Lemmatisation

La lemmatisation désigne un traitement lexical apporté à un texte en vue de son classement dans un index ou de son analyse. Ce traitement consiste à appliquer aux occurrences des lexèmes sujets à flexion (en français, verbes, substantifs, adjectifs) un codage renvoyant à leur entrée lexicale commune (« forme canonique » enregistrée dans les dictionnaires de la langue, le plus couramment), que l'on désigne sous le terme de lemme. Les lexèmes d'une langue connaissent éventuellement plusieurs formes (lemmes) en fonction de leur genre (masculin ou féminin), leur nombre (un ou plusieurs), leur personne (moi, toi, eux...), leur mode (indicatif, impératif...). On désigne ces formes comme des flexions, ou formes fléchies. La lemmatisation d'une forme occurrente est l'application à cette forme d'un choix arbitraire ou, en traitement informatisé du langage, d'un codage permettant d'identifier le lemme retenu pour un lexème. En général on emploie comme lemme la forme canonique permettant de repérer le lexème dans les dictionnaires courants de la langue en question. En français par exemple, pour un verbe son infinitif, pour un substantif son singulier, pour un adjectif son masculin-singulier. Mais en latin, on aura le plus souvent recours, par convention, à la forme de la personne du singulier du présent de l'indicatif. Toutes les entrées d'un dictionnaire sont donc répertoriées (dans un ordre alphabétique notamment ou comme cibles dans une perspective hypertextuelle Wikipédia par exemple) en tant que lemmes. Les exemples, citations, qui alimentent l'article contiennent des formes fléchies. Exemples : Le lemme petit renvoie à 4 formes fléchies : petit, petite, petits, petites Le lemme aimer renvoie à un grand nombre de formes fléchies, d'autant plus grand que l'on prend en compte les formes composées a aimé, a été aimé, a été aimée, etc. Une même forme graphique (occurrence) peut, elle, renvoyer à deux ou plusieurs lemmes différents.