El objetivo del experimento presentado en este trabajo1 es la expansion del WordNet gallego mediante extraccion lexica a partir de un diccionario de sinonimos de esta lengua. El experimento se realiza dentro del proyecto coordinado SKATeR en el que nuestro grupo tiene como objetivo prioritario la construccion de Galnet, la version gallega del WordNet 3.0. El marco de desarrollo en el que se integra Galnet es el Multilingual Central Repository (MCR) [4], una plataforma que abarca los lexicos WordNet de cinco lenguas (ingles, espan~ol, catalan, vasco y gallego) enlazados por el ndice interlingu stico (ILI) correspondiente al WordNet 3.0 y con los synsets categorizados en la jerarqu a de dominios IRST y en las ontolog as SUMO y Top Concept Ontology. Galnet se distribuye con licencia Creative Commons como parte del MCR2. La version de Galnet de esta distribucion alcanza la cobertura lexica que se muestra en la Tabla 1 en comparacion con la del WordNet 3.0 del ingles.
En este art culo mostramos las tecnicas utilizadas y los primeros resultados de un experimento de expansion del WordNet gallego mediante extraccion lexica a partir de un diccionario de sinonimos de esta lengua.
Esta primera distribucion publica de Galnet (de nales del 2012) se inicio con la traduccion al gallego de los synsets nominales y verbales pertenecientes a los Basic Level Concepts (BLC). Mas concretamente, se tradujeron y adaptaron al gallego los 649 synsets nominales y 616 synsets verbales agrupados en freqmin20/all en la distribucion o cial de los BLC para WordNet 3.03. Esta version inicial de Galnet incluye tambien la traduccion gallega de los cheros lexicogra cos correspondientes a las partes del cuerpo (noun.body), a las substancias (noun.substance) y a los adjetivos de tipo general (adj.all)4. As mismo, esta version incluye una primera expansion realizada con el WN-Toolkit [5] que ampl a la cobertura lexica de Galnet a partir de dos recursos bilingues ingles-gallego ya existentes, la Wikipedia y el Dicionario CLUVI Ingles-Galego5.
A partir de esta version base de 2012, se ha seguido ampliando Galnet mediante tecnicas de extraccion lexica basadas en recursos textuales bilingues existentes. Concretamente, se ha llevado a cabo una nueva extraccion lexica con WN-Toolkit a partir de los corpus paralelos CLUVI6 y SemCor7 y de diversos lexicos bilingues (Apertium8, Wiktionary9 y Babelnet10[3]. Igualmente, se ha empezado a trabajar en la extraccion lexica a partir del Dicionario de sinonimos do galego11, unico diccionario electronico del gallego de este tipo, con una extension actual de 27.104 entradas, 44.849 acepciones y 203.251 sinonimos[2].
Los resultados de estas ultimas expansiones en curso, aun en fase de completar la revision e introduccion de la extraccion, se pueden ver en la interface de consulta de Galnet12 realizando las consultas sobre la version de desarrollo del recurso, cuya cobertura actual se muestra en en la Tabla 2
N V Adj Adv TOTAL
Aunque ya se realizo previamente un experimento de extraccion a partir del Dicionario de sinonimos do galego[1], el objetivo de insistir en la experimentacion con el mismo recurso no es otro que tratar de obtener una mayor cobertura de variantes para el Galnet a traves de la extraccion automatica de candidaturas procedentes del diccionario de sinonimos, que cuenta con un volumen considerable de lemas en su repertorio organizados semanticamente con ciertas similitudes respecto al Galnet. Los resultados de los experimentos anteriores no cerraron las puertas para insistir en el reaprovechamiento de la obra lexicogra ca, sino que dejaron entrever que tal vez se podr a plantear una nueva hipotesis con el n de rentabilizar mas e cazmente una extraccion para alimentar la nueva version del WordNet en lengua gallega, tanto cuantitativa como cualitativamente. 2. 2.1.
El analisis de resultados de un experimento anterior para la incorporacion de lemas del Dicionario de sinonimos do galego revelaba que todav a se podr an intentar nuevas estrategias para explotar el caudal lexico y la organizacion semantica del diccionario. Este experimento previo se disen~o con el objetivo de identi car los lemas del diccionario y las variantes de Galnet con un bajo ndice de frecuencia que fuesen identicos. La hipotesis de partida consist a en que los lemas que aparecen en muy pocas ocasiones tienen mayor probabilidad de identi car formas monosemicas y, por lo tanto, al encontrarse tanto en el diccionario como en Galnet permitir a trasladar, tras una revision humana, los sinonimos correspondientes a esa acepcion lexicogra ca como variantes del mismo synset en el WordNet gallego. De entre las variantes que se documentaron una unica vez en las dos obras (hapax 3http://adimen.si.ehu.es/web/BLC/ 4http://wordnet.princeton.edu/wordnet/man/lexnames.5WN.html 5http://sli.uvigo.es/dicionario/ 6http://sli.uvigo.es/CLUVI/ 7http://www.gabormelli.com/RKB/SemCor\_Corpus/ 8http://sourceforge.net/projects/apertium/ 9http://www.wiktionary.org 10http://babelnet.org 11http://sli.uvigo.es/sinonimos 12http://sli.uvigo.es/galnet/ legomena), una vez que se realizo la revision lexicologica, se aprobaron el 65 % de las 4.283 candidaturas producto del cruce automatico[1].
En el momento en que se nalizo este experimento y se importaron las nuevas variantes para Galnet el diccionario se hab a revisado y en el WordNet del gallego ya se hab an importado los resultados de otros experimentos, por lo que se abr a la posibilidad de repetir el experimento tratando de mejorar la e cacia y reducir la intervencion humana. Con el n disminuir el coste de la revision lexicologica y de extraer aun mas informacion de forma automatica se disen~o una nueva estrategia que se basa en la hipotesis de que si al menos dos lemas son sinon micos en la misma acepcion de la obra lexicogra ca y eses mismos lemas son variantes del mismo synset en WordNet, es probable que se trate del mismo sentido; es decir, que la acepcion lexicogra ca re eje el mismo valor semantico que el synset de WordNet. En consecuencia, las formas sinon micas restantes de la acepcion lexicogra ca son susceptibles de convertirse en variantes del mismo synset y ampliar la cantidad de variantes presentes en el Galnet en estos casos.
La organizacion interna del diccionario de sinonimos utilizado para el experimento parte de un total de 203.251 lemas (que no suelen ser unicos, sino que a menudo se repiten en diferentes entradas y/o acepciones). La version en desarrollo de Galnet cuenta en la actualidad con 32.102 variantes (que tambien se pueden repetir en diferentes synsets, aunque con un ndice de frecuencia en la repeticion sensiblemente menor que en el caso del diccionario). 2.2.
Tras el cruce automatico de dos sinonimos en la misma acepcion del diccionario con la misma categor a gramatical y con dos variantes identicas en el mismo synset tanto en el diccionario como en Galnet, se han obtenido 25.186 candidaturas diferentes a constituir variantes nuevas, cada una de ellas asociada al synset correspondiente, para enriquecer el WordNet del gallego. Pese al optimismo que produce la obtencion de un alto numero de candidaturas, su introduccion en la red lexico-semantica que conforma WordNet necesita de una revision lexicologica que garantice la congruencia de cada synset. Ante una cantidad tan ingente de propuestas para revisar, se intento obtener una veri cacion de la hipotesis de partida utilizando la misma metodolog a con una fuente distinta; as mismo, se disen~o una repeticion del experimento en fases con el objetivo de limitar la cantidad de resultados y mejorar la precision de las propuestas.
Con el n de veri car la validez del metodo propuesto, se realizo la misma prueba con una fuente diferente, un thesaurus elaborado a partir de las sinonimias que ofrece el Vocabulario Ortogra co da Lingua Galega (VOLGa)13. Las caracter sticas de este thesaurus son muy diferentes a las del diccionario, pues cuenta unicamente con 6.960 sinonimos organizados en 3.263 synsets, motivo por el que la cantidad de synsets con mas de dos formas sinonimicas no es muy numerosa y la probabilidad de que los sinonimos no se encuentren ya en Galnet es tambien reducida; sin embargo, al tratarse de una fuente normativa, se incrementa su abilidad. Como producto de esta ultima prueba se obtuvieron solamente 42 candidaturas a variantes nuevas para Galnet y tras su revision lexicologica unicamente 4 formas candidatas fueron rechazadas por una asignacion incorrecta del valor semantico del synset que ten an asignado.
Para restringir la cantidad de candidaturas procedentes del diccionario de sinonimos se redisen~o el experimento dividiendolo en fases que permitiesen la revision humana en plazos de tiempo mas razonables. Se repitio el experimento cruzando las acepciones del diccionario que compartiesen 3 sinonimos o mas con 3 variantes en el mismo synset de Galnet y se obtuvieron 6.335 candidaturas. Para evaluar la adaptacion de los resultados en Galnet se efectuo una cata de las ultimas 100 formas candidatas a variantes y se realizo una revision lexicologica de cada una de ellas.
Tras esta revision se con rmo que la precision de las formas candidatas obtenidas automaticamente era relativa, pues solo el 35 % de las candidaturas se consideraron correctas a causa de diferentes factores: por una parte, factores formales derivados de las caracter sticas del diccionario de sinonimos, pues esta obra lexicogra ca, ideada originariamente para el sector editorial, contiene formas dialectales, variantes que no son normativas, popularismos, formas con interferencias lingu sticas, etc.; por otra parte, factores debidos a la mala asignacion conceptual en casos de polisemia.
As mismo, durante la revision de las formas candidatas, se detecto que la precision disminu a segun se incrementaba el ndice de dispersion semantica; es decir, que cuando existe un numero de elevado de sinonimos en la misma acepcion del diccionario, las candidaturas propuestas para incorporarse a Galnet son menos acertadas. Como fruto de esta observacion se repitio el experimento con el cruce de tres formas sinon micas que coincidan con tres variantes con la misma categor a gramatical entre s y que ademas se limitase a las acepciones del 13http://www.realacademiagalega.org/recursos-volg/ diccionario que no tuviesen mas de 5 sinonimos. El resultado fue de 856 formas candidatas a variantes de las que se selecciono una cata con las 100 primeras para su revision. El ndice de precision de esta cata es ligeramente superior al 60 % y constituye un punto de partida asumible para una revision humana e caz. Dado que la metodolog a que se ha utilizado admite sin lugar a dudas la recursividad (tras cada ampliacion de Galnet el cruce de sinonimos y variantes puede ofrecer nuevos resultados presumiblemente mas precisos), el experimento se ira repitiendo en fases sucesivas que vayan ampliando la cobertura de los cruces, durante las cuales se iran eliminando paulatinamente las restricciones que se han descrito, y se establecera un nuevo ltro para que no se generen candidaturas identicas a las que no hayan sido aceptadas en revisiones humanas anteriores.
Un mero analisis cuantitativo de los resultados podr a re ejar la posibilidad de un gran aumento en el WordNet gallego si se corrobora la incorporacion de la mayor parte de las candidaturas a variantes procedentes de la extraccion del diccionario de sinonimos, sin embargo todas estas candidaturas enriquecen synsets que ya ten an al menos dos variantes previas en el Galnet y en contadas ocasiones amplian la cobertura (unicamente en algunos casos debido a la intervencion humana durante la revision) a nuevos synsets o a synsets que tienen una unica variante. Por lo tanto, es necesario relativizar el impacto que pueda suponer la inclusion de estas variantes nuevas, pues uno de los objetivos principales del grupo de investigacion es ampliar Galnet en todas las dimensiones y es preciso considerar que es complementario de otros experimentos que inciden en la ampliacion de WordNet ofreciendo variantes para los synsets en los que todav a no se ha introducido ninguna.
Cabe destacar tambien que en el momento en que se redacta esta comunicacion los resultados estan pendientes todav a de una revision mas amplia desde una perspectiva lexicologica y que el desarrollo del experimento se encuentra en fase inicial. Ademas, la evolucion de la experimentacion podr a indicar posibles mejoras en el ndice de precision, pues el factor humano durante la revision lexicogra ca de los resultados tiene un peso determinante en la metodolog a dada la gran cantidad de candidaturas.
Para concluir, pensamos que esta metodolog a de expansion de WordNet podr a aplicarse sin demasiadas modi caciones en proyectos de ampliacion de WordNet en otros idiomas, siempre que se disponga para la lengua de repertorios lexicos con caracter sticas similares al Dicionario de sinonimos do galego utilizado para esta investigacion. [3] Gomez Guinovart, Xavier y Antoni Oliver: Methodology and evaluation of the Galician WordNet expansion with the WN-Toolkit. XXX Congreso de la Sociedad Espan~ola para el Procesamiento del Lenguaje Natural.
Girona. (2014)