarfaty R., Kübler S., Candito M.-H., Choi J. D., Farkas R., Foster J., Goenaga I., Gojenola K., Goldberg Y., Green S., Habash N., Kuhlmann M., Maier W., Nivre J., Przepiórkowski A., Roth R., Seeker W., Versley Y., Vincze V., Woli M., Wróblewska A., de la Clergerie E. V., « Overview of t… find
  65. Sekine S., Collins M., Brooks D., Ellis D., Evalb software, 2008. nlp.cs.nyu.edu/evalb. find
  66. Silberztein M., Dictionnaires électroniques et analyse automatique de textes : le système Intex, Masson, Paris, 1993. find
  67. Taylor A., Marcus M., Santorini B., « Treebanks : Building and using parsed corpora », in Abeillé A. (dir.), Treebanks, Kluwer, Dordrecht, p. 5-22, 2003. find
  68. Toussenel F., « Marquage de constituants sur un corpus français, résultats et exploitation linguistiques », Mémoire de Master, Université Paris Diderot, 2001. find
  69. Villemonte de La Clergerie É., Hamon O., Mostefa D., Ayache C., Paroubek P., Vilnat A., « PASSAGE : from French Parser Evaluation to Large Sized Treebank », 6th LREC, Marrakech, 2008. find

↑ back to top

This page in Markdown → https://md.research.elamur.ai/free/papers/abeille-2019-un-corpus-arbore-pour-le/