[
next
] [
prev
] [
prev-tail
] [
tail
] [
up
]
Table des figures
1
Architecture g
én
érale d’un syst
ème de dialogue
1.1
Exemple
de Mod
èle de Markov pour un phon
ème
2.1
Exemple d’un arbre d’analyse
s
émantique
2.2
Architecture reconnaissance/compr
éhension en une passe
2.3
Architecture
reconnaissance/compr
éhension en deux passes
2.4
Processus de compr
éhension du syst
ème
Philips
2.5
Application du ULM pour la compr
éhension d’une phrase avec la structure
s
émantique mod
élis
ée par les r
ègles PCFG et quelques
él
éments lexicaux, tels que « la
th
èse termin
ée »
par des
N
-grammes
3.1
Automate associ
é
à l’expression r
éguli
ère
3.2.4
3.2
Automate d
éterministe associ
é
à l’expression r
éguli
ère 3.2.4
3.3
Exemple
d’automate
A
1
acceptant un langage
L
1
3.4
Exemple d’automate
A
2
acceptant un langage
L
2
3.5
Exemple d’automate
A
1
∪
2
union des automates
A
1
et
A
2
3.6
Exemple d’automate
A
1
∪
2
d
éterministe
3.7
Exemple d’automate
A
1
∩
2
intersection des automates
A
1
et
A
2
3.8
Exemple d’automate
A
1
∩
2
diff
érence entre les automates
A
1
et
A
2
3.9
Exemple
de transducteur
T
1
3.10
Exemple de transducteur
T
2
3.11
Exemple de transducteur
T
1
∘
2
r
ésultant de la composition entre les transducteurs
T
1
et
T
2
3.12
Sch
éma simplifi
é
d’un arbre de classification s
émantique
3.13
Algorithme AdaBoost
3.14
Projection des
donn
ées d’entr
ée dans un espace o
ù elles sont lin
éairement s
éparables
3.15
Hyper-plan
optimal et marge maximale
4.1
R
épartition des phrases du corpus d’apprentissage AGS
en fonction du nombre de mots qui les composent
4.2
R
épartition des phrases de r
éf
érence
du corpus de test AGS en fonction du nombre de mots qui les composent
4.3
R
épartition
des phrases de r
éf
érence du corpus d’apprentissage PlanResto en fonction du nombre
de mots qui les composent
4.4
R
épartition des phrases de r
éf
érence du corpus de
d
éveloppement Planresto en fonction du nombre de mots qui les composent
4.5
R
épartition
des phrases de r
éf
érence du corpus de test Planresto en fonction du nombre de mots
qui les composent
4.6
R
épartition des phrases de r
éf
érence du corpus de d
éveloppement
Planresto en fonction du nombre de concepts qui les composent
4.7
R
épartition des
phrases de r
éf
érence du corpus de test Planresto en fonction du nombre de concepts qui
les composent
5.1
Exemple d’automate repr
ésentant le concept de
lieu
5.2
Exemple
d’automate repr
ésentant le concept de
prix
5.3
Automate du mod
èle FILLER
5.4
Topologie
de
T
concept
5.5
Automate du mod
èle FILLER acceptant au minimum un mot
5.6
Topologie
finale de
T
concept
5.7
Exemple d’automate repr
ésentant le concept de lieu
5.8
Automate
repr
ésentant les chemins
à soustraire au FILLER
5.9
Mod
èle FILLER apr
ès soustraction
de l’automate des lieux
5.10
Transducteur listant les chemins interdits pour le concept
LIEU
5.11
Transducteur listant les chemins interdits pour le concept PRIX
5.12
Exemple
de graphe de mots
G
W
g
én
ér
é par le module RAP
5.13
Exemple d’un transducteur
T
WC
correspondant
à la composition d’un accepteur repr
ésentant un graphe de mots g
én
ér
é
par le module RAP et un transducteur mots-concepts
T
Concept
5.14
Exemple d’accepteur
G
C
obtenu en projetant le transducteur
T
WC
sur les symboles de sortie
5.15
Liste
des
N
-meilleures interpr
étations conceptuelles
I
i
avec leur accepteur correspondant
G
W
i
5.16
Liste des
N
-meilleures interpr
étations (avec leur accepteurs correspondants)
apr
ès application de relations s
émantiques
à la liste des
N
-meilleures de la figure
5.15
5.17
Comparaison du plus faible UER (Oracle UER) dans une liste des
N
-meilleures
hypoth
èses et une liste structur
ée
5.18
Comparaison de la r
éduction d’erreur relative
pour l’UER et le WER obtenue en choisissant manuellement l’hypoth
èse Oracle en
fonction de l’UER dans une liste standard et structur
ée
5.19
Comparaison de la r
éduction
d’erreur relative pour l’UER et le WER obtenue en choisissant manuellement l’hypoth
èse
Oracle en fonction du WER dans une liste standard et structur
ée
5.20
Exemple de liste structurée
7.1
Strat
égie d’interpr
étation par arbre de d
écision avec une Unit
é
de D
écision (DU
i
) validant l’interpr
étation
Γ
en accord avec
L
nbest
et le contexte du
dialogue
Dc
7.2
Proc
éd
é de validation de l’unit
é de d
écision
DU
1
7.3
Comparaison du
score
S
du
2
avec la mesure
AC
sur leur capacit
é
à diagnostiquer un concept
7.4
Proc
éd
é
de validation de l’unit
é de d
écision
DU
2
7.5
Strat
égie d’interpr
étation avec les unit
és
de d
écision
DU
1
et
DU
2
7.6
R
ésultats de la strat
égie d’interpr
étation pour les unit
és
de d
écision
DU
1
et
DU
2
sur le corpus de d
éveloppement
7.7
R
ésultats de la strat
égie
d’interpr
étation pour les unit
és de d
écision
DU
1
et
DU
2
sur le corpus de test
[
next
] [
prev
] [
prev-tail
] [
front
] [
up
]