BA-RILA basé sur la fusion de caractéristiques textuelles multidimensionnelles pour la reconnaissance des thèmes de la poésie chinoise ancienne

Pourquoi apprendre aux ordinateurs à lire les poèmes anciens est important

Les poèmes chinois anciens contiennent des siècles d’émotions, d’histoire et de vie quotidienne, mais leur langue diffère tellement du chinois moderne que même les spécialistes débattent souvent de leur sens. À mesure que bibliothèques et musées numérisent ces œuvres, le besoin d’outils intelligents capables de trier rapidement les poèmes par sujet se fait plus pressant, afin d’aider chercheurs, étudiants et grand public à explorer d’immenses collections. Cette étude propose une nouvelle méthode permettant aux ordinateurs de reconnaître le sujet d’un poème ancien en s’appuyant non seulement sur le sens des mots, mais aussi sur le rythme et l’imagerie pour mieux saisir l’esprit de la poésie classique.

Transformer les poèmes classiques en données

Pour enseigner la poésie à une machine, les chercheurs ont d’abord dû constituer le bon type de jeu de données. Ils ont rassemblé environ 10 000 poèmes issus des grandes dynasties chinoises, principalement Tang et Song, et ont annoté soigneusement chacun d’eux selon six thèmes larges tels que l’amitié et les adieux, l’histoire et la nostalgie, les paysages et la campagne, l’amour et le mariage, le mal du pays, et la frontière et la guerre. Ils ont éliminé les textes bruyants ou incomplets, segmenté le chinois classique et filtré les mots fonctionnels qui portent peu de sens. Des analyses en nuage de mots ont montré que chaque thème possède un lexique caractéristique, confirmant que les étiquettes correspondaient bien au contenu poétique.

Fusionner sens, son et images

La plupart des technologies linguistiques se concentrent uniquement sur le sens des mots, mais la poésie classique chinoise s’appuie aussi fortement sur les motifs sonores et les images symboliques. Le nouveau modèle BA-RILA combine trois types d’informations. D’abord, il utilise une version du modèle de langage BERT réentraînée sur le chinois ancien, afin que la machine comprenne mieux l’ancienne grammaire et les tournures classiques. Ensuite, il mesure le rythme via onze caractéristiques numériques qui captent la rime, la longueur des vers, les schémas de tons et la structure des couplets, reflétant la façon dont les vers sonnent et s’équilibrent. Enfin, il suit l’imagerie poétique à l’aide d’une description en 75 éléments construite à partir de 25 symboles culturellement importants, comme le saule pour les séparations ou la lune pour le désir, chacun avec sa fréquence, sa tonalité émotionnelle et son intensité dans un poème.

Comment le modèle apprend à partir du poème entier

Ces trois flux d’information diffèrent par leur échelle, le système les projette donc d’abord dans un espace commun et utilise un mécanisme d’attention interne pour décider combien de poids accorder à la sémantique, au rythme et à l’imagerie pour chaque poème. Les caractéristiques fusionnées passent ensuite par deux couches d’un réseau récurrent bidirectionnel qui lit le poème dans les deux sens, capturant la façon dont le sens se déploie au fil du texte. Un module d’attention multi-têtes met de plus en évidence les parties les plus informatives de cette représentation en l’examinant sous plusieurs angles simultanément. Enfin, un ensemble de couches entièrement connectées transforme cette image interne riche en une probabilité sur les six thèmes, déterminant quel sujet correspond le mieux au poème.

Quel est le niveau de performance du système

Des tests approfondis montrent que BA-RILA surpasse nettement plusieurs modèles de référence solides qui reposent seulement sur BERT moderne, sur des réseaux convolutionnels ou sur des architectures récurrentes plus simples. Sur la tâche à six thèmes, la nouvelle méthode atteint une précision d’environ 97 %, avec des performances stables même pour les thèmes moins fréquents. Lorsque les auteurs ont retiré des composants individuels du système, tels que le BERT adapté au chinois ancien, la fusion rythme–imagerie, les couches récurrentes ou le module d’attention, les performances ont chuté de façon notable, indiquant que chaque élément contribue de manière significative. Le modèle a également traité des poèmes des périodes Tang et Song, bien qu’il ait trouvé la poésie Song légèrement plus difficile en raison de rythmes moins réguliers et d’un langage plus diffus.

Ce que cela signifie pour l’exploration de la littérature classique

Pour un non-spécialiste, la conclusion essentielle est que combiner le sens des mots avec le son et les images symboliques permet aux ordinateurs de classer les poèmes anciens par thème d’une manière qui reflète mieux les pratiques de lecture traditionnelles. Plutôt que de considérer la poésie comme un simple texte, l’approche BA-RILA respecte sa musicalité et son imagerie culturelle, conduisant à un étiquetage automatique plus fiable. De tels outils pourraient faciliter la recherche dans de vastes archives, la comparaison de poètes à travers les dynasties ou l’étude de l’évolution de thèmes comme le mal du pays ou la guerre au fil du temps, soutenant tant la recherche académique que l’appréciation publique de la culture classique chinoise.

Citation: Zhang, X., Liu, Y. Multi-dimensional text feature fusion-based BA-RILA for ancient Chinese poetry theme recognition. Sci Rep 16, 16573 (2026). https://doi.org/10.1038/s41598-026-48986-2

Mots-clés: poésie chinoise ancienne, classification de thèmes, fusion de caractéristiques textuelles, imagerie poétique, TAL culturel