Étiquettes

Le but de la prochaine BAO est d'étiquetter chaque mot (c'est-à-dire de lui accoler sa fonction : nom, déterminant, etc.).

Pour les textes, c'est assez facile, il suffit de les convertir en iso latin (grâce à un <code>iconv -f utf-8 -t iso-8859-1 SORTIETXT_ALAUNE.txt > SORTIETXT_ALAUNE_iso.txt</code> par exemple et de les passer un par un dans Cordial (logiciel payant sur les machines de l'ILPAG, fonctionnant sous Windows et n'acceptant que du ISO-Latin et des fichiers inférieurs à 2 Mo. Il fait tout tout seul. Il faut quand même mettre toujours un point au bout des titres et des descriptions pour qu'il sache qu'il s'agit d'une phrase. Dans le menu Syntaxe, choisirtype grammatical abrégé et décocher presque tout sauf lemme.

Pour le xml, cela peut se faire en ligne de commande et donc à la volée. Il faut segmenter ou tokeniser (mettre un mot par ligne) puis étiqueter.

La syntaxe : tree-tagger [options] <parametres> <textin> <textout> (ou >txt.txt).

Options : -token (indique quoi écrire en sortie mot), -lemme (le lemme), -no-unknown (écrit la même chose pour la forme s'il n'a pas trouvé).

Tree-tagger est dans le Trameur et dans le cours à archive avec mise à jour du 23/2. Dans le trameur le fichier paramètres frenchUTF-8oral est beaucoup mieux.

Chercher tokenise-utf-8.pl dans l'archive n° 2 pour tokeniser : perl tokenise_utf_8 SORTIEALAUNE.xml (j'avais écris txt mais cela me semble bizarre) puis pipe | vers tree_tagger -lemme -token -no_unknown xml_utf_8 (.bib paramètres) > SORTIEALAUNETT.xml

Mettre tous les progrmmes dans le même dossier.

Attention : supprimer l'en-tête xml que tree-tagger rajoute (ne pas lire la première ligne)