R\'eseaux neuronaux profonds pour l'\'etiquetage de s\'equences (Deep Neural Networks for Sequence Labeling)

Depuis quelques ann{\'e}es les r{\'e}seaux neuronaux se montrent tr{\`e}s efficaces dans toutes les t{\^a}ches de Traitement Automatique des Langues (TAL). R{\'e}cemment, une variante de r{\'e}seau neuronal particuli{\`e}rement adapt{\'e} {\`a} l{'}{\'e}tiquetage de s{\'e}quences textuelles a {\'e}t{\'e} propos{\'e}e, utilisant des repr{\'e}sentations distributionnelles des {\'e}tiquettes. Dans cet article, nous reprenons cette variante et nous l{'}am{\'e}liorons avec une version profonde. Dans cette version, diff{\'e}rentes couches cach{\'e}es permettent de prendre en compte s{\'e}par{\'e}ment les diff{\'e}rents types d{'}informations donn{\'e}es en entr{\'e}e au r{\'e}seau. Nous {\'e}valuons notre mod{\`e}le sur les m{\^e}mes t{\^a}ches que la premi{\`e}re version de r{\'e}seau de laquelle nous nous sommes inspir{\'e}s. Les r{\'e}sultats montrent que notre variante de r{\'e}seau neuronal est plus efficace que les autres, mais aussi qu{'}elle est plus efficace que tous les autres mod{\`e}les {\'e}valu{\'e}s sur ces t{\^a}ches, obtenant l{'}{\'e}tat-de-l{'}art.