Extraction multilingue de termes à partir de leur structure morphologique

Les mØthodes d’extraction automatique de termes utilisent couramment des patrons dØcrivant la structure des termes (Ibekwe-Sanjuan et Sanjuan, 2004; Enguehard, 1992; Vergne, 2005). Dans les domaines scienti ques ou techniques comme la mØdecine (Namer, 2005), de nombreux termes appartiennent au vocabulaire savant et sont construits à partir de formants classiques grecs ou latins situØs en dØbut (extra-, anti-) ou en n de mot (-graphe, -logie). La mØthode que nous proposons utilise la structure morphologique des termes en vue de leur extraction et de leur regroupement1. Le systŁme extrait tout d’abord les mots du corpus puis identi e les formants à l’aide de l’expression rØguliŁre suivante : ([aio]-) ?(\w{3,}[aio])-. MŒme si cette expression rØguliŁre est limitØe aux formants se terminant par a, i ou o, elle n’est pas uniquement valable pour le français. On trouvera, par exemple, "chimio-hormonothØrapie" en français, "chemo-radiotherapy" en anglais ou "Chemo-radiotherapie" en allemand. Une fois les formants identi Øs, les termes sont repØrØs à l’aide d’un patron qui dØcrit leur structure morphologique : F+M oø F est un formant et M un mot du corpus de longueur supØrieure à 3. Le caractŁre + indique la succession possible de plusieurs formants en dØbut de terme. Lorsque ce patron s’applique à un des mots du corpus, deux termes sont reconnus : le terme de structure F+M et le terme de structure M. Ainsi, à partir du mot "radiothØrapie" qui contient le formant "radio", on extrait les termes "radiothØrapie" et "thØrapie". A n de faciliter l’analyse des termes extraits, des familles de termes sont formØes en regroupant les termes contenant le mŒme mot M. Le mot M est appelØ reprØsentant de la famille. De plus, deux familles sont rØunies si leurs reprØsentants ont une chaîne initiale commune de longueur supØrieure ou Øgale à 4 et si l’on retrouve le mŒme formant dans un terme de chaque famille. Le reprØsentant nal de chaque famille est le terme le plus frØquent. Les rØsultats de l’extraction terminologique sont prØsentØs sous forme de liste pondØrØe au format HTML (voir gure 1). Ce type de liste se caractØrise par l’utilisation d’un code de couleur et d’une taille de police dØpendant de la frØquence d’occurrence d’un terme (VØronis, 2005). Seuls les termes reprØsentants de chaque famille sont af chØs et le poids d’une famille dans la reprØsentation nale est determinØ par la frØquence cumulØe de tous les termes de la famille. 1Ce travail a été soutenu en partie par la Commission européenne (projet NOESIS, IST-2002-507960)