Résumé: La traduction automatique des textes d'origine humaine est une application fort complexe appelée à appréhender les univers textuels ouverts, sans aucune contrainte quant à leur nature ou à leur diversité. Pour résoudre cette problématique, plusieurs tentatives ont été entamées ayant à chaque fois pour objectif l'obtention d'une meilleure qualité de traduction. Mais devant les diverses ambiguïtés de la langue naturelle, ce problème de traduction est loin d'être simple à résoudre. En effet, en absence de maîtrise du contexte la plupart des phrases sont ambiguës. C'est pour cette raison, que les recherches actuelles dans ce domaine se sont orientées d'abord vers la maîtrise du sens véhiculé par les phrases avant de procéder au processus même de la traduction. En effet, traduire sans comprendre mène directement vers un échec. Pour ce faire, et dans le but d'augmenter la qualité de traduction, nous proposons une approche neuronale pour la génération des différents cas sémantiques relatifs aux différents composants de la phase pour cerner d'abord le sens et de générer ensuite la traduction dans la langue cible. Ce qui nous a permis d'obtenir des résultats satisfaisants, comparativement à des travaux similaires utilisant d'autres techniques. Effectivement, les techniques connexionnistes sont robustes, elles ont la réputation d'offrir de bonnes capacités elles sont parallèles et elles s'appuient sur les notions de calcul réparti et de raisonnement distribué. Dans notre approche, nous utilisons un apprentissage supervisé par un réseau simplement récurrent (SRN) pour apprendre les techniques de traduction avec une performance similaire à celle des humains, ce qui constitue une première phase de notre système, celle de l'apprentissage. Une deuxième phase du système constitue la partie test et généralisation pour mesurer le degré de généralisation du réseau par rapport à ce qu'il a appris durant la phase d'apprentissage. Le réseau de neurones utilisé, tient compte de la représentation approfondie en utilisant les cas sémantiques et la représentation surfacique en utilisant les éléments qui indiquent la forme de la phase.

Biskra:
Langue: Français
Collation: 121 p. ill. ;30 cm.
Diplôme: Magister
Etablissement de soutenance: Biskra, Université Mohamed Khider. Faculté des Sciences et Sciences de l'Ingenieur
Spécialité: Intelligence Artificielle
Index décimal 621 .Physique appliquée (électrotechnique, génie civil, génie mécanique, ingénierie appliquée, principes physiques en ingénierie)
Thème Informatique

Mots clés:
généralisation
Apprentissage
traduction automatique
langage naturel
réseaux de neurones

Note: Bibliogr. pp.106-108; Annexe pp.112-121