Métodos em lingüistica de corpus e processamento da língua natural

1. María Paula Santalla del Río Pablo Gamallo Otero Métodos em lingüistica de corpus e processamento da língua natural

2. Pablo Gamallo Otero http://gramatica.usc.es/~gamallo/ TEMA 1Noções básicas de Extração de Informação (EI)

3. Bibliografia • Chantal Pérez Hernández, Antonio Moreno (2008), “Lingüística computacional y lingüística de corpus: Potencialidades para la investigación textual”. Disponível em:http://gramatica.usc.es/~gamallo/aulas/lingcomputacional/biblio/LingCompCorpus.pdf • Tony Berber Sardinha (2004), Lingüística de Corpus, Editora Manole, Brasil. • Marco Baroni (2009), “Distributions in text”. In Anke Lüdeling and Merja Kytö (eds.), Corpus linguistics: An international handbook, Berlin: Mouton de Gruyter. Disponível em:http://gramatica.usc.es/~gamallo/aulas/lingcomputacional/biblio/Baroni_distributions.pdf • J. Torruella y J. Llisterri (1999): “Diseño de corpus textuales y orales”, en J. M. Blecua et al. (eds.), Filología e informática. Nuevas tecnologías en los estudios filológicos, Barcelona: Editorial Milenio y Universidad Autónoma de Barcelona, págs. 45-77. Disponível em:http://liceu.uab.es/~joaquim/publicacions/Torruella_Llisterri_99.pdf • Pablo Gamallo & Isaac González (2009) "Una gramática de dependencias basada en patrones de etiquetas", Procesamiento del Lenguaje Natural, 43, pp. 315-324. Disponível em:http://www.sepln.org/revistaSEPLN/revista/43/articulos/art34.pdf

4. PLANO • corpus e extração • extração de frequências de palavras (tokens e formas)‏ • lei de zipf • extração de informação léxico-semântica a partir das frequências • extrações básicas: concordâncias

5. Deve estar formado por um conjunto de dados lingüísticos naturais (uso oral ou/e escrito). • O conteúdo do corpus deve ser cuidadosamente escolhido segundo certos critérios. • O corpus deve ser representativo duma língua ou variedade. • O corpus dever ser vasto para ser representativo. • O corpus deve ter como finalidade ser objecto de estudo linguístico. • Processos computacionais que se podem realizar num corpus: • Anotação morfológica, sintática e semântica. • Extração de informação corpus e extração • Características dum corpus:

6. Frequências de ocorrências de palavras, de tipos, de lemas, ... • Semelhança semântica entre palavras:se duas palavras aparecem no corpus nos mesmos contextos sintácticos, então devem ser sinómimos ou estar semanticamente relacionadas. • Equivalentes de tradução • Métodos de extração: • Métodos supervisados • Métodos não supervisados corpus e extração • Tipo de informação extraída:

7. Extração de frequências de palavras • Contagem de palavras, ocorrências ou itens (tokens)‏ • Contagem de palavras, formas ou tipos (types)conta-se o número de palavras diferentes. • Contagem de lemas, ou lexemas (lemmas)‏ • Contagem de PoS tags ou categorias: Nomes, verbos... • Os corpus linguísticos contenhem um grande número de Hapax Legomena:palavras que ocorrem apenas uma vez (isto é, frequência 1)

8. PALAVRA FREQUÊNCIA la 1.204.397 que 1.007.827 en 753.944 el 666.949 y 648.594 a 583.111 los 523.877 las 370.840 del 324.619 se 318.383 Comisión 125.258 PALAVRA FREQUÊNCIA the 7332 and 2972 a 1775 to 1725 of 1440 was 1161 it 1027 in 906 that 877 Tom 679 Extração de frequências de palavras • Quais são as palavras mais frequentes num corpus representativo dum domínio específico? Palavras mais frequêntes de Europarl (Parlamento Europeu)‏ Palavras mais frequêntes de “Tom Sawyer”

9. 4609 not 4394 are 4381 but 4370 from 4207 or 3942 have 3748 an 3619 they 3561 which 3297 one 3286 you 3284 were 3037 her 3001 all 2859 she 2725 there 2715 would 2670 their 2653 we 2619 him 2473 been 2439 has 2331 when 2252 who 2244 will 2216 more 2202 no 2199 if 2096 out 1985 so 1961 said 1908 what 1895 up 1858 its 1815 about 1791 into 1790 than 1789 them 1772 can 1747 only 1702 other 1635 new 1617 some 1599time 1599 could 1573 these 1412 two 1400 may 1377 then 1362 do 1361 first 1345 any 1319 my 1314 now 1303 such 1290 like 1252 our 1237 over 1207man Extração de frequências de palavras 69970 the 36410 of 28852 and 26149 to 23326 a 21341 in 10594 that 10102 is 9815 was 9542 he 9488 for 8760 it 7290 with 7251 as 6997 his 6742 on 6376 be 5377 at 5306 by 5178 i 5146 this 5131 had Palavras mais frequêntes do corpus Brown (não específico).

10. ”Tom Sowyer” tem 71.370 ocorrências de palavras. • “El Quijote” tem 376.509. • “Brown” tem 1 milhão. • “EuroParl” tem 30 milhões 600 mil • Quantas palavras diferentes (tipos ou formas) tem um corpus? • ”Tom Sowyer” tem 8.018 palavras diferentes (8,9 tokens por tipo). • “El Quijote tem 38.552 (9.8 tokens por tipo). (se consideramos os 71.000 primeiros tokens, extraem-se mais de 12.000 tipos)‏ • “Brown” tem 55.734 (17 tokens por tipo). • “EuroParl” tem 159.211 (192 tokens por tipo). Extração de frequências de palavras • Quantas ocorrências de palavras (tokens ou itens) tem um corpus?

11. Corpus Banco do Português: Banda de ocorrências Formas % formas Ocorrências %ocorrências frequência média 1 186.275 39,65% 186.275 0,15% 1,0 2 a 9 160.228 34,11% 610.459 0,48% 3,8 10 a 99 82.174 17,49% 2.662.495 2,11% 32,4 100 a 999 31.065 6,61% 9.840.238 7,81% 316,8 1.000 a 9.999 8.586 1,83% 25.663.321 20,38% 2.930 10.000 a 99.999 1.323 0,28% 32.753.032 26,01% 24.756 100.000 a 999.999 78 0,02% 18.637.882 14,80% 238.947 > 1.000.000 16 0,00% 35.573.922 28,25% 2.223.370 TOTAL 469.745 100% 125.927.624 100% 268,1 Extração de frequências de palavras

12. Modelo de frequências: Lei de Zipf F(pal) = K / R(pal)‏ • Dada uma constante K (frequência da palavra mais frequente), e dado o ranking R duma palavra, podemos predizer a frequência F da palavra: f R F group 13 600 12,88 friends 10 800 9,66 family 8 1000 7,3 brushed 4 2000 3,86 Applausive 1 8000 0,97 f R F the 7732 1 7732 that 877 10 773,2 two 104 100 77,3 name 21 400 18,3 comes 16 500 15,4

13. Modelo de frequências: Lei de Zipf F(pal) = K / R(pal)‏ f R F dif (%)‏ de 11425 1 11425 la 6473 2 5712 11% los 3528 5 2285 40% artículo 1791 10 1142 36% artículos 140 100 114 18% litigio 13 1000 11,4 12% desplazarse 1 10000 1,1 10% 21% (média)‏ Constituição Europeia (versão espanhola)‏

14. Modelo de frequências: Lei de Zipf F(pal) = K / R(pal)‏ f R F dif(%)‏ of 13328 1 13328 to 7425 2 6664 10% in 3260 5 2665 21% or 1394 10 1332 4% banks 161 100 133 17% commitment 13 1000 13,3 2% 1985 1 10000 1,3 30% 14% (média)‏ Constituição Europeia (versão inglesa)‏

15. Modelo de frequências: Lei de Zipf F(pal) = K / R donde K = N / 10 onde N = tamanho do corpus (i.e., número total de ocorrências)‏ • A Lei de Zipf sofreu numerosas correcções. Aqui abaixo, monstram-se duas modificações da fórmula inicial: F(pal) = K / Rα onde α = próximo a 1 (p.e. 0’9)‏

16. Modelo de frequências: Lei de ZipfPrácticas com ferramentas estatísticas cat DonQuijote | ./tokenizer.perl | ./lei_zipf.perl

17. Extração de informação léxico-semântica • Matrizes “Palavra / Contexto”

18. Extração de informação léxico-semântica • Listas de palavras semelhantes • procedimento | processo, acção, legislação • problemática | temática, problema, tema • problema | questão, problemática, dificuldade • princípio | regra, norma, critério • pressuposto | requisito, condição, critério • presidente | secretário, membro, director • preço | valor, montante, taxa

19. coherence credibilidad, coherencia, claridad, rigor, visibilidad 2 cohesion cohesión, integración, solidaridad, estabilidad, igualdad 1 colleague colega, diputado, amigo, ministro, pueblo 1 comment comentario, observación, pregunta, reflexión, palabra 1,2 commitment compromiso, obligación, respuesta, responsabilidad, criterio 1,2 committee grupo, consejo, parlamento, comité, comisión 4 community unión, comunidad, estado, política, país 2 company empresa, industria, mercado, economía, sector 1 Extração de informação léxico-semântica • Equivalentes de tradução

20. Extrações básicas:Concordâncias A concordância é uma listagem das ocorrências duma forma específica, dispostas de tal modo que a palavra de busca (aquela que se quere investigar) aparece centralizada e acompanhada do seu contexto original, isto é, das palavras que ocorrem junto com ela no corpus. 13 | acordo em nada prejudica os direitos, no Reino da Dinamarca, dos nacionais dinamarqueses que res 14 | e algumas destas zonas na Bélgica, na Itália e no Reino Unido estão situadas em regiões que têm já 15 | e Tournai. Itália: província de Nápoles. Reino Unido: região de Strathclyde, counties de Clevela 16 | veis; Considerando que algumas destas zonas no Reino Unido estão situadas em regiões que têm já um elev 17 | específica diz respeito às seguintes zonas de Reino Unido: região de Strathclyde, condados de C 18 | grama especial», a apresentar à Comissão pelo Reino Unido. 2. O programa especial terá por fina 19 | izado a pedido dos governos da Irlanda e do Reino Unido, assim como da Comissão, recomendou que a r 20 | entre a Comunidade Económica Europeia e o Reino da Noruega na sequência da adesão da República Hel

21. Palavra de busca (search word) ou Nódulo: palavra (ou grupo de palavras) da qual o usuário tem interesse em obter uma concordância. • Janela (Window): distância máxima entre o nódulo e a primeira palavra à esquerda (ou a ùltima à direita) dentro duma concordância. • Palavras de contexto (context words): palavras que estão próximas do nódulo durante a busca (dentro da mesma janela). São opcionais, ou seja, é possível fazer uma concordância sem especificá-las. Concordâncias