This paper performs a comparison between two approaches to weight the relevance of extracted non-taxonomic relations found in domain corpora. The first approach computes the relevance according to the verb absolute frequency. The second approach computes the relevance according to the verb frequency and uniqueness in each corpus using tf-dcf relevance index, an index that takes into account the high frequency of verbs in the target corpus, and the low frequency in contrasting corpora. The preliminary results are evaluated for three domain corpora and the top relevant relations are evaluated by expert terminologists. Resumo. Este artigo apresenta uma comparac¸ a˜o entre duas abordagens de ponderac¸a˜o de relevaˆncia de relac¸ o˜es na˜o-taxonoˆmicas extra´ıdas de corpora de dom´ınio. A primeira abordagem calcula a relevaˆncia de acordo com a frequeˆncia absoluta dos verbos. A segunda abordagem calcula a relevaˆncia de acordo com a frequeˆncia do verbo e sua especificidade em cada corpus utilizando o ´ındice de relevaˆncia tf-dcf, um ´ındice que leva em considerac¸ a˜o a alta frequeˆncia no corpus alvo, e a baixa frequeˆncia em corpora contrastantes. Os resultados preliminares foram avaliados para treˆs corpora de dom´ınio e as relac¸o˜es mais relevantes foram avaliadas por terminologistas.
O estudo e a descric¸a˜o dos verbos do portugueˆs do Brasil (PB) sa˜o elementos importantes no aˆmbito dos Estudos da Linguagem, visto que, entre outros elementos da linguagem escrita, sa˜o elementos vitais para subsidiar uma se´rie de recursos de representac¸a˜o e de recuperac¸a˜o de informac¸a˜o com apoio computacional a partir de acervos documentais. Afinal, os verbos, ale´m do papel fundamental para o funcionamento gramatical de qualquer l´ıngua, oferecem via predicac¸a˜o, elementos para a representac¸ a˜o de diferentes relac¸ o˜es na˜o-taxonoˆmicas, que extrapolam relac¸ o˜es hiera´rquicas do tipo parte-todo. Os elementos relacionados assim pelos verbos podem corresponder a termos ou a conceitos de um dom´ınio.
Um exemplo dessa importaˆncia do verbo, para a depreensa˜o de relac¸o˜es entre itens
de uma ontologia ou mapa conceitual e´ a expressa˜o da relac¸ a˜o na˜o-taxonoˆmica do tipo
“X causa Y” que se depreende, por exemplo, nas seguintes frases: (1) Tabagismo causa
caˆncer./ (2) Tabagismo pode causar caˆncer de pulma˜o./ (3) Tabagismo favorece o
aparecimento de caˆncer de pulma˜o. Todavia, muitos dos trabalhos de que dispomos em PLN e
mesmo em Lingu´ıstica, tem se centrado na descric¸a˜o de estruturas sinta´ticas de verbos,
como a anotac¸a˜o de pape´is semaˆnticos ou de argumentos, que visa reconhecer padro˜es
de associac¸a˜o entre determinados sujeitos e complementos nominais e um dado tipo de
verbo [
Assumindo a existeˆncia de uma forma eficiente e eficaz de recuperar
automaticamente este tipo de relac¸a˜o de um corpus de dom´ınio [
Este artigo apresenta um trabalho inicial que propo˜e uma forma alternativa de estimar a relevaˆncia de relac¸o˜es na˜o-taxonoˆmicas de um dom´ınio baseado no contraste com outros dom´ınios. Dessa forma, a pro´xima sec¸ a˜o apresenta a abordagem elementar que considera a relevaˆncia dos verbos extra´ıdos pela sua frequeˆncia absoluta e a abordagem proposta. Em seguida, a sec¸ a˜o 3 apresenta a comparac¸ a˜o destas duas abordagens sobre treˆs corpora de dom´ınio.
Nesta sec¸ a˜o apresenta-se a abordagem elementar que assume a frequeˆncia absoluta e a abordagem proposta que utiliza a frequeˆncia contrastada com outros corpora como indicador de relevaˆncia.
A primeira abordagem considerada neste trabalho toma os verbos mais frequentes como sendo as relac¸ o˜es na˜o-taxonoˆmicas mais relevantes. Dessa forma, esse processo analisa o corpus alvo e identifica os verbos que relacionam dois termos, ou seja, os textos anotados sa˜o percorridos e todo verbo que conecta dois sintagmas nominais (um sujeito e um objeto) e´ considerado uma instaˆncia de relac¸a˜o. As instaˆncias sa˜o contabilizadas, considerando-se os verbos em sua forma canoˆnica (infinitivo), ou seja, a frequeˆncia absoluta dos verbos e´ contabilizada, ignorando-se tempos verbais e flexo˜es de pessoa e nu´mero.
A vantagem dessa abordagem e´ que os verbos com maior frequeˆncia absoluta
sera˜o naturalmente mais produtivos na quantidade de relac¸o˜es geradas, pois quanto maior
o n u´mero de instaˆncias, maior o n u´mero de relac¸o˜ es a considerar. Segundo o
levantamento de um grande corpus do PB [
Tabela 1. Os 20 verbos lematizados no infinitivo mais frequentes no corpus de
Biderman - fonte: [
Buscando ter mais especificidade nas relac¸ o˜es a considerar, a abordagem proposta neste
trabalho baseia-se na aplicac¸a˜o do ´ındice tf-dcf (term frequency, disjoint corpora
frequency) [
tf-dcf(vc) = tf(c)
v Y 1 + log 1 + tf(g)
v g2G (1)
Onde tf(vc) representa a frequeˆncia absoluta do verbo v no corpus c; e G representa o conjunto de corpora contrastantes.
Para ilustrar as diferenc¸as das duas abordagens apresentadas escolhemos treˆs corpora de dom´ınio, um sobre Geologia (Geo), um sobre Pneumopatias (Pneumo), e o Curso de Lingu´ıstica Geral (CLG), de Ferdinand de Saussure, um texto fundamental para a a´rea de L´ınguistica. Adicionalmente, como a abordagem baseada no ´ındice tf-dcf requer o uso de corpora contrastantes, foram utilizados treˆs outros corpora sobre Modelagem estoca´stica (SM), Minerac¸a˜o de dados (DM) e Processamento paralelo (PP) como contrastantes. Assim, para calcular os ´ındices tf-dcf de cada corpus sa˜o usados como contrastantes os dois outros corpora, ale´m dos treˆs corpora adicionais (SM, DM, PP). A tabela 2 apresenta as caracter´ısticas desses corpora e indica, para os treˆs corpora alvos o n u´mero de relac¸ o˜es extra´ıdas. A tabela 3 apresenta as dez relac¸o˜ es consideradas mais relevantes para cada um dos corpora segundo a frequeˆncia absoluta (tf ) e o ´ındice tf-dcf.
corpus
Tabela 2. Caracter´ısticas dos corpora utilizados.
Nu´ mero de Nu´ mero de Nu´ mero de Relac¸o˜ es
Textos Sentenc¸as Tokens Extra´ıdas
Geo Pneumo
CLG SM DM PP
Conforme [
# 1 2 3
Tabela 4. Exemplos de rela c¸ o˜es mais relevantes para o corpus Geo.
Frequeˆncia Absoluta ´Indice tf-dcf superf´ıcie ! ser ! molha´vel cascalho ! recobrir ! formac¸a˜o ferruginosa E´ mostrado que a auseˆncia de a´cidos na˜o garante que a su- Horizonte cascalhento ferruginoso fria´vel de superf´ıcie corperf´ıcie sera´ molha´vel por a fase aquosa. responde ao solo ou os cascalhos que eventualmente recobrem as formac¸o˜es ferruginosas.
footwall ! apresentar ! soerguimento corpo de granito ! cortar ! foliac¸a˜o gna´issica Desta forma, o footwall apresenta sempre um soergui- Os corpos de granito e pegmatito sa˜o usualmente subconcormento, enquanto o hangingwall e´ o dom´ınio subsidente. dantes, mas com frequ¨eˆncia cortam a foliac¸ a˜o gna´issica.
empregado ! ter ! gerente tonalito ! aflorar ! belt de Crixa´s Utilizando-se este paradigma, pode-se induzir que cada em- No extremo sudoeste da a´rea o tonalito aflora como um pregado tem um gerente, o que e´ uma generalizac¸a˜o a partir corpo triangular, limitado a nordeste pelos Gnaisses Crixa´s dos dados existentes naquelas relac¸o˜es. Ac¸u e a oeste pelo greenstone belt de Crixa´s. 1A u´nica adaptac¸a˜o da formulac¸a˜o do ´ındice tf-dcf para termos ao considerar verbos consiste em considerar frequeˆncia absoluta de verbos (tfv) ao inve´s de frequeˆncia de termos (tft).
Tabela 5. Exemplos de rela c¸o˜ es mais relevantes para o corpus Pneumo. # Frequeˆncia Absoluta ´Indice tf-dcf
efeito ! ser ! fator importante espondilite tuberculosa ! acometer ! disco intervertebral 1 O efeito idade e´ um fator importante na chance de abandono A espondilite tuberculosa acomete o disco intervertebral do ha´bito de fumar. mais tardiamente no curso da doenc¸a.
moxifloxacina ! apresentar ! metabolizac¸a˜o hepa´tica nadador ! inalar ! grande quantidade de ar 2 A moxifloxacina, entretanto, apresenta metabolizac¸a˜o Durante a pra´tica do esporte, os nadadores inalam grandes hepa´tica, e a principal via de excrec¸a˜o e´ a biliar. quantidades de ar logo acima de a superf´ıcie da a´gua.
stress ! ter ! papel relevante balangero´ıta ! contaminar ! corpos minerais 3 Como exemplos, podemos citar as doenc¸as coronarianas, em A balangero´ıta contamina os corpos minerais da Ita´lia, e as quais o stress tem um papel relevante. assim por diante.
Tabela 6. Exemplos de rela c¸o˜ es mais relevantes para o corpus CLG. # Frequeˆncia Absoluta ´Indice tf-dcf
l´ıngua ! ser ! sistema escrita ! obscurecer ! visa˜o da l´ıngua 1 Visto ser a l´ıngua um sistema em que todos os termos sa˜o O resultado evidente de tudo isso e´ que a escrita obscurece solida´rios e o valor de um resulta ta˜o somente da presenc¸a a visa˜o da l´ıngua. simultaˆnea de outros, segundo o esquema:
l´ıngua ! ter ! cara´ter de fixidez evoluc¸a˜o de som ! acentuar ! diferenc¸a existente 2 Se a l´ıngua tem um cara´ter de fixidez, na˜o e´ somente porque A evoluc¸a˜o dos sons na˜o faz mais que acentuar as esta´ ligada ao peso da coletividade, mas tambe´m porque esta´ diferenc¸as existentes antes de ela. situada no tempo.
l´ıngua ! constituir ! sistema 3 Uma l´ıngua constitui um sistema.
uso ! consagrar ! dupla grafia Vimos na que, contrariamente ao que se verifica para outros sons, o uso consagrou para aqueles uma dupla grafia.
As tabelas 4, 5 e 6 apresentam exemplos (sentenc¸as do corpus) das treˆs relac¸o˜es mais relevantes para cada um dos corpora, respectivamente, segundo cada uma das abordagens. Observando estes exemplos, percebe-se que as relac¸o˜es mais relevantes segundo abordagem baseada no ´ındice tf-dcf apresentam caracter´ısticas claras de relac¸ o˜es na˜otaxonoˆmicas. Por exemplo, observa-se as triplas geradas por tf-dcf “cascalho recobre formac¸a˜o ferruginosa”, “espondite tuberculosa acomete disco intervertebral”, e “escrita obscurece visa˜o da l´ıngua”.
Ja´ os exemplos das relac¸o˜es mais relevantes segundo a frequeˆncia absoluta tem um caracter que se assemelha mais a definic¸a˜o de propriedades/atributos, como e´ o caso de “superf´ıcie e´ molha´vel”, ou ainda de “stress tem papel relevante”. Ainda encontra-se casos que podem ser vistos como uma relac¸a˜o taxonoˆmica, como por exemplo: “l´ıngua e´ sistema”, ou seja, uma l´ıngua e´ um tipo de sistema.
Neste estudo, mostramos dois tipos de abordagens no que diz respeito ao tratamento automa´tico dos verbos em corpora de dom´ınio com o propo´sito de identificar relac¸ o˜es na˜o-taxonoˆmicas mais relevantes. Enquanto que a primeira abordagem, que considera a frequeˆncia em termos absolutos, aponta para aqueles verbos que sa˜o mais gerais da l´ıngua, a segunda abordagem, que se vale do ´ındice tf-dcf, fornece uma lista de verbos que sa˜o mais espec´ıficos do dom´ınio a que pertencem os textos.
Acreditamos, portanto, que atingimos nosso objetivo de identificar as relac¸o˜es mais relevantes para o dom´ınio, contribuic¸a˜o do estudo atrave´s do ´ındice tf-dcf que consiste no aux´ılio a` construc¸a˜o de ontologias e na recuperac¸ a˜o automa´tica de informac¸o˜es, visto que acrescenta dados importantes sobre o verbo, um elemento vital - e pouco explorado, do ponto de vista do processamento automa´tico - para o funcionamento da l´ıngua. Ale´m disso, temos tambe´m uma importante contribuic¸a˜o para os Estudos da Linguagem, ressaltando o papel dos verbos em diferentes dom´ınios.
Cabe observar, contudo, que, quanto aos corpora em exame neste estudo, o CLG destaca-se dos outros corpora analisados, por va´rios motivos. Em primeiro lugar, ainda que se trate de um texto importante dentro do dom´ınio da Lingu´ıstica, na˜o e´ uma compilac¸a˜o de textos cient´ıficos, como os corpora de Geologia e de Pneumopatias e, ale´m disso, e´ uma traduc¸a˜o de um texto escrito originalmente em franceˆs, em 1916. Outro aspecto e´ o de que e´ o u´nico representante de um dom´ınio de a´reas humanas, enquanto que todos os outros sa˜o das a´reas Exatas, da Sau´de ou das Cieˆncias Naturais, incluindo-se os corpora contrastantes. Por isso, fica como sugesta˜o para trabalhos futuros, a contraposic¸ a˜o dos verbos do CLG com os verbos de um corpus de textos de jornais, por exemplo, em que a linguagem ordina´ria desse geˆnero pode, em contraste, oferecer um panorama mais espec´ıfico do dom´ınio da Lingu´ıstica.