PoS-tagging the Web in Portuguese. National varieties, text typologies and spelling systems

  1. Marcos García
  2. Pablo Gamallo
  3. Iria Gayo
  4. Miguel A. Pousada Cruz
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Ano de publicación: 2014

Número: 53

Páxinas: 95-101

Tipo: Artigo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Outras publicacións en: Procesamiento del lenguaje natural

Resumo

La gran cantidad de texto producido diariamente en la Web ha provocado que ésta sea utilizada como una de las principales fuentes para la obtención de corpus lingüísticos, posteriormente analizados utilizando técnicas de Procesamiento del Lenguaje Natural. En una escala global, idiomas como el portugués – oficial en 9 estados - aparecen en la Web en diferentes variedades, con diferencias léxicas, morfológicas y sintácticas, entre otras. A esto se suma la reciente aprobación de una ortografía unificada para las diferentes variedades del portugués, cuyo proceso de implementación ya ha comenzado en varios países, pero que se prolongará todavía durante varios años, conviviendo por lo tanto también diferentes ortografías. Una vez que los etiquetadores morfosintácticos existentes para el portugués están adaptados específicamente para una variedad nacional concreta, el presente trabajo analiza diferentes combinaciones de corpus de aprendizaje y de léxicos con el fin de obtener un modelo que mantenga una alta precisión de anotación en diferentes variedades y ortografías de esta lengua. Además, se presentan diferentes diccionarios adaptados a la nueva ortografía (Acordo Ortográfico de 1990) y un nuevo corpus de evaluación con diferentes variedades y tipologías textuales, disponibilizado libremente.

Referencias bibliográficas

  • Aires, Raquel V. Xavier. 2000. Implementação, adaptação combinação e avaliação de etiquetadores para o Português do Brasil. Master's thesis, Instituto de Ciências Matemáticas, Universidade de São Paulo, São Paulo.
  • Almeida, Gladis Maria de Barcellos, José Pedro Ferreira, Margarita Correia, and Gilvan Müller de Oliveira. 2013. Vocabulário Ortográfico Comum (VOC): constituição de uma base lexical para a língua portuguesa. ESTUDOS LINGUíSTICOS, 42(1):204-215.
  • Aluísio, Sandra M., Gisele M. Pinheiro, Marcelo Finger, M. Graças Volpe Nunes, and Stella E. Tagnin. 2003. The Lacio-Web Project: overview and issues in Brazilian Portuguese corpora creation. In Proceedings of Corpus Linguistics, volume 2003, pages 14-21.
  • Bick, Eckhard. 2000. The Parsing System PALAVRAS: Automatic Grammatical Analysis of Portuguese in a Constraint Grammar Framework. Ph.D. thesis, University of Aarhus, Denmark.
  • Branco, António and João Silva. 2004. Evaluating Solutions for the Rapid Development of State-of-the-Art POS Taggers for Portuguese. In Maria Teresa Lino, Maria Francisca Xavier, Fátima Ferreira, Rute Costa, and Raquel Silva, editors, Proceedings of the 4th edition of the Language Resources and Evaluation Conference (LREC 2004), pages 507-510, Paris. European Language Resources Association.
  • Brants, Thorsten. 2000. TnT - A Statistical Part-of-Speech Tagger. In Proceedings of the 6th Conference on Applied Natural Language Processing (ANLP 2000). Association for Computational Linguistics.
  • Brill, Eric. 1995. Transformation-based error-driven learning and natural language processing: A case study in part-ofspeech tagging. Computational linguistics, 21(4):543-565.
  • Eleutério, Samuel, Elisabete Ranchhod, Cristina Mota, and Paula Carvalho. 2003. Dicionários Electrónicos do Português. Características e Aplicações. In Actas del VIII Simposio Internacional de Comunicación Social, pages 636-642, Santiago de Cuba.
  • Garcia, Marcos and Pablo Gamallo. 2010. Análise morfossintáctica para português europeu e galego: Problemas, soluções e avaliação. Linguamática, 2(2):59-67.
  • Garcia, Marcos and Pablo Gamallo. 2014. Multilingual corpora with coreferential annotation of person entities. In Proceedings of the 9th edition of the Language Resources and Evaluation Conference (LREC 2014), pages 3229{3233, Reykjavik. European Language Resources Association.
  • Marques, Nuno and Gabriel Lopes. 2001. Tagging with Small Training Corpora. In Proceedings of the International Conference on Intelligent Data Analysis, volume 2189 of Lecture Notes on Artificial Intelligente (LNAI), pages 63-72. Springer-Verlag.
  • Muniz, Marcelo Caetano Martins. 2004. A construção de recursos lingúísticocomputacionais para o português do Brasil: o projeto de Unitex-PB. Master's thesis, Instituto de Ciências Matemáticas de São Carlos, Universidade de São Paulo, São Paulo.
  • Padró, Lluís and Evgeny Stanilovsky. 2012. FreeLing 3.0: Towards Wider Multilinguality. In Proceedings of 8th edition of the Language Resources and Evaluation Conference (LREC 2012), Istanbul, Turkey. European Language Resources Association.
  • Ratnaparkhi, Adwait. 1996. A maximum entropy model for part-of-speech tagging. In Proceedings of the Empirical Methods in Natural Language Processing (EMNLP 1996), volume 1, pages 133{142. Association for Computational Linguistics.
  • Ribeiro, Ricardo, Luís C. Oliveira, and Isabel Trancoso. 2003. Using Morphossyntactic Information in TTS Systems: Comparing Strategies for European Portuguese. In Proceedings of the 6th Workshop on Computational Processing on the Portuguese Language (PROPOR 2003), pages 143-150, Faro. Springer-Verlag.
  • Tufis, Dan and Oliver Mason. 1998. Tagging Romanian texts: a case study for QTAG, a language independent probabilistic tagger. In Proceedings of the 1st edition of the Language Resources and Evaluation Conference (LREC 1998), volume 1, pages 589-596. European Language Resources Association.
Fonte de datos: Dialnet