ANTILLES : Un corpus ouvert français enrichi linguistiquement pour la morpho-syntaxe

L’analyse morphosyntaxique par étiquetage des parties du discours (POS) constitue une tâche classique du traitement automatique du langage (NLP). Bien que de nombreux outils et corpus aient été proposés, notamment pour les langues les plus parlées, ceux-ci souffrent souvent de limitations liées à leur licence d’utilisation, à la taille de leur ensemble d’étiquettes (tagset), ou encore à des approches dépassées par rapport à l’état de l’art. Dans cet article, nous proposons ANTILLES, une version étendue d’un corpus français existant (UD French-GSD), intégrant un ensemble original d’étiquettes obtenues grâce à des caractéristiques morphologiques (genre, nombre, temps, etc.). Cette version étendue comporte 65 étiquettes, contre 16 dans la version initiale. Nous avons également mis en œuvre plusieurs outils d’étiquetage POS pour le français à partir de ce corpus, en intégrant les avancées les plus récentes de l’état de l’art dans ce domaine. Le corpus ainsi que les outils d’étiquetage POS sont entièrement ouverts et disponibles gratuitement.