INaLCO - M2 Traductique  Cours XML 2010-2011

Jean-François Perrot

Une expérience avec RDF :
exploiter les nuances de Littré, mises en ligne par Frédéric Glorieux

1. Bref résumé
   
   
2. Plus précisément
   1. Sur l'ensemble du projet :
   2. Sur les nuances
      
      
3. Les nuances en RDF
   1. Le format
   2. Son exploitation
      1. La requête de base :
      2. Amélioration : requête symétrique
      3. Quels sont les mots ayant plus d'un synonyme ?
      4. Un essai de fermeture transitive (glissements de sens...)
   3. La transformation XSLT
      1. Considérations de principe
      2. Réalisation

Bref résumé

Le projet en Java du cours M2-IM pour 2010-2011 concerne une nouvelle version électronique du Dictionnaire de la langue française, d'Émile Littré.
Étant donné la richesse et la variété des citations, remarques et indications diverses que l'auteur a intégrées dans son ouvrage, le Littré est un monument de la langue.
Le but du projet est donc d'explorer l'usage du dictionnaire non plus en consultation (chercher des informations sur un mot donné), mais comme une source de connaissances linguistiques, comme un corpus.
La communication présentée par l'équipe du M2-IM à la Journée d’étude Lexicographie et Informatique, le 21 janvier dernier à Cergy, s'intitulait le dictionnaire comme corpus.

Un premier exemple de cette démarche est proposé par Frédéric Glorieux : il a rassemblé les indications données par Littré sur les nuances entre mots de sens voisins, dans la ligne des dictionnaires de synonymes, et il traite cet ensemble comme un document à lire ou a consulter.
Regardez...

L'expérience que je propose ici est d'extraire du document de Frédéric une petite base de données en RDF, commodément interrogeable en SPARQL.
Cette extraction se fait très simplement par une transformation XSLT de 30 lignes.
On doit pouvoir aller beaucoup plus loin !

Plus précisément

• Sur l'ensemble du projet :

  Un message de Frédéric (9 mars 2011)
  

  ---

  Notre cours d'informatique a maintenant suffisamment avancé pour offrir un premier prototype de Littré en ligne
  
  http://javacrim.sourceforge.net/littre/projet
  
  Relativement aux autres versions disponibles sur le web :
  
  http://francois.gannaz.free.fr/Littre/xmlittre.php?requete=projet
http://artflx.uchicago.edu/cgi-bin/dicos/pubdico1look.pl?strippedhw=projet&headword=&docyear=ALL&dicoid=LITTRE1872
http://littre.reverso.net/dictionnaire-francais/definition/projet
  
  les avantages ne sont pas encore flagrants, il commenceront à paraître à la fin du semestre, lorsque les tâches suivantes aboutiront :
  
  * intégration des suppléments à leur place dans l'article
  * accès par forme fléchie
  * recherche dans les citations, de formes et de lemmes
  * accès par famille de dérivés
  * recherche dans les définitions (à baliser avant)
  * balisage des marques de domaines, pour navigation et champs lexicaux
  * …?
  
  Toutes les idées sont les bienvenues, ainsi que les projets pédagogiques ou les travaux d'étudiants.
  

  ---

  
  Soulignons, sur le plan de la méthode, le soin apporté à la structuration en XML et à sa documentation,
  au moyen d'une grammaire RNG conforme aux dernières prescriptions de la TEI (Text Encoding Initiative),
  et présentée de manière exemplaire.
  

• Sur les nuances

  Comme il appert de la page indiquée ci-dessus, elles vont être présentées à la journée des dictionnaires de Cergy ce mercredi 16 mars 2011.
  
  Une autre présentation est disponible à l'adresse : http://javacrim.sourceforge.net/littre/nuances.html,
  son texte-source (en XHTML) me paraît plus facile à exploiter. C'est lui qui fournit la base de la présente expérience.
  
  Notons que l'extraction des nuances demande un peu de travail !
  Voici comment elles apparaissent dans le texte-source du Littré en XML-TEI, exemple extrait de l'article jaboter :
  

  ---

  <entry xml:id="jaboter">
........
<re type="S">JABOTER, JASER, CAQUETER. Jaboter, c'est parler ensemble d'une voix peu élevée ; jaser, c'est parler ensemble sans vouloir ni baisser ni élever la voix ; caqueter, c'est parler ensemble, mais avec du bruit, avec de l'éclat. En effet, étymologiquement, jaboter, c'est parler, pour ainsi dire, dans son jabot, de près ; jaser, c'est, il semble, faire le jars, le mâle de l'oie ; enfin caqueter, c'est crier comme la poule qui vient de pondre son œuf et qui le fait savoir à grand bruit. </re>
...
</entry>
  

  ---

  
  et voici ce qu'il devient dans le fichier nuances.html :
  

  ---

  <p class="entry" id="1020">
    <small>1020.</small> <strong id="jaboter">JABOTER</strong>, <strong id="jaser">JASER</strong>, <strong id="caqueter">CAQUETER</strong>.
    <em>Jaboter</em>, c’est <dfn>“parler ensemble d’une voix peu élevée”</dfn> ; <em>jaser</em>, c’est <dfn>“parler ensemble sans vouloir ni <a href="#">baisser</a> ni élever la voix”</dfn> ; <em>caqueter</em>, c’est <dfn>“parler ensemble, mais avec du bruit”</dfn>, avec de l’éclat. En effet, étymologiquement, <em>jaboter</em>, c’est parler, pour ainsi dire, dans son <em>jabot</em>, de <a href="#">près</a> ; <em>jaser</em>, c’est, il <a href="#">semble</a>, faire le jars, le mâle de l’oie ; enfin <em>caqueter</em>, c’est crier comme la poule qui vient de pondre son œuf et qui le fait savoir à grand bruit.
</p>
  

  ---

  
  C'est le balisage <strong> séparant les trois termes synonymes qui rend notre entreprise aisée...
  
  

Les nuances en RDF

• Le format

  Dans un premier temps, contentons-nous d'une seule relation a_un_sens_voisin_de,
  pour laquelle nous inventons un espace de noms (qui deviendra peut-être un vocabulaire) http://inalco/M2Trad/.
  
  Les mots-entrées apparaissant comme sujets doivent être élevés au rang d'URI.
  Nous les traiterons donc comme des fragments, avec une URL de base http://inalco/M2Trad/nuances.
  
  L'en-tête de notre fichier RDF, et l'élément correspondant à l'exemple de jaboter, seront donc
  
  • en notation N3
    

    ---

    @prefix m2trad:  <http://inalco/M2Trad/> .
@prefix rdf:     <http://www.w3.org/1999/02/22-rdf-syntax-ns#> .
...............
<http://inalco/M2Trad/nuances#jaboter>
      m2trad:a_un_sens_voisin_de
              <http://inalco/M2Trad/nuances#caqueter> , <http://inalco/M2Trad/nuances#jaser> .
...............
    

    ---

    
    
  • en XML (fichier nuances.rdf)
    

    ---

    <?xml version="1.0" encoding="utf-8"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
    xmlns:m2trad="http://inalco/M2Trad/"
    xmlns:h="http://www.w3.org/1999/xhtml"
    xml:base="http://inalco/M2Trad/nuances">
...................
  <rdf:Description rdf:about="#jaboter">
    <m2trad:a_un_sens_voisin_de rdf:resource="#jaser"/>
    <m2trad:a_un_sens_voisin_de rdf:resource="#caqueter"/>
  </rdf:Description>
...................
    

    ---

  
  

• Son exploitation

  Les exemples de requêtes SPARQL que nous donnons ici peuvent être directement mises en œuvre,
  c'est pourquoi elles contiennent un champ FROM rempli "en dur".
  
  

  1. La requête de base :

     demander les synonymes du mot jaboter [fichier jaboter.rq]
     

     ---

     PREFIX m2trad:  <http://inalco/M2Trad/>
SELECT ?syn
FROM  <http://pagesperso-systeme.lip6.fr/Jean-Francois.Perrot/inalco/XML/RDF/Littre/nuances.rdf>
WHERE {
    <http://inalco/M2Trad/nuances#jaboter> m2trad:a_un_sens_voisin_de ?syn .
}
     

     ---

     -------------------------------------------
| syn                                     |
===========================================
| <http://inalco/M2Trad/nuances#caqueter> |
| <http://inalco/M2Trad/nuances#jaser>    |
-------------------------------------------
     

     ---

     
     

  2. Amélioration : requête symétrique

     [fichier jaser.rq]
     Si nous demandons par le même moyen les synonymes de jaser, nous faisons chou blanc...
     C'est que notre relation a_un_sens_voisin_de n'est pas symétrique !
     Qu'à cela ne tienne...


     ---

     PREFIX m2trad:  <http://inalco/M2Trad/>
SELECT ?syn
FROM  <http://pagesperso-systeme.lip6.fr/Jean-Francois.Perrot/inalco/XML/RDF/Littre/nuances.rdf>
WHERE {
    {<http://inalco/M2Trad/nuances#jaser> m2trad:a_un_sens_voisin_de ?syn}
    UNION
    {?syn m2trad:a_un_sens_voisin_de <http://inalco/M2Trad/nuances#jaser>}.
}
     

     ---

     ------------------------------------------
| syn                                    |
==========================================
| <http://inalco/M2Trad/nuances#jaboter> |
------------------------------------------
     

     ---

     
     

  3. Quels sont les mots ayant plus d'un synonyme ?

     (comme jaboter) [fichier syn2.rq]

     ---

     PREFIX m2trad:  <http://inalco/M2Trad/>
SELECT DISTINCT ?syn
FROM  <http://pagesperso-systeme.lip6.fr/Jean-Francois.Perrot/inalco/XML/RDF/Littre/nuances.rdf>
WHERE {
    ?syn m2trad:a_un_sens_voisin_de ?x .
    ?syn m2trad:a_un_sens_voisin_de ?y .
   
    FILTER (?x != ?y)
}
     

     ---

     --------------------------------------------------------
| syn                                                  |
========================================================
| <http://inalco/M2Trad/nuances#guerrier>              |
| <http://inalco/M2Trad/nuances#aptitude>              |
| <http://inalco/M2Trad/nuances#ainsi>                 |
| <http://inalco/M2Trad/nuances#terme>                 |
| <http://inalco/M2Trad/nuances#maigrir>
........................................................... au total, 257 sur 1341 recensés
| <http://inalco/M2Trad/nuances#cabane>                |
| <http://inalco/M2Trad/nuances#commandement>          |
| <http://inalco/M2Trad/nuances#ensemencement>         |
| <http://inalco/M2Trad/nuances#race>                  |
--------------------------------------------------------
     

     ---

     
     

  4. Un essai de fermeture transitive (glissements de sens...)

     [fichier syn3.rq]

     ---

     PREFIX m2trad:  <http://inalco/M2Trad/>
SELECT ?x ?y ?z
FROM  <http://pagesperso-systeme.lip6.fr/Jean-Francois.Perrot/inalco/XML/RDF/Littre/nuances.rdf>
WHERE {
    ?x m2trad:a_un_sens_voisin_de ?y .
    ?y m2trad:a_un_sens_voisin_de ?z .
   
    FILTER (?x != ?y && ?z != ?y)
}
     

     ---

     Pour faciliter le cadrage on a supprimé l'URL de base dans les colonnes y & z.
--------------------------------------------------------------------------------------------
| x                                                  | y                  | z                        
============================================================================================
| <http://inalco/M2Trad/nuances#réserve>             | #retenue>          | #modestie>      |
| <http://inalco/M2Trad/nuances#durant>              | #pendant>          | #durant>        |
| ...                                                                                       |    
| <http://inalco/M2Trad/nuances#axiome>              | #maxime>           | #sentence>      |
|
................. au total 238 triplets
     

     ---

  
  

• La transformation XSLT

  1. Considérations de principe

     Vu la forme de notre fichier-source, la question principale est : où allons-nous prendre notre information dans les différents éléments
     <strong> de (par exemple)
     <strong id="jaboter">JABOTER</strong>, <strong id="jaser">JASER</strong>, <strong id="caqueter">CAQUETER</strong>
     
     dans l'attribut "id" ou dans le contenu textuel ?
     
     
     • A priori, l'attribut "id" est séduisant : sa valeur est en minuscules, ce qui nous dispense d'un changement de casse.
       
       
     • En outre, certains contenus textuels sont des locutions formées de plusieurs mots séparés par des blancs
       

       ---

       <p class="entry" id="1196">
    <small>1196.</small> <strong id="dépouiller">DÉPOUILLER UN VÊTEMENT</strong>, <strong id="">SE DÉPOUILLER D’UN VÊTEMENT</strong>, <strong id="">DÉPOUILLER L’ORGUEIL, L’AMOUR</strong>, <strong id="">SE DÉPOUILLER DE L’ORGUEIL, DE L’AMOUR</strong>.
...............
</p>
       

       ---

       mais en pareil cas il arrive que l'attribut "id" ait une valeur vide, même en première position

       ---

       <p class="entry" id="776">
    <small>776.</small> <strong id="">ÊTRE ALLÉ</strong>, <strong id="">AVOIR ÉTÉ</strong>, <strong id="aller">ALLER</strong>.
...............
</p>


       ---

       <p class="entry" id="1126">
    <small>1126.</small> <strong id="">CE QUI VOUS PLAÎT</strong>, <strong id="">CE QU’IL VOUS PLAÎT</strong>.
...............
</p>


       ---

       <p class="entry" id="1197">
    <small>1197.</small> <strong id="">S’APPROCHER DE QUELQU’UN</strong>, <strong id="approcher">APPROCHER QUELQU’UN</strong>.
..............
</p>
       

       ---

       
       
     • Ces exemples montrent que l'attribut "id" n'est pas un support fiable, et que l'information véritable se trouve dans le contenu textuel.
       
       
     • Mézalor, nous devrons convertir ce contenu en une chaîne sans blancs, et en minuscules !
       Ce serait facile avec les fonctions de XPath v. 2.0, mais nos outils ne savent traiter que la v. 1.0.
       
       Heureusement, la fonction translate va nous tirer d'affaire.
       Nous atteindrons notre but en demandant (par exemple)
       translate( "UNE LOC EN MAJ", 'AÀBCÇDEÉÈÊËFGHIÎÏJKLMNOÔŒPQRSTUÙÛÜVW XYZ', 'aàbcçdeéèêëfghiîïjklmnoôœpqrstuùûüvw_xyz')
       qui donnera "une_loc_en_maj".
       

  2. Réalisation

     [fichier nuances.xsl]
     

     ---

     <?xml version='1.0'?>
<!DOCTYPE stylesheet [
    <!ENTITY maj "'AÀBCÇDEÉÈÊËFGHIÎÏJKLMNOÔŒPQRSTUÙÛÜVW XYZ'">
    <!ENTITY min "'aàbcçdeéèêëfghiîïjklmnoôœpqrstuùûüvw_xyz'">
]>
<xsl:stylesheet
    xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version='1.0'
    xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
    xmlns:m2trad="http://inalco/M2Trad/"
    xmlns:h="http://www.w3.org/1999/xhtml"
    >
   
<xsl:output  method="xml" indent="yes" encoding="utf-8" />

<xsl:template match="/">
    <rdf:RDF xml:base="http://inalco/M2Trad/nuances">
        <xsl:apply-templates select="h:html//h:p[@class='entry']" />
    </rdf:RDF>
</xsl:template>

<xsl:template match="h:p[@class='entry']">
    <rdf:Description rdf:about="#{translate(h:strong[1]/text(), &maj;, &min;)}">
        <xsl:apply-templates select="h:strong[position()&gt;1]" />
    </rdf:Description>
</xsl:template>

<xsl:template match="h:strong">
    <m2trad:a_un_sens_voisin_de rdf:resource="#{translate(text(), &maj;, &min;)}" />
</xsl:template>

</xsl:stylesheet>
     

     ---

     
     Notes :
     
     1. Sur l'emploi d'une DTD locale pour alléger l'écriture, voyez le cours sur les DTD et l'exemple donné pour FO.
        
        
     2. La mention explicite de l'espace de noms "http://www.w3.org/1999/xhtml" est de droit puisqu'il figure dans le fichier-source.
        En d'autres termes, bien que le lecteur humain n'en ait cure, le processeur XSLT "sait" que tout le vocabulaire HTML de la source est préfixé par cet URL,
        et par conséquent il ne le reconnaîtra pas si le même URL ne figure pas dans le texte de la transformation.
        
        De plus, l'emploi du préfixe vide (comme dans la source) est inopérant : il faut un préfixe lui aussi explicite.
        On doit donc écrire dans la transformation h:html, h:p et h:strong pour désigner sans méprise les éléments html, p et strong de la source.
        
        
     3. Sur la notation "{une exp. XPath}" dans les attributs, qui demande l'évaluation (dynamique) de l'expression XPath
        mise entre accolades dans une chaîne statique, voyez le cours XSLT.