2.1 – Objectifs du projet

7Labellisé en 2002 dans le cadre de l’ACI « masses de données », le projet BIOTIM a pour objectif de dégager une méthodologie et de développer des outils permettant de construire une ontologie dans le domaine de la flore tropicale. Le projet utilise donc des documents botaniques, mais le but est bien de développer une approche applicable à d’autres types de corpus présentant des caractéristiques similaires en termes de structuration.

2.2 – Caractéristiques des corpus utilisés

8L’IRD d’Orléans a fourni entre 2003 et 2004 de nombreux corpus numérisés sous forme d’images TIFF (Flore de la Guyane, Flore de la Polynésie, Flore du Cameroun, etc.) aux différents partenaires du projet. Ces derniers exploitent les données fournies à des fins diverses (construction automatique de dictionnaires, analyse automatique des images du corpus, etc.). Cependant l’essentiel des travaux relatifs à l’articulation entre contenu textuel, structure logique et ressources conceptuelles ont été menés au sein de l’équipe ATOLL et ont porté sur la Flore du Cameroun, un corpus constitué d’une quarantaine de volumes publiés entre 1963 et 2001, chaque volume représentant environ trois cents pages de texte.

9Ce corpus a pour caractéristique d’avoir une structure assez régulière malgré l’étalement dans le temps. Chaque volume est en effet une succession de sections dont chacune décrit un genre ou une espèce. Chaque espèce fait notamment l’objet d’une fiche comportant diverses informations (bibliographie, distribution géographique, écologie, indication des spécimens, etc.) ainsi qu’une partie descriptive qui énumère les caractères distinctifs de l’espèce sous forme de phrases nominales juxtaposées. Cette zone, située au centre de la fiche, contient un grand nombre d’adjectifs qualifiant la forme, la texture, la couleur des organes de l’espèce décrite ainsi que des indications sur le nombre et la dimension de ces organes (figure 1).

Figure 1

Description d’une espèce. Les pages des volumes papier fournis par l’IRD ont été numérisées en TIFF, puis le texte a été extrait par un logiciel d’OCR. C’est sur le texte ainsi extrait que portent les travaux d’analyse structurelle et linguistique menés dans le projet BIOTIM

Description d’une espèce. Les pages des volumes papier fournis par l’IRD ont été numérisées en TIFF, puis le texte a été extrait par un logiciel d’OCR. C’est sur le texte ainsi extrait que portent les travaux d’analyse structurelle et linguistique menés dans le projet BIOTIM

2.3 – Premiers essais d’analyse du contenu textuel

10Dès le début du projet, l’idée a été de produire un lexique du domaine de manière à faciliter l’analyse syntaxique devant permettre d’élaborer l’ontologie complète du domaine. La stratégie initialement adoptée a consisté à extraire le texte du corpus de la Flore du Cameroun, et à le soumettre à une chaîne d’analyse morpho-syntaxique, le texte ainsi annoté étant alors analysé par des outils d’extraction terminologique.

2.3.1 – Traitement morpho-syntaxique

11La chaîne morpho-syntaxique développée par l’équipe ATOLL a permis d’associer aux corpus du projet BIOTIM, et donc à la Flore du Cameroun, des annotations morpho-syntaxiques. Par exemple, la figure 2 fait apparaître les annotations associées par la chaîne morpho-syntaxique au texte « Plantes pourvues d’une tige ». Ces annotations sont représentées en XML conformément à la proposition de normalisation MAF (Clément et al., 2004), ce qui, comme nous le verrons, facilite grandement leur exploitation.

Figure 2

Exemple d’annotations morpho-syntaxiques au format MAF

Exemple d’annotations morpho-syntaxiques au format MAF

3.1 – Choix du formalisme cible

18La botanique, qui est le domaine traité dans le cadre du projet, se prête naturellement à la représentation de taxinomies. Les plantes sont organisées en genre/espèce et, comme nous le verrons dans la section suivante, la structure logique des documents du corpus reflète directement cette organisation. Il était donc naturel d’utiliser OWL (Web Ontology Language) (OWL, 2004), un langage de représentation d’ontologies qui permet de décrire des classes et des instances ainsi que des propriétés que peuvent où doivent posséder des instances. L’utilisation de l’axiome rdfs : subClassOf permet de plus d’organiser les classes en une hiérarchie d’héritage. Par ailleurs, OWL existant en trois versions de complexité croissante (OWL Lite, OWL DL, OWL Full) il a été nécessaire d’opérer un choix. OWL Full ayant un pouvoir expressif (et une complexité informatique associée) dépassant les besoins du projet BIOTIM et OWL Lite présentant au contraire certaines limitations contraignantes, notamment en termes d’expression des cardinalités, il a donc été décidé de s’en tenir au niveau OWL DL pour représenter aussi bien la ou les ontologies intermédiaires que l’ontologie du domaine.

3.2 – Construction d’une hiérarchie de classes OWL à partir de la structure logique

19La première étape de la démarche présentée dans cet article consiste à extraire, grâce à un programme Perl, la structure logique des 37 volumes de la Flore du Cameroun [3]. Chaque volume donne ainsi naissance à un document XML, et l’information structurée obtenue est alors utilisée pour amorcer la construction de l’ontologie. À ce stade on dessine en effet déjà les grandes lignes de cette dernière en s’appuyant directement sur la structure macroscopique du document XML (figure 4). Un programme XSLT très simple analyse le document XML et crée une classe OWL pour chaque élément espèce rencontré.

Figure 4

Aperçu général de la représentation des relations entre genres et espèces dans un volume de la Flore du Cameroun après conversion en XML

Aperçu général de la représentation des relations entre genres et espèces dans un volume de la Flore du Cameroun après conversion en XML

20Le découpage en genres/espèces représenté dans la structure logique de chaque document permet également d’initialiser la hiérarchie de classes de l’ontologie. La figure 5 montre la représentation OWL qui est obtenue pour le genre Diaphananthe. On voit que ce genre descend de la famille des Orchidaceae, et que ses espèces sont représentées par les sous-classes Diaphananthe pellucida, Diaphananthe bueae, etc.

Figure 5

Représentation OWL de la hiérarchie de classes

Représentation OWL de la hiérarchie de classes

21Dans un second temps, on s’intéresse de manière détaillée aux fiches décrivant les espèces. Comme le montre la figure 6, la structure de ces fiches suit un schéma assez facile à identifier : bibliographie, zone décrivant les caractéristiques physiques de la fleur, type, distribution géographique et écologie, etc.

Figure 6

Représentation XML de la structure logique d’une fiche décrivant une espèce. Les paragraphes situés dans l’élément description contiennent une description physique détaillée de l’espèce

Représentation XML de la structure logique d’une fiche décrivant une espèce. Les paragraphes situés dans l’élément description contiennent une description physique détaillée de l’espèce

22Ces informations, fournies directement par la structuration logique, permettent de considérer chaque espèce comme une classe OWL regroupant les individus ayant pour caractéristiques d’avoir une bibliographie associée, une distribution géographique, des spécificités écologiques et un ensemble d’organes. La description précise de ces derniers, qui intéresse en premier lieu les spécialistes du domaine, ne peut cependant être retrouvée qu’en analysant avec des outils linguistiques la zone, située au centre de chaque fiche, qui détaille les caractéristiques physiques de la fleur.

3.3 – Coopération entre structure logique et traitements morpho-syntaxiques

23Les techniques de TALN déjà présentées dans la section 2.3 peuvent être mises en œuvre pour contribuer à améliorer la modélisation initiale. En s’appuyant sur la connaissance de la structure, il est déjà possible de cibler les zones les plus appropriées à un traitement linguistique (notamment la zone de texte décrivant les caractéristiques physiques de la fleur, que l’on retrouve au milieu de chaque fiche) et de réserver un traitement à part à des zones ne relevant pas du langage naturel comme la bibliographie par exemple.

24Mais on peut faire coopérer encore plus étroitement linguistique et structure en affinant cette dernière. En effet, en nous concentrant sur la zone la plus riche en informations textuelles, à savoir la description des fleurs, l’analyse de cette dernière révèle une structure répétitive qui correspond à une énumération des composantes caractéristiques d’une orchidée, chaque composante faisant l’objet d’une description l’une à la suite de l’autre (ces composantes sont mises en évidence dans le texte de la figure 7).

Figure 7

Description des caractéristiques physiques d’une espèce

Description des caractéristiques physiques d’une espèce

25Le marquage de cette structure implicite fournit un contexte permettant d’utiliser de manière plus précise les informations morpho-syntaxiques. Il devient ainsi possible d’extraire les qualificatifs utilisés dans la description d’une fleur et de les rattacher aux composantes pour la description desquelles ils peuvent être utilisés. Par exemple, les adjectifs « ligulées-lancéolées », « bilobées », « trilobées » etc. sont adaptés à la description des feuilles d’une fleur alors que « multiflore » ne pourra pas être utilisé dans ce cadre mais sera un bon qualificatif de la composante « inflorescence ».

26Nous allons illustrer par un exemple la façon dont ces informations peuvent être obtenues. Pour chaque fiche, on soumet le texte de la zone de description d’une fleur à une analyse morpho-syntaxique qui produit des annotations similaires à celles qui ont été présentées dans la section 2.3.1. On exploite notamment le fait que l’analyse morpho-syntaxique effectuée par la chaîne de traitement développée par l’équipe ATOLL est censée déboucher sur une identification non ambiguë des signes de ponctuation dont le point final. De fait, cette identification s’est révélée extrêmement fiable dans le cadre du corpus que nous avons étudié. Ainsi, dans le flot des annotations syntaxiques, un point final est clairement identifié comme dans l’extrait ci-dessous :

27On peut alors, par un programme XSLT très simple, structurer finement le document en segmentant la description d’une fleur en zones correspondante à chacune des composantes de cette fleur. On isole par exemple dans une fiche la phrase nominale associée à un sépale dorsal et les annotations morpho-syntaxiques associées à cette composante de la fleur. La figure 8 montre ainsi le début des annotations qui ont été isolées pour la phrase nominale suivante :

28« Sépale dorsal ovale-lancéolé, aigu à acuminé, parfois obtus, mince, glabre, à 5 nervures non ramifiées ».

Figure 8

Début des annotations liées à la description d’un sépale dorsal

Début des annotations liées à la description d’un sépale dorsal

29Un filtrage linguistique simple basé sur les catégories et les accords permet de retrouver les adjectifs et les participes pouvant qualifier un sépale dorsal :

• « ovale-lancéolé »
• « aigu »
• « acuminé »
• « obtus »
• « mince »
• « glabre »

30On obtient ainsi par des traitements linguistiques et structurels très simples (étiquetage morpho-syntaxique, recherche de motifs, détection de la hiérarchie genre/espèce, etc.) une première ontologie « intermédiaire » dans le sens où, même si elle peut déjà présenter un certain intérêt pour les spécialistes de la flore, elle a surtout pour vocation de faciliter des traitements linguistiques plus complexes menés ultérieurement pour élaborer une ontologie complète du domaine. La nécessité d’une telle démarche incrémentale est mise en évidence dans la section suivante.

3.4 – Coopération entre traitements syntaxiques et ressources conceptuelles

31Pour chercher des informations complémentaires dans les descriptions de chaque composante, il est nécessaire d’identifier des relations qui ne se limitent pas aux liens gouverneur-gouverné entre mots proches dans la phrase. Par exemple, dans le texte suivant :

32« Sépale dorsal de 6-8,6 x 2,5-4,1 mm, ovale-lancéolé, aigu à acuminé, parfois obtus, mince, glabre, à 5 nervures non ramifiées »

33les informations mérologiques (le fait que le sépale possède 5 nervures) ne peuvent être détectées avec l’analyse linguistique de surface présentée dans la section précédente. Une analyse syntaxique plus poussée est nécessaire.

34Cependant, il n’est pas en général possible de déboucher sur des analyses non ambiguës en utilisant uniquement des ressources syntaxiques. Par exemple, Dans le cas d’une phrase comme « Feuilles aux nervures épaisses, légèrement acuminées », en l’absence de connaissances sur le domaine, il est impossible de savoir si « acuminées » se rapporte aux feuilles ou aux nervures. L’ontologie « intermédiaires » dont nous avons décrit la construction dans cette section contient précisément ce type d’informations et peut donc contribuer à améliorer la qualité d’une analyse syntaxique plus poussée des fiches botaniques.

35Dans les exemples qui précèdent, on voit que l’ontologie doit venir au secours de l’analyse linguistique, mais inversement on peut aussi dire que l’amélioration de l’analyse linguistique contribue à enrichir l’ontologie. Le problème évoqué ici rejoint la question plus générale de la coopération entre analyse syntaxique et ressources conceptuelles, un domaine encore peu exploré comme cela est souligné dans (Sagot et al., 2004).