Historique de cette documentation
Si vous cherchez une information particulière et ne
connaissez rien à Lexique, nous vous conseillons de procéder de la façon
suivante :
-
lisez ce manuel (dans les grandes lignes) afin de
o
déterminer dans quelle base se trouve l’information
que vous cherchez (le plus souvent c’est la base Graphemes)
o
comprendre comment cette base est structurée (quel
sont le ou les champs dont vous avez besoin)
o
déterminer quelle recherche vous allez utiliser
(online ou offline). Essayez d’abord la recherche online et si vous ne pouvez
utiliser celle-ci pour avoir l’information qui vous intéresse, essayez alors l’interrogation offline. (Undows)
Si vous avez un problème, faites d’abord une recherche sur
le forum. Si vous ne trouvez
pas de réponse à votre question, n’hésitez pas à la poster.
TABLE DES MATIERES
Introduction rapide pour le nouveau venu 2
1 Description du corpus original 6
2 Calcul des fréquences 6
2.1 Fréquences à partir d'un corpus de
textes 6
2.2 Fréquences à partir des pages web 7
3 Obtention des autres descripteurs 8
3.1 Catégorie grammaticale, genre et
nombre 8
3.2 Acquisition de la forme
phonologique 9
4 Organisation de la base 9
4.1 Organisation de la table Graphemes 10
4.2 Organisation de la table Lemmes 17
4.3 Organisation de la table Surface 19
4.4 Organisation du dossier Surface 20
4.4.1 Bigr.txt 20
4.4.2 BigrMoy.txt 20
4.4.3 BigrMots.txt 21
4.4.4 BigrMotsMoy.txt 21
4.4.5
Calculs à partir de la dernière position 21
5 Les autres bases 22
6 Disponibilité et site web 22
7 Licence 23
8 Les outils 23
8.1 Les outils "en ligne" 23
8.2 Open Lexique 27
8.3 Les outils "hors
ligne" : Undows 28
8.4 Évolutivité 29
9 Conclusion 30
TABLE des TABLEAUX
Tableau 1 Présentation d'un extrait de Graphemes.txt 11
Tableau 2 Codes phonémiques. 12
Tableau 3 Codes des catégories
grammaticales. 13
Tableau 4 Codes utilisés pour le genre. 13
Tableau 5 Codes du champ nombre. 14
Tableau 6 : Nombre de mots dans
Graphemes en fonction du nombre de syllabes et du nombre de lettres. 16
Tableau 7: Présentation d'un extrait de
Lemmes.txt 18
Tableau 8: Gros plan sur un
verbe:"abaisser". 18
Tableau 9 Présentation du mot abaissa
dans la table Surface. 20
Tableau 10: Présentation de la table
Bigr.txt 20
Tableau 11: Présentation du bigramme ab
dans la table BigrMoy.txt 21
Tableau 12: Présentation de la table
BigrMots.txt 21
Tableau 13: Présentation du mot abaissa
dans la table BigrMotsMoy.txt 21
Tableau 14 Présentation des opérateurs
utilisés dans recherches simples. 24
Tableau 15 Présentation des opérateurs
utilisés dans les expressions régulières. 26
TABLE des FIGURES
Figure 1 Nuages de points présentant
les corrélations entre les fréquences basées sur Brulex, Frantext
et les fréquences basées sur le web 9
Figure 2 : Histogramme des
fréquences Frantext pour les mots de fréquence supérieure à 1. 16
Figure 3 Exemple de requête de type
"Recherche par Mots". 26
Figure 4 Exemple de requête effectuée
sur la base Graphemes. 28
Figure 5 Résultats obtenus suite à la
requête présentée dans la Figure 3. 29
Figure 6 Exemple de recherche
utilisant les possibilités d'Open Lexique. Nous demandons ici tous les
mots de 2 syllabes selon Graphemes qui ont 3 homographes selon Brulex. 30
Figure 7 Exemples de requêtes effectué
"hors ligne". 31
Une base de données lexicales pour la langue
française: Lexique 2
Pendant longtemps, les psycholinguistes ont sélectionné
manuellement le matériel verbal dans le Trésor de la Langue Française
(Imbs, 1971). Leur travail a été grandement facilité quand Content, Mousty et
Radeau (1990) ont mis à leur disposition Brulex, une base de données
informatisée regroupant les 35 746 entrées lexicales du Petit Robert
et leurs fréquences selon le TLF. Ces fréquences étaient estimées sur un
corpus de textes littéraires datant de 1919 à 1964 et comprenant
26 millions de mots. Une limitation notable de Brulex était
l’absence des formes fléchies telles que les verbes conjugués ou certaines
formes écrites plurielles ou féminines. Cela pose problème par exemple pour
toutes les études concernant les formes fléchies en français ou pour estimer
des fréquences d’unités telles que les syllabes. NOVLEX, une base de
données plus récente (Lambert et Chesnet, 2001), fournit les formes fléchies
mais se fonde sur un corpus spécialisé de textes pour enfants de 417 000 mots.
C’est pourquoi nous avons entrepris de construire une nouvelle base de données
avec des estimations de fréquences plus complètes, plus actuelles, et
comprenant les formes fléchies.
1 Description du corpus original
Afin de constituer la base initiale de mots, nous avons
sélectionné dans la base Frantext les textes publiés entre 1950 et
2000 : cela représentait un corpus de 31 millions d’items. Frantext
est une base de données textuelles regroupant 3 200 textes représentatifs du
français des 19e et 20e siècle, développée par l'INALF-Nancy, devenu
aujourd'hui l'ATILF. Ces textes étaient
essentiellement des romans, mais comprenaient également quelques recueils de
poésie, des essais et des traités scientifiques ou techniques. Nous avons
obtenu une liste de 246 000 items distincts ainsi que leur fréquence (Le
logiciel d’interrogation ne traitait malheureusement pas correctement les noms
composés : un mot comme « garde-manger » était identifié comme
deux items distincts « garde » et « manger »). Ces items
comprenaient des symboles (dont la ponctuation), des abréviations, des mots
étrangers et des noms propres. Pour "nettoyer" cette liste, nous
avons employé le dictionnaire Francais-Gutenberg 1.0
(Pythoud, 1996) et le dictionnaire Le Grand Robert (Robert, 1996). Le
résultat de ce filtrage a produit une liste de 130 000 items ayant des formes
orthographiques distinctes.
La fréquence des mots joue un rôle fondamental dans la
plupart des tâches psycholinguistiques (voir Monsell, 1991 pour une synthèse).
De nombreuses études ont montré que les performances étaient meilleures pour
les mots de haute fréquence que pour les mots de basse fréquence, que cela soit
en terme de nombre d’erreurs ou de temps de réaction. Cependant, d’autres
facteurs comme l’âge d’acquisition, ou la familiarité, généralement très
corrélés avec la fréquence d’usage, interviennent (Morrison et Ellis,
1995 ; Connine, Mullenix, Shernoff et Yelen, 1990). Pour décorréler ces
différents facteurs, il est primordial d’avoir de bonnes estimations de chacun
d’entre eux.
Dans Lexique, nous proposons deux estimateurs des
fréquences d’usage : le premier est fondé sur le corpus initial de Frantext,
constitué de textes littéraires ; le second repose sur le nombre de pages
web françaises contenant un mot donné. Ce deuxième estimateur, fondé sur quinze
millions de pages web, nous a paru constituer une source d’information
supplémentaire sur l’usage du français.
Plus précisément, nous avons
soumis au moteur de recherche FastSearch,
les 130 000 formes orthographiques obtenues à partir du corpus Frantext.
Nous avons choisi ce moteur en raison de son indication précise du nombre de
pages contenant le mot recherché (Google p. ex. ne donne que des
approximations), et du fait qu'il différencie les caractères accentués des
caractères non accentués. En revanche, il n'effectue pas de différenciation
entre les majuscules et les minuscules tout comme nos fréquences basées sur Frantext.
L’interrogation était effectuée sur les 15 millions de pages françaises
répertoriées, en mode SafeSearch pour éviter la sur-représentation des
mots à connotation sexuelle. Pour chaque mot a été obtenu le nombre de pages
dans lesquelles celui-ci apparaissait ; il ne s’agit donc pas exactement
de la fréquence lexicale de la forme, mais néanmoins d’un estimateur de l’usage
de ce mot. Par exemple, des mots tels que publicité, entreprise
ou télévision se retrouvent avec des fréquences comparables à celles de
mots tels que champ, arbre ou chaise selon FastSearch,
mais avec des fréquences très divergentes selon Frantext. D'autres items
tels que kiwi sont extrêmement rares selon Brulex ou Frantext
alors que FastSearch les considère, de façon plus réaliste, comme
"plutôt rares". Pour comparer ces deux estimations de fréquence entre
elles et par rapport aux fréquences du TLF, nous avons construit le diagramme
de corrélation de la Figure 1 à partir du logarithme des fréquences de 23 440 items selon le TLF, Frantext et FastSearch.
Figure 1 Nuages de points présentant les corrélations entre les fréquences basées sur Brulex, Frantext
et les fréquences basées sur le web
Plus récemment, Blair, Urland et Ma (2002) ont effectué une
comparaison sur 400 mots anglais entre les fréquences obtenues en nombre de
hits de 4 moteurs de recherche (AltaVista, Northern Light, Excite
et Yahoo!), et les fréquences fondées sur des bases de textes (Francis
et Kucera, 1982; et Baayen, Piepenbrock, et van Rijn, 1993). Ces auteurs
observent une forte corrélation entre les différents moteurs et les bases de
textes. Le web étant plus versatile que les bases de textes, ils vont aussi interroger
à nouveau ces moteurs 6 mois plus tard et constater que les fréquences n'ont
pas significativement changé. En revanche, ils constatent une corrélation
moyenne (entre 0,45 et 0,49) entre ces différentes bases et l'indice de
familiarité donné par les sujets. Cette corrélation est tout aussi importante
pour les fréquences estimées par les moteurs de recherche que pour celles
données par les bases de textes.
Ils en concluent que même si l'indice fréquentiel (nombre de
pages contenant ce mot) donné par les moteurs de recherche n'est pas le même
que celui donné par les bases de textes (nombre de mots apparaissant dans le
corpus), cet indice semble tout aussi représentatif que celui donné par les
corpus de textes.
3 Obtention des autres
descripteurs
Pour obtenir la catégorie grammaticale, le genre, le nombre
et le lemme des mots (un lemme est le mot choisi pour représenter toute une
famille de formes apparentées. Par exemple: manger est le lemme de mangea,
mangeait, …etc.), nous avons utilisé conjointement le Grand Robert,
et les deux lemmatiseurs: Tree Tagger
de Helmut Schmid et Flemm 2.0
(Namer, 2000). En effet, aucune de ces sources seules ne permettait d'avoir une
information suffisamment complète.
Dans une troisième étape, nous avons dérivé la forme
phonologique de nos entrées grâce au logiciel LAIPTTS 1.13. Ce
logiciel utilise un noyau de 500 règles de conversion graphème-phonème rendant
compte de plus de 86% des prononciations. Afin de traiter les exceptions, il
dispose aussi d’un dictionnaire composé de 6 000 mots ayant des prononciations
exceptionnelles. Sur 4 000 phrases du quotidien Le Monde, l’auteur
rapporte que son logiciel a un taux d’erreur de 0,001 %.
Or ce logiciel (LAIPTTS) était un logiciel prévu pour
générer de la parole à partir de textes continus et non de mots isolés.
Peereman et Dufour (sous presse) ont examiné, une fois la première version de Lexique
rendue publique, les codes phonémiques donnés par Lexique en les
comparant aux notations phonémiques données par Brulex (elles-mêmes
basées sur le dictionnaire Le Petit Robert). Ils ont ainsi détecté 2 500
différences (sur les 30 000 entrées que contient Brulex) de
codifications phonémiques entre Lexique et Brulex. Ces 2 500
différences relevaient soit de mots à prononciation exceptionnelle, soit de
problèmes de règles de conversion utilisées par le logiciel. Ils ont donc
corrigé ces entrées. Ils ont aussi retraité l'ensemble des codes phonémiques
pour le positionnement des schwas. Afin de rendre les codes phonémiques les
plus cohérents possibles, les auteurs de ces corrections ont aussi supprimé la
distinction entre les deux types de "a" et les deux types de
"o", les deux types de "r", l'arrêt glottique, ainsi que la
marque d'aspiration "h".
Le site http://leadserv.u-bourgogne.fr/bases/lexiquecorr/
met à disposition un document décrivant les corrections réalisées, les scripts
de correction utilisés ainsi que l'ensemble des correctifs. Ces corrections ont
été intégrées à la version 2 de Lexique.
4 Organisation de la base
Etant donné le grand nombre d'informations disponibles, nous
avons choisi pour des raisons d'accessibilité et de lisibilité de diviser notre
base en trois tables principales :
- Graphemes.txt : une base organisée à
partir des formes orthographiques qui comprend environ 129 000 entrées.
- Lemmes.txt : une base organisée à
partir des lemmes qui comprend environ 54 000 entrées. Nous avons choisi la
forme "infinitif" pour les verbes et la forme "masculin
singulier" pour les participes passés, adjectifs et noms.
- Surface.txt: une base qui résume les
statistiques fréquentielles concernant les lettres, bigrammes, trigrammes,
phonèmes et syllabes pour chaque mot. Elle comprend 129 000 entrées tout comme graphemes.txt.
Ces tables sont fournies sous forme de fichiers textes, les
champs étant séparés par des tabulations. Cela permet de les importer
facilement avec la plupart des logiciels. Deux dossiers supplémentaires, Surface
et Outils, contiennent respectivement des informations fréquentielles
détaillées à propos des lettres, bigrammes, trigrammes, phonèmes et syllabes,
et des outils facilitant l’utilisation des tables.
4.1 Organisation
de la table Graphemes
La table Graphemes est présentée dans le fichier graphemes.txt.
C'est la base à partir de laquelle nous avons créé les autres bases (Lemmes
et Surface p.ex.). Nous allons présenter dans cette partie une
description des différents champs qui constituent cette base.
La Tableau 1 présente les différents champs de cette table pour quelques items.
-Graphie (graph): La graphie est la forme
orthographique du mot (p. ex.chienne)
-Phonie (phon): Les codes phonémiques utilisés sont
présentés dans le Tableau 2
Tableau 2 Codes phonémiques
|
Codes Lexique
|
Exemples
|
Sons nommés
|
|
Codes Lexique
|
Exemples
|
Sons nommés
|
|
Voyelles
|
|
|
|
Consonnes
|
|
|
|
a
|
bat, plat
|
a
|
|
p
|
père, soupe
|
p (occlusive)
|
|
i
|
lit, émis
|
i
|
|
b
|
bon, robe
|
b (occlusive)
|
|
y
|
lu
|
u
|
|
t
|
terre, vite
|
t (occlusive)
|
|
u
|
roue
|
ou
|
|
d
|
dans, aide
|
d (occlusive)
|
|
O
|
éloge, peau
|
o (fermé ou ouvert)
|
|
k
|
carré, laque
|
k (occlusive)
|
|
e
|
été
|
e-fermé
|
|
g
|
gare, bague
|
g (occlusive)
|
|
E
|
paire, treize
|
e-ouvert
|
|
f
|
feu, neuf
|
f (fricative)
|
|
*
|
premier, abattre
|
schwa
|
|
v
|
vous, rêve
|
v (fricative)
|
|
2
|
deux
|
e-fermé
|
|
s
|
sale, dessous
|
s (fricative)
|
|
9
|
œuf, peur
|
e-ouvert
|
|
z
|
zéro, maison
|
z (fricative)
|
|
5
|
cinq, linge
|
in (voy. nasale)
|
|
S
|
chat, tâche
|
ch (fricative)
|
|
1
|
un, parfum
|
un (voy. nasale)
|
|
Z
|
gilet, mijoter
|
ge (fricative)
|
|
@
|
ange
|
an (voy. nasale)
|
|
m
|
main, femme
|
m (cons. nasale)
|
|
§
|
on, savon
|
on (voy. nasale)
|
|
n
|
nous, tonne
|
n (cons. nasale)
|
|
o
|
minoen
|
o d’origine étrangère
|
|
N
|
agneau, vigne
|
gn (c. nasale palat.)
|
|
Semi-Voyelles
|
|
|
|
l
|
lent, sol
|
l (liquide)
|
|
j
|
yeux, paille
|
y (semi-voyelle)
|
|
R
|
rue, venir
|
R
|
|
8
|
huit, lui
|
ui (semi-voyelle)
|
|
x
|
jota
|
jota (emprunt espagn.)
|
|
w
|
oui, nouer
|
w (semi-voyelle)
|
|
G
|
camping
|
ng (emprunt angl.)
|
|
|
|
|
|
h
|
hachoir
|
h aspiré
|
- Classe grammaticale (cgram) : Si une même entrée
peut appartenir à plusieurs classes grammaticales différentes, celles-ci sont
séparées par un point-virgule. Les différents codes utilisés pour représenter
les catégories grammaticales sont présentés dans le Tableau 3.
Tableau 3 Codes des catégories grammaticales
|
Abréviations
|
Signification
|
|
ABR
|
Abréviations
|
|
ADJ
|
Adjectif
|
|
ADV
|
Adverbe
|
|
Cond
|
Conditionnel
|
|
CONJ
|
Conjonction
|
|
demo
|
démonstratif
|
|
DET
|
Déterminant
|
|
EXCLAM
|
Exclamation
|
|
Futu
|
Futur
|
|
Imp
|
Impératif
|
|
Impf
|
Imparfait
|
|
Ind
|
Indicatif
|
|
Indef
|
indéfini
|
|
Infi
|
Infinitif
|
|
INT
|
Interjection
|
|
invar
|
Une des formes est invariable
|
|
LOC
|
Locution
|
|
NOM
|
Nom
|
|
ONOMAT
|
Onomatopée
|
|
pers
|
Pronom personnel
|
|
poss
|
Pronom possessif
|
|
Pper
|
Participe passé
|
|
Ppre
|
Participe présent
|
|
Pr
|
Présent
|
|
PRE
|
Préposition
|
|
PREF
|
Préfixe
|
|
PRO
|
Pronom
|
|
Ps
|
Passé simple
|
|
Sub
|
Subjonctif
|
|
SUFFIXE
|
Suffixe
|
|
SYM
|
Symbole
|
|
VER
|
Verbe
|
- Genre (genre) : Les différents codes utilisés pour
représenter le genre sont présentés dans le Tableau 4.
Tableau 4 Codes utilisés pour le genre
|
m
|
masculin
|
|
f
|
féminin
|
|
é
|
épicène
|
(Un épicène est un mot dont la forme ne varie pas avec le
genre (p. ex. pianiste))
- Nombre (nombre) : Les codes utilisés pour
représenter le singulier, le pluriel, etc. sont indiqués dans le Tableau 5.
Tableau 5 Codes du champ nombre
|
s
|
Singulier
|
|
p
|
Pluriel
|
|
(p)
|
probablement pluriel mais peut aussi être pluriel ou
singulier (vieux)
|
|
1s
|
1ère personne du singulier
|
|
2s
|
2ème personne du singulier
|
|
3s
|
3ème personne du singulier
|
|
1p
|
1ère personne du pluriel
|
|
2p
|
2ème personne du pluriel
|
|
3p
|
3ème personne du pluriel
|
- Lemme (lemme) : Le lemme est la forme canonique,
c’est à dire l’infinitif pour un verbe, la masculin singulier pour un nom ou un
adjectif. Par exemple, l'item chienne a pour lemme chien.
- Nombre aléatoire (rand) : Un nombre aléatoire tiré
entre 1 et 1 000 000. Si vous utilisez cette colonne afin de trier les
résultats obtenus, vous pouvez ainsi obtenir des items dont les premières
lettres sont distribuées dans la totalité de l'alphabet (ce peut être très
utile lors de la constitution du matériel d'une expérience).
- Fréquence par million selon Frantext (freqfrant)
: Elle correspond à la fréquence fournie par Frantext, normalisée par
une division par 31 (le corpus original comprenant 31 millions d'occurences).
La somme des fréquences de ce champs ne fait pas un million en raison du
premier filtrage effectué. En effet, après avoir collecté toutes les formes
orthographiquement distinctes présentes dans la base de textes Frantext, nous
avons dû enlever de cette liste toutes les formes étrangères, noms propres,
etc.
Figure 2 : Histogramme des
fréquences Frantext pour les mots de fréquence supérieure à 1
Ce graphique indique qu’entre : (les fréquences sont
données en occurrences par millions)
0 et 1: 98 000 mots
1 et 3 : 15 000 mots
3 et 10 : 9 000 mots
10 et 31 : 4000 mots
31 et 100 : 1600 mots
100 et plus : 700
-Fréquence par million de pages selon FastSearch (freqweb)
: Le nombre de pages web par million où ce mot apparaît, selon FastSearch
(sur un corpus de 14,27 millions de pages).
- Nombre de lettres (nblettres)
Tableau 6 : Nombre de mots
dans Graphemes en fonction du nombre de syllabes et du nombre de lettres
- Nombre de phonèmes (nbphons) : C'est le nombre de
phonèmes d'après la représentation phonologique présentée dans le champ phon.
- Structure orthographique (cvcv) : Elle décrit la
structure orthographique. Les voyelles sont notées V, les consonnes sont
notées par C. Ainsi chienne est représentée par ccvvccv.
-Structure de la forme phonologique (p-cvcv) : C'est
un découpage du mot en voyelles (V) et consonnes (C) selon sa
représentation phonologique.
-Point d’unicité orthographique (puorth) : Le point
d’unicité orthographique correspond au rang de la lettre en partant de la
gauche à partir duquel le mot peut être identifié sans ambiguïté. Nous avons
calculé les points d'unicité pour les sur la base des lemmes pour que les
formes plurielles ne parasitent pas les calculs (sinon toutes les formes ayant
un pluriel ont un point d'unicité égale à leur longueur).Pour les formes
orthographiques n'étant pas lemme, le point d'unicté est de 0. [avant la
version 2.60 les voisins n’étaient pas calculés sur les lemmes mais sur toutes
les entrées de graphemes]
- Point d’unicité phonologique (puphon) : Le point
d’unicité phonologique correspond au rang du phonème en partant de la gauche à
partir duquel le mot peut être identifié sans ambiguïté. Le point d'unicité
phonologique a aussi été calculé sur la base des lemmes. Pour certains lemmes
très rares nous n'avions pas leurs représentations phonologiques (les
représentations phonologiques ont été calculées sur les formes
orthographiques). Pour les formes orthographiques n'étant pas lemmes, ou pour
les formes dont le lemme dont nous n'avons pas de représentation phonologique,
le point d'unicité phonologique est donc de 0.
- Syllabation (syll) : Les formes phonologiques ont
été syllabées selon un algorithme de syllabation décrit dans Dufour, Peereman,
Pallier et Radeau (sous presse). Une version mise à jour de l’article décrivant
l’algorithme utilisé est présente à l’adresse
suivante En résumé, nous avons retenu la syllabation adoptée par Pallier
(1994). La syllabation est calculée sur la représentation phonologique présente
dans Lexique dont on a enlevé les schwas finaux. Cette syllabation est
basée sur le principe général d'une segmentation syllabique entre deux
consonnes sauf dans les cas des occlusives + liquides ou d'une fricative
labio-dentale suivie d'une liquide. Le script de syllabation (syllabation.awk)
est distribué avec lexique.
- Nombre de syllabes (nbsyll)
- Structure phonologique syllabique (cv-cv) : Elle
décrit la structure phonologique du mot syllabé. Les consonnes sont notées C,
les voyelles sont notées V et les semi-voyelles Y
- Nombre de voisins orthographiques (voisorth) : Le
nombre de voisins orthographiques calculés selon toutes les entrées de la base Graphemes.
Les voisins orthographiques d’un mot sont les mots qui peuvent être créés en
changeant une lettre sans modifier pour autant la position des autres lettres
(Coltheart, Davelaar, Jonasson et Besner, 1977). Par exemple, les mots vidé,
et aidé sont tous des voisins orthographiques du mot aidé. Les
différents voisins de chaque mot sont présentés dans la table Voisins (que l'on
peut télécharger sur http://www.lexique.org).
- Nombre de voisins phonologiques (voisphon) : Les
voisins phonologiques d'un mot sont des mots qui peuvent être créés en
changeant un phonème sans modifier les autres. Ils ont aussi été calculés à
partir des entrées phonologiques de la base Graphemes.
- Représentation orthographique inversée (orthrenv) :
Ex: erbra (arbre). Ce type de champs, une fois trié, est très utile pour
les personnes travaillant sur les terminaisons (p.ex. en morphologie)
- Représentation phonologique inversée (phonrenv) :
Ex: RbRa (aRbR). Même champs que précédemment mais pour la
représentation phonologique.
4.2 Organisation de
la table Lemmes
La table Lemmes est présentée dans le fichier Lemmes.txt.
La base Lemmes a été créée à partir de Graphemes. Nous allons
présenter dans cette partie une description des différents champs qui constituent
cette base.
Le Tableau 7 présente les différents champs de cette table pour quelques items.
- Lemme (lem) : Cette base est organisée selon ce
champs qui est le lemme.
- Graphies (graph) : Ce champs présente les graphies
des formes fléchies associées à ce lemme. Ainsi pour le lemme chien, les
graphies sont chien, chienne, chiens et chiennes.
Les champs qui suivent présentent l'information de
Graphemes.txt pour chacune des formes fléchies.
- Phonies (phon)
- Classes grammaticales (cgram)
- Genre (genre)
- Nombre (nombre)
- La fréquence cumulée du lemme selon Frantext (frantfreqcum)
: C'est la somme des fréquences des formes orthographiques (calculées
ci-dessous).
- La fréquence des formes orthographiques selon Frantext
(frantfreqgraph) : Ce sont les fréquences des formes fléchies du lemme.
Ainsi le lemme arbre ayant deux formes fléchies arbre et arbres,
nous affichons 8 004.64;8 448.17
- La fréquence cumulée du lemme selon FastSearch (fsfreqcum)
- La fréquence des formes orthographiques selon FastSearch
(fsfreqgraph)
4.3 Organisation de
la table Surface
Le fichier Surface.txt résume l'information
concernant les fréquences des lettres, bigrammes, trigrammes, phonèmes et
syllabes pour chaque item de Graphemes.txt.
Afin d’effectuer ce résumé, nous avons tout d’abord calculé
la fréquence cumulée de chaque unité (lettre, bigramme, etc.) pour chaque
position. Pour ce faire, nous avons sommé la fréquence du mot où cette lettre
apparaissait à telle ou telle position. Une fois obtenues ces fréquences par
position, la fréquence d’un mot présentée dans la base Surface
correspond à la moyenne de la fréquence des unités le composant.
Par exemple, la fréquence du champs GrTok pour abaissa
correspond à la moyenne des fréquences de a en première position, b
en deuxième, etc.
Tableau 9 Présentation du mot abaissa dans la table Surface
|
Graph
|
GrTok
|
GrTokEt
|
BigrTok
|
BigrTokEt
|
TrigrTok
|
TrigrTokEt
|
PhonTok
|
PhonTokEt
|
SyllTok
|
SyllTokEt
|
|
abaissa
|
28950.19
|
16528.04
|
