Parallel areas detection in multi-documents for multilingual alignment
Détection de zones parallèles à l’intérieur de multi-documents pour l’alignement multilingue
Résumé
This article broaches a central issue of the automatic alignment : diagnosing the parallelism of
documents. Previous research was concentrated on the analysis of documents which are parallel
by nature such as corpus of regulations, technical documents or simple sentences. Inversions and
deletions/additions phenomena that may exist between different versions of a document has
often been overlooked. To the contrary, we propose a method to diagnose in context the parallel
areas allowing the detection of deletions or inversions between documents to align. This original
method is based on the freeing from word and sentence as well as the consideration of the text
formatting. The implementation is based on the detection of repeated character strings and the
identification of parallel segments by image processing.
Cet article aborde une question centrale de l’alignement automatique, celle du diagnostic
de parallélisme des documents à aligner. Les recherches en la matière se sont jusqu’alors
concentrées sur l’analyse de documents parallèles par nature : corpus de textes réglementaires,
documents techniques ou phrases isolées. Les phénomènes d’inversions et de suppressions/ajouts
pouvant exister entre les différentes versions d’un document sont ainsi souvent ignorées. Nous
proposons donc une méthode pour diagnostiquer en contexte des zones parallèles à l’intérieur
des documents. Cette méthode permet la détection d’inversions ou de suppressions entre les
documents à aligner. Elle repose sur l’affranchissement de la notion de mot et de phrase, ainsi
que sur la prise en compte de la Mise en Forme Matérielle du texte (MFM). Sa mise en oeuvre est
basée sur des similitudes de répartition de chaînes de caractères répétées dans les différents
documents. Ces répartitions sont représentées sous forme de matrices et l’identification des
zones parallèles est effectuée à l’aide de méthodes de traitement d’image.
Origine : Fichiers produits par l'(les) auteur(s)