@inproceedings{rozenknop-etal-2003-apprentissage,
title = "Apprentissage discriminant pour les Grammaires {\`a} Substitution d{'}Arbres",
author = "Rozenknop, Antoine and
Chappelier, Jean-C{\'e}dric and
Rajman, Martin",
editor = "Daille, B{\'e}atrice and
Morin, Emmanuel",
booktitle = "Actes de la 10{\`e}me conf{\'e}rence sur le Traitement Automatique des Langues Naturelles. Articles longs",
month = jun,
year = "2003",
address = "Batz-sur-Mer, France",
publisher = "ATALA",
url = "https://aclanthology.org/2003.jeptalnrecital-long.21",
pages = "225--234",
abstract = "Les grammaires stochastiques standards utilisent des mod{\`e}les probabilistes de nature g{\'e}n{\'e}rative, fond{\'e}s sur des probabilit{\'e}s de r{\'e}criture conditionn{\'e}es par le symbole r{\'e}crit. Les exp{\'e}riences montrent qu{'}elles tendent ainsi par nature {\`a} p{\'e}naliser les d{\'e}rivations les plus longues pour une meme entr{\'e}e, ce qui n{'}est pas forc{\'e}ment un comportement souhaitable, ni en analyse syntaxique, ni en reconnaissance de la parole. Dans cet article, nous proposons une approche probabiliste non-g{\'e}n{\'e}rative du mod{\`e}le STSG (grammaire stochastique {\`a} substitution d{'}arbres), selon laquelle les probabilit{\'e}s sont conditionn{\'e}es par les feuilles des arbres syntaxiques plutot que par leur racine, et qui par nature fait appel {\`a} un apprentissage discriminant. Plusieurs exp{\'e}riences sur ce mod{\`e}le sont pr{\'e}sent{\'e}es.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="rozenknop-etal-2003-apprentissage">
<titleInfo>
<title>Apprentissage discriminant pour les Grammaires à Substitution d’Arbres</title>
</titleInfo>
<name type="personal">
<namePart type="given">Antoine</namePart>
<namePart type="family">Rozenknop</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Jean-Cédric</namePart>
<namePart type="family">Chappelier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Martin</namePart>
<namePart type="family">Rajman</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2003-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 10ème conférence sur le Traitement Automatique des Langues Naturelles. Articles longs</title>
</titleInfo>
<name type="personal">
<namePart type="given">Béatrice</namePart>
<namePart type="family">Daille</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Emmanuel</namePart>
<namePart type="family">Morin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Batz-sur-Mer, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Les grammaires stochastiques standards utilisent des modèles probabilistes de nature générative, fondés sur des probabilités de récriture conditionnées par le symbole récrit. Les expériences montrent qu’elles tendent ainsi par nature à pénaliser les dérivations les plus longues pour une meme entrée, ce qui n’est pas forcément un comportement souhaitable, ni en analyse syntaxique, ni en reconnaissance de la parole. Dans cet article, nous proposons une approche probabiliste non-générative du modèle STSG (grammaire stochastique à substitution d’arbres), selon laquelle les probabilités sont conditionnées par les feuilles des arbres syntaxiques plutot que par leur racine, et qui par nature fait appel à un apprentissage discriminant. Plusieurs expériences sur ce modèle sont présentées.</abstract>
<identifier type="citekey">rozenknop-etal-2003-apprentissage</identifier>
<location>
<url>https://aclanthology.org/2003.jeptalnrecital-long.21</url>
</location>
<part>
<date>2003-06</date>
<extent unit="page">
<start>225</start>
<end>234</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Apprentissage discriminant pour les Grammaires à Substitution d’Arbres
%A Rozenknop, Antoine
%A Chappelier, Jean-Cédric
%A Rajman, Martin
%Y Daille, Béatrice
%Y Morin, Emmanuel
%S Actes de la 10ème conférence sur le Traitement Automatique des Langues Naturelles. Articles longs
%D 2003
%8 June
%I ATALA
%C Batz-sur-Mer, France
%G French
%F rozenknop-etal-2003-apprentissage
%X Les grammaires stochastiques standards utilisent des modèles probabilistes de nature générative, fondés sur des probabilités de récriture conditionnées par le symbole récrit. Les expériences montrent qu’elles tendent ainsi par nature à pénaliser les dérivations les plus longues pour une meme entrée, ce qui n’est pas forcément un comportement souhaitable, ni en analyse syntaxique, ni en reconnaissance de la parole. Dans cet article, nous proposons une approche probabiliste non-générative du modèle STSG (grammaire stochastique à substitution d’arbres), selon laquelle les probabilités sont conditionnées par les feuilles des arbres syntaxiques plutot que par leur racine, et qui par nature fait appel à un apprentissage discriminant. Plusieurs expériences sur ce modèle sont présentées.
%U https://aclanthology.org/2003.jeptalnrecital-long.21
%P 225-234
Markdown (Informal)
[Apprentissage discriminant pour les Grammaires à Substitution d’Arbres](https://aclanthology.org/2003.jeptalnrecital-long.21) (Rozenknop et al., JEP/TALN/RECITAL 2003)
ACL