Treebanks : estado de la cuestión y desarrollo del treebank CLiC-TALP

1. Treebanks: estado de la cuestión y desarrollo del treebank CLiC-TALP Montserrat Civit Núria Bufí Mª Antònia Martí IWCL02

2. Esquema de la presentación: • Qué es un treebank? • Utilidades de un treebank? • Metodologías de desarrollo • Estado de la cuestión • Dos ejemplos paradigmáticos • Propuesta para el español: problemas concretos IWCL02

3. Definición corpus anotado con información de estructura de frase (McEnery) Utilidades • inferencia / extracción de conocimiento lingüístico • aplicaciones PLN: • inferencia de gramáticas • aprendizaje para la desambiguación automática Definición y utilidades de un treebank IWCL02

4. corrección / validación manual Gramática etiquetación corrección / validación manual etiquetación Gramática a Gramática b Metodología Anotación manual Anotación semi-automática: IWCL02

5. Estado de la cuestión (1): Treebanks existentes • (principales treebanks: listado no exhaustivo) • NEGRA / TIGER (alemán; 350.000 tokens) • PDT: Prague Dependency Treebank (checo; 450.000 tok.) • Corpus Le Monde (francés; 1.000.000 tokens) • TUT: Turin University Treebank (italiano; 1.000 oraciones) • Spanish Treebank (UAM) (1.500 oraciones) • ISST: Italian Syntactic-Semantic Treebank (300.000 tok.) • Penn Treebank (inglés; 3mill. / 2 mill) • Susanne Corpus (inglés; 120.000 tokens) IWCL02

6. Estado del Arte (2): conceptos básicos Nivel de anotación: morfología / sintaxis / (semántica) Sintaxis: IWCL02

7. morfológico • ATS (analytical tree structure) • TGTS • (tectogrammatical tree structure) 3 niveles de anotación -morfológico -constituyentes -funciones sintácticas 3 niveles de anotación Dos ejemplos paradigmáticos PDT: dependencias NEGRA / Le Monde: constituyentes y funciones IWCL02

8. PDT (1) morfología: 3030 etiquetas 187 clases de ambigüedad ATS: • relaciones de dependencia superficiales • 60 etiquetas básicas (x 3: coord / apos. / parent.) • 25 funciones analíticas • funciones para nodos auxiliares • estructura head -- modificador • problemas de la coordinación • se admiten dobles funciones (casos dudosos) IWCL02

9. PDT (2) ATS: representación • palabra / signo puntuación  nodo • # nodos = [ # palabras / signos + 1 (root)] • no hay cruce de ramas • TAGs de cada nodo: • forma • etiqueta morfológica • etiqueta sintáctica IWCL02

10. AuxS . (AuxK) PERDIÓ (pred) EN (AuxP) EMILIO (sujeto) TITULARIDAD (objeto) REAL_MADRID (adv) LA (atrib) EL (atrib) PDT (3) Ejemplo de anotación ATS: Emilio perdió la titularidad en el Real_Madrid . IWCL02

11. PDT (4) TGTS: • representaciones subyacentes de la oración • sólo los nodos autosemánticos reciben tag • TAGs para cada nodo: • lema de la palabra autosemántica • gramatemas morfológicos (sgdo. categorías morfológicas) • functores: funciones tectogramaticales (actor, patient, etc.) • Conversión ATS > TGTS: fase automática + fase manual IWCL02

12. PDT (5) ATS > TGTS: • Proceso automático: • asignación de atributos • modalidad oracional • sujeto verbos activos = ACTOR • símbolos gráficos > valores  borrado • cambios en la estructura del árbol • fusión formas verbales analíticas > lema autosemántico • fusión nodos preposiciones y conjunciones complejas • borrado nodos preps/conj previa conversión a gramatemas • cambio dirección algunas dependencias • borrado nodos auxiliares • Proceso manual IWCL02

13. AuxS AuxS . (AuxK) . (AuxK) PERDIÓ (pred) PERDIÓ (pred) EN (AuxP) EN (AuxP) EMILIO (sujeto) EMILIO (sujeto) TITULARIDAD (objeto) TITULARIDAD (objeto) REAL_MADRID (adv) REAL_MADRID (adv) LA (atrib) EL (atrib) EL (atrib) PDT (6) ATS: IWCL02

14. PERDER EMILIO actor TITULARIDAD patient REAL_MADRID locative PDT (6) TGTS: PERDIÓ tiempo=pas pers=3 núm=sg REAL_MADRID prep= en det=el ADV IWCL02

15. IWCL02

16. NEGRA (1) Anotación sintáctica de: • estructura sintáctica (parentización) • categorías sintácticas (etiquetas para constituyentes) • funciones gramaticales No hay categorías vacías Estructuras totalmente planas (X’’ y X0) Se permite el cruce de ramas IWCL02

17. IWCL02

18. Le Monde chunker  clustering léxico parser  marcaje constituyentes no recursivos tagger funcional  asignación funciones sintácticas Marcaje de constituyentes: <NP> Marie </NP> <VN> aime </VN> <NP> les fraises </NP> <COORD> et <NP> Paul </NP> <NP> les bananes </NP> </COORD> IWCL02

19. El corpus CLiC-TALP: Punto de partida: • etiquetación morfológica • (MACO + RELAX) • chunking sintáctico • (TACAT + gramática chunks) Anotación sintáctica manual IWCL02

20. (algunos) Problemas concretos (1): Sí: NEGRA / Le Monde No: PDT, PennTB 1. Sistema teóricamente neutro? 2. Niveles de anotación a) constituyentes b) constituyentes y funciones (NEGRA, Le Monde) c) dependencias (PDT, ISST) 3. Contenido de la anotación de funciones a) complementos nominales y verbales? b) distinción argumentos / adjuntos? c) sujeto = argumento? IWCL02

21. (algunos) Problemas concretos (2): 4. Subespecificación de funciones? 5. Categorías vacías y elipsis: a) qué casos? b) coindización? c) tipos de coindización d) alcance de la recuperabilidad de la categoría elíptica? 6. Categoría predicado o sintagma verbal? 7. Alteración del orden superficial de las oraciones? 8. Elementos discontinuos? IWCL02

22. (algunos) Problemas concretos (3): 9. Algunas subordinadas adverbiales: a) estructuras paralelas? b) estructuras de tipo ADJUNTO? 10. Tratamiento de dobles funciones sintácticas? 11. Tratamiento de las formas no personales del verbo 12. Distinción distintos tipos de sujeto? 13. Argumentos no realizados sintácticamente (caso particular de elipsis) 14. La coordinación y los sintagmas sin núcleo IWCL02

23. (algunos) Problemas concretos (4): 15. Las ambigüedades en el attach: a) hacer una por defecto (la más alta)? b) (además) marcar b1- el otro posible attach? b2- que es ambiguo? 16. Establecer distintos tipos de oración (a nivel sintáctico) IWCL02

24. (algunos) Problemas concretos (5): 17. Elementos textuales 18. C. Predicativo: marcaje de la relación con el sujeto / OD ? 19. Modalidades oracionales 20. etc. IWCL02

25. Argumentos Adjuntos Tiempo Modo Atributo Sujeto Lugar CReg CD CI CPred C.Ag Jerarquía de funciones (complementos verbales) Complementos IWCL02

26. Argumentos Adjuntos Tiempo Finalidad Atributo Sujeto Lugar CReg Causa CD CI CPred Modo C.Ag Jerarquía de funciones (complementos verbales) Complementos IWCL02

27. Argumentos Adjuntos Finalidad Tiempo Causa Lugar Atributo Sujeto Modo CReg CD Instrumento CI CPred Cantidad C.Ag Compañía Jerarquía de funciones (complementos verbales) Complementos IWCL02

28. Principal Subordinada No-finita Finita Relativa Adverbial Completiva Snf S Sfr Sfa Sfc Jerarquía de oraciones S IWCL02

29. Principal Subordinada No-finita Finita Relativa Adverbial Completiva Snf que Interrog S Sfr Sfa Sfq Sfi Jerarquía de oraciones S IWCL02

30. Argumentos Adjuntos Atributo Sujeto CReg CD CI CPred C.Ag Jerarquía de funciones (complementos verbales) Complementos Finalidad Tiempo Causa Lugar Modo Instrumento Cantidad Compañía IWCL02

31. [[ Mi marido lesi había hecho un gran favor a aquella pobre gentei ] y [ Ø i querían agradecérselo]]  referente más cercano?: [[ Mi marido les había hecho un gran favor a aquella pobre gentei ] y [ Ø i querían agradecérselo]]  sujeto elíptico: • ¿ ØmQuieresm un refresco? [[ Mi marido les había hecho un gran favor a aquella pobre gentei ] y [ Øi/m querían m agradecérselo]] IWCL02

32. ¿Quieres un refresco? • He tomado tres en casa • ¿Un helado, entonces? • ¿ Øi Quieresj un refresco? • He tomado tres en casa • ¿ Øi ØjUn helado, entonces? Se rebasa el límite oracional en la búsqueda del referente? • ¿ Quieres un refresco? • He tomado tres en casa • ¿Un helado, entonces? NO se rebasa el límite oracional en la búsqueda del referente? IWCL02

33. Me gusta la cultura del pelotazo porque sacrifica la búsqueda de lo útil en favor del cultivo de lo admirable Sintagma verbal o Predicado: [verbo > argumentos > adjuntos]  alteración orden superficial [la cultura del pelotazo]i Me gusta []i porque sacrifica la búsqueda de lo útil en favor del cultivo de lo admirable ... y que se crease [ algo parecido a un ataque interior] para equilibrar las cosas con Sabas IWCL02

34. Oraciones condicionales, concesivas, comparativas, consecutivas. Pero el Real_Madrid de anoche era tan terrenal, tan rural incluso, que despertaba ese sucedáneo de la piedad que llamamos simpatía. S S1 S2 que despertaba ese sucedáneo de la piedad que llamamos simpatía Pero el Real_Madrid de anoche era tan terrenal, tan rural incluso, IWCL02

35. S Pero el Real_Madrid de anoche era tan terrenal, tan rural incluso, que despertaba ese sucedáneo de la piedad que llamamos simpatía IWCL02

36. señora Aguirre Si la señora Aguirre quiere castigar la suciedad de Madrid en general Sujeto ¿Qué te gustaría ser cuando seas mayor? te OI Sujeto IWCL02

37. S grup-sp-ADJFIN grup-verb sn-OD prep v-nofin sp-OI dinero para Tengo que ganar Øi Tengo que ganar dinero para mantener a mis hijos Snf mantener a mis hijos IWCL02

38. S grup-sp- ADJFIN grup-verb sn-OD prep dinero para Tengo que ganar Tengo que ganar dinero para mantener a mis hijos sn-inf infinitiu sp-OI mantener a mis hijos IWCL02

39. para señalar que se dan, mundo adelante, excesos folletinescos en las informaciones se les hizo una sola pregunta La entrometida decencia impediría hacer esos regalos El problema está en que el presupuesto del común de los mortales no admite grandes despilfarros Eran cuatro hermanas y todas fueron separadas Los actuales 20.000 cascos azules habrán de ser sustituidos por fuerzas armadas IWCL02

40. de a a b a b en c en c ir • argumentos / adjuntos • realización argumentos el que la derriba ha ido de la insatisfacción a la violencia a veces un peón va a caballo a ver a la novia aturdida por el miedo de la oportunidad que se le iba el cuerpo de Clanton iba en el primer coche ir de a a b en c IWCL02

41. grup-verb verbo grup-verb-coord grup-verb-coord verbo coord verbo amo , admiro y respeto antes de nada, amo, admiro y respeto a Cayetana_de_Alba Sintagma con núcleo: (Le Monde) IWCL02

42. antes de nada, amo, admiro y respeto a Cayetana_de_Alba Sintagma sin núcleo: (PDT) grup-verb verbo coord verbo verbo y respeto admiro amo IWCL02

43. Impersonales Hace años, antes de que subieran allí arriba, en diciembre no Ø llovía Sujeto elíptico sin referente oracional • ¿ ØmQuieresm un refresco? Sujeto elíptico con referente oracional (indización doble???) [[ Mi marido les había hecho un gran favor a aquella pobre gentei ] y [ Øi/m querían m agradecérselo]] IWCL02

44. Es que, doña Laurita, no sabe qué penalidades nos van cercando Pero esto, con ser mucho, no fue todo. Sin_embargo, ahora te vemos distinto Etiqueta especial: E(lementos) T(extuales) Inesperadamente, los límites de su vida se habían reducido a la mínima expresión IWCL02

45. IWCL02

46. IWCL02

47. (aprender y reaccionar) (reaccionar) (Vi) al hombre (al hombre) La misma decisión tiene efectos distintos: La facultad de aprender y reaccionar ante nuevas situaciones • Dada la coordinación, generalizar no implica error ni pérdida de información Vi al hombre con el telescopio • Hacer el attach al nodo más alto puede implicar error IWCL02