TypWeb : profilage de sites Web Part 4 bis Corpus 100000 Document de travail

278 Pages·2012·3.96 MB·French

TypWeb : profilage de sites Web
Part 4 bis
Corpus 100000
Document de travail
TAGs (FONT, COLOR, META)
Pronoms Personnels, Liens
Equipe Typweb
Valérie Beaudouin(*), Serge Fleury(***),
Benoît Habert(**)(****), Gabriel Illouz (****),
Christian Licoppe(*), Marie Pasquier(*)
France Télécom R&D (*), Université Paris X (**),
Université Paris 3 (CLA2T) (***), LIMSI (****)
1 Sommaire
1 SOMMAIRE...........................................................................................................................................2
2 CORPUS DE TRAVAIL.........................................................................................................................3
3 CORPUS PRÉPARÉS POUR LEXICO 3 (PHASE 3)...........................................................................4
3.1 CORPUS BRUT....................................................................................................................................4
3.1.1 PCLC............................................................................................................................................4
3.1.2 Nombre d'occurrences par page.....................................................................................................5
3.1.3 Pronoms personnels.......................................................................................................................6
3.1.4 AFC..............................................................................................................................................7
3.1.5 Spécificités..................................................................................................................................10
4 CORPUS PRÉPARÉS POUR LEXICO 3 (PHASE 4).........................................................................11
4.1 CORPUS BRUT..................................................................................................................................11
4.1.1 PCLC..........................................................................................................................................11
4.1.2 Nombre d'occurrences par page...................................................................................................12
4.1.3 Pronoms personnels.....................................................................................................................13
4.1.4 Répartition P2/P5........................................................................................................................18
4.1.5 Répartition P1/P4........................................................................................................................20
4.1.6 AFC............................................................................................................................................23
4.1.7 Spécificités..................................................................................................................................25
5 CORPUS PRÉPARÉS POUR LEXICO 3 (PHASE 4 + ÉTIQUETAGE)............................................65
5.1 CORPUS BRUT..................................................................................................................................65
5.1.1 PCLC..........................................................................................................................................65
5.1.2 AFC............................................................................................................................................67
5.1.3 Répartition PP.............................................................................................................................68
6 ANNEXES.............................................................................................................................................69
6.1 PHASE 3...........................................................................................................................................70
6.1.1 Concordances..............................................................................................................................70
6.1.2 Segments répétés.........................................................................................................................71
6.2 PHASE 4...........................................................................................................................................72
6.2.1 Concordances..............................................................................................................................72
6.2.2 Segments répétés.......................................................................................................................278
2 Corpus de travail
Corpus issu de la chaîne Typweb nommé
Corpus Lannion : CORP100000CLEAN2-WXF.lannion
La structure du fichier construit est la suivante :
(<SITE>
<HEBERGEUR>$hebergeur</HEBERGEUR>
<PAGE>$page</PAGE>
<DUMPTEXT>
$text
</DUMPTEXT>
</SITE>)+
3 Corpus préparés pour Lexico 3 (Phase 3)
Corpus identique au au corpus Corpus-PageAccueil-corr-reorg-v2.txt avec suppression supplémentaire des
partitions asswanadoo, pinfonie, sitevoila, winfonie et levillage.
3.1 Corpus brut
Fichier : Corpus-PageAccueil-nettoye-allege-sansCrochet-v2.TXT
Nombre de balise <HEBERGEUR> = 11
Nombre de balise <PAGE> = 13660
3.1.1 PCLC
Corpus-PageAccueil-nettoye-allege-sansCrochet-v2
˝
3800934 3800934 175929 2041405 162826 54964 88921 5000000 18 2 13084 0 0
*** Résultat de la segmentation du fichier: Corpus-PageAccueil-nettoye-allege-sansCrochet-
v2.TXT ***
Délimiteurs .,:;!?/_-\"'()[]{}§$£
nombre des occurrences : 2041405
nombre des formes : 162826
frequence maximale : 54964
nombre des hapax : 88921
nombre des clés(type) : 2
nombre des clés(ctnu) : 13084
*** Fin de la segmentation du fichier: Corpus-PageAccueil-nettoye-allege-sansCrochet-
v2.TXT ***
3.1.2 Nombre d'occurrences par page
Nombre d'occurrences/nombre de pages = 2041405/13660= 149,4
3.1.3 Pronoms personnels
3.1.4 AFC

3.1.5 Spécificités