Cemantix ne mesure pas la synonymie entre deux mots. L’algorithme calcule une distance cosinus entre vecteurs de contexte, ce qui produit des résultats parfois contre-intuitifs pour un locuteur natif. Comprendre cette distinction change la façon d’aborder chaque partie.
Distance cosinus et espace vectoriel : ce que Cemantix calcule vraiment
Le score affiché par Cemantix (la fameuse « température ») traduit directement une similarité cosinus entre deux vecteurs dans un espace à plusieurs centaines de dimensions. Chaque mot du corpus se voit attribuer un vecteur dense, appris par le modèle Word2Vec, qui encode non pas une définition mais un profil de cooccurrences statistiques.
Deux mots proches dans cet espace partagent des contextes d’emploi similaires dans le corpus d’entraînement. « Hôpital » et « clinique » scorent haut ensemble non parce qu’un dictionnaire les lie, mais parce qu’ils apparaissent dans des phrases syntaxiquement et thématiquement voisines.
La conséquence directe : des mots perçus comme proches par un humain peuvent être éloignés dans l’espace vectoriel si leurs contextes d’usage divergent. « Liberté » et « indépendance » semblent synonymes, mais leurs distributions dans un corpus web français diffèrent sensiblement (registre politique vs. registre juridique ou géopolitique). La température reflète une proximité de contexte, pas de sens perçu.
Corpus frWac et biais d’entraînement du modèle Word2Vec
Le modèle utilisé par Cemantix s’appuie sur le corpus frWac, un ensemble massif de textes aspirés du web francophone. Ce choix de corpus n’est pas neutre : il détermine intégralement la géométrie de l’espace sémantique.
Un corpus web surreprésente certains registres (presse généraliste, forums, blogs) et sous-représente d’autres (littérature classique, vocabulaire technique pointu, argot oral). Nous observons que des mots courants à l’oral mais rares à l’écrit web se retrouvent dans des zones peu denses de l’espace vectoriel, avec des voisinages parfois incohérents.
Conséquences concrètes pour les joueurs
- Les noms communs concrets (objets, lieux, animaux) bénéficient d’un maillage contextuel dense dans frWac, ce qui rend leur voisinage vectoriel stable et prévisible.
- Les mots abstraits (« courage », « liberté ») scorent modérément avec beaucoup de termes sans jamais monter très haut, car leurs contextes d’emploi sont diffus dans le corpus.
- Les termes techniques de niche peuvent avoir des vecteurs aberrants : peu d’occurrences dans le corpus signifie un apprentissage bruyant, donc des voisins inattendus.
Ce n’est pas un défaut de l’algorithme. C’est une propriété structurelle de tout modèle distributionnel : la qualité du vecteur dépend de la fréquence du mot dans le corpus.
Similarité sémantique vs. cooccurrence statistique : pourquoi Cemantix surprend
La confusion la plus répandue chez les joueurs consiste à traiter la température comme un indicateur de synonymie. L’algorithme ne sait rien du « sens » d’un mot au sens linguistique. Il encode une distribution contextuelle.
Prenons un cas typique. « Roi » et « reine » sont proches dans l’espace vectoriel, ce qui semble logique. En revanche, « roi » et « échecs » peuvent aussi scorer de façon élevée, non par lien sémantique évident mais parce que ces deux mots cohabitent fréquemment dans les mêmes paragraphes du corpus.
Cette propriété explique pourquoi la triangulation par champ thématique fonctionne mieux que la recherche de synonymes. Tester des mots qui gravitent autour du même univers textuel (et pas du même champ lexical au sens scolaire) produit des scores plus informatifs.
L’hypothèse distributionnelle comme clé de lecture
Word2Vec repose sur une hypothèse formulée par le linguiste John Rupert Firth : « You shall know a word by the company it keeps. » Deux mots qui partagent des voisins textuels finissent par occuper des positions voisines dans l’espace vectoriel.
Pour Cemantix, cela signifie que la stratégie adaptée n’est pas de chercher « ce que le mot veut dire » mais « dans quels types de phrases ce mot apparaît ». Un joueur qui raisonne en termes de collocations et de registres de langue progresse plus vite qu’un joueur qui consulte un dictionnaire de synonymes.
Limites structurelles de l’algorithme Cemantix
Aucun modèle Word2Vec ne gère la polysémie. Le mot « avocat » reçoit un unique vecteur, qu’il désigne le fruit ou le professionnel du droit. Son vecteur résultant est une moyenne pondérée des contextes des deux acceptions, biaisée vers l’acception la plus fréquente dans frWac.
Nous recommandons d’intégrer cette limite dans la stratégie de jeu. Quand un mot polysémique score moyennement, il est souvent plus productif de tester séparément des termes liés à chaque acception plutôt que de chercher un synonyme global.
- Les formes fléchies (pluriels, conjugaisons) sont traitées comme des entrées distinctes avec leurs propres vecteurs, ce qui peut créer des écarts de score entre « maison » et « maisons ».
- Les mots composés ou expressions figées (« pomme de terre ») n’existent pas comme entrée unique, sauf si le modèle a été entraîné avec des n-grammes.
- Les néologismes ou mots apparus après la constitution du corpus sont tout simplement absents de l’espace vectoriel.
Un vecteur unique par mot, quelle que soit sa polysémie : c’est la contrainte fondamentale que les modèles contextuels plus récents (type BERT) ont résolue, mais que Cemantix conserve par choix de simplicité et de performance.
La logique sémantique de Cemantix n’a finalement rien de sémantique au sens strict. C’est un jeu de géométrie vectorielle appliquée à des distributions textuelles. Les joueurs qui intègrent cette réalité statistique, plutôt que de raisonner en termes de dictionnaire, atteignent le score cible avec significativement moins de tentatives.
