Approches du traitement automatique du langage naturel pour les dialogues techniques de domaine restreint

Cette thèse explore diverses méthodes avancées en traitement du langage naturel (TAL) pour améliorer l'interprétation et l'analyse des données textuelles, en particulier dans les dialogues multilingues et techniques. La recherche se concentre sur plusieurs tâches clés du TAL, notamment l'extraction de mots-clés, la modélisation d'arbres syntaxiques, les systèmes de question-réponse techniques, la résolution de cataphore et l'exploitation des données spécifiques à un domaine.Une partie du travail présente de nouvelles approches utilisant des graphes de mots (GoW) et des arbres syntaxiques pour améliorer l'extraction de mots-clés dans des textes techniques et littéraires. Ces méthodes sont comparées aux techniques traditionnelles, montrant que les approches basées sur la syntaxe améliorent les performances, notamment pour les textes non grammaticaux et spécifiques à un domaine.D'autres contributions incluent des avancées dans les systèmes de question-réponse techniques, où diverses mesures de similarité sémantique et modèles d'apprentissage automatique sont comparés pour leur efficacité à traiter les requêtes techniques. La recherche se penche également sur la résolution de cataphores, en explorant des méthodes basées sur des règles, statistiques et neuronales, avec un accent particulier sur les dialogues techniques.De plus, la thèse examine le rôle de la génération de données synthétiques et des techniques de nettoyage de données pour optimiser les applications du TAL spécifiques à un domaine. Des techniques comme le reverse prompting avec les grands modèles de langage (LLM) sont proposées pour améliorer la qualité des données synthétiques.Enfin, la thèse introduit et évalue des méthodes émergentes telles que le Chain of Thoughts (CoT), le Tree of Thoughts (ToT) et le Retrieval-Augmented Thoughts (RAT) pour améliorer le raisonnement et la prise de décision dans les systèmes de dialogue complexes.