Constitution et traitement d’un corpus bilingue d’articles scientifiques
Résumé
Nous présentons dans cet article un outil dédié à la constitution de corpus parallèles alignés constitués à partir de l’aspiration de sources sur le Web. Nous montrons comment cet outil a permis de constituer un corpus aligné anglais-français pour un type de texte difficile à trouver en version bilingue, à savoir les articles scientifiques. Moyennant l’élaboration de chaînes de traitement basées sur l’écriture d’expressions régulières (dédiées à la définition des urls à aligner et à l’extraction des contenus) nous avons pu constituer, lors d’une première campagne, un corpus parallèle d’environ 4 millions de mots dans chaque langue, formaté en XML-TEI et TMX.
Abstract
In this article, we present a tool dedicated to the creation of aligned parallel corpora based on sources downloaded from the Web. We show how this tool has made it possible to build an English-French aligned corpus for a genre of text that is difficult to find in bilingual versions, namely scientific articles. By developing pipelines based on simple rules that use regular expressions (for instance to define aligned urls or to extract content) we were able to build, during a first campaign, a parallel corpus of about 4 million words in each language, formatted in XML-TEI and TMX.
Lire le chapitre

PDF de 13 pages, tel qu’imprimé dans l’ouvrage, pages 337 à 349. En libre accès.
Pas encore de consultation enregistrée.