Laboratoire ICAR » Plateforme TXM

2 main bugs has been found :

"Bar-le-Duc" is tokenized : "Bar" "-l"
"-Duc" is dropped and "-le" is truncated

Qu'est-ce is tokenized "Qu'" "-ce"
"est" is dropped

"mont-d'or" is tokenized "mont-d'" "or" instead of "mont-d'or"

Solution¶

There was an error in the french clitic regular expression and the neighborhood characters of the clitics was not fully processed (no iteration).

There was an error in the elision regular expression the "X'" elision must be at the begining of the token.

Use the TreeTagger pclitic tokenization rules and replace the "'" quote with multiple quotes regular expression (We can't use the unicode category since the quote category is 'Po' and it contains other word separating characters : http://www.fileformat.info/info/unicode/category/Po/list.htm)

Validation test¶

Import through clipboard the following content in FR:

Bar-le-Duc n'est pas le Mont-d'or
La rue de la Goutte-d'Or ou la rue de la Chaussée-d'Antin.
le mot est-il ?
c'est comme-ci ou comme-là
qu'il faut c'est-à-dire
mot-composé-de-tirets
l'apostrophe ne pose pas d'problème !
mot composé assemblée_générale
c'est "la fin" pour aujourd'hui.

The internal view should be composed of 4 pages:

Bar-le-Duc
n'
est
pas
le
Mont-d'or
La
rue
de
la
Goutte-d'Or
ou
la
rue
de
la
Chaussée-d'Antin
.

le
mot
est
-il
?

c'
est
comme
-ci
ou
comme
-là
qu'
il
faut
c'
est-à-dire
mot-composé-de-tirets
l'
apostrophe
ne
pose
pas
d'
problème
!

mot
composé
assemblée_générale
c'
est
" 
la
fin
" 
pour
aujourd'hui
.