This paper aims at presenting a methodology for semi-automatic validation of an wide-coverage ontology based on an existing electronic resource, PAPEL. From the existing relations, we choose those of synonymy and hypernymy to generate the ontology. The resulting output was converted to OWL format e manually validated by a lexicographer. As result, we have a wide-coverage ontological resource that can be used in different subareas of computer science. The resource displays concepts organized according to their hypernymy and validated synonymy relations. Resumo. O objetivo desse trabalho e´ apresentar uma metodologia para validac¸a˜o semiautoma´tica de uma ontologia de ampla cobertura, com base em um recurso eletroˆnico existente, o PAPEL. Das relac¸o˜es dispon´ıveis, foram usadas as de sinon´ımia e de hiperon ´ımia para construc¸ a˜o da ontologia. Os resultados foram convertidos para o formato OWL e manualmente validados por um lexico´grafo. O resultado obtido foi um recurso ontolo´gico de ampla cobertura que pode ser empregado em diversas a´reas da computac¸a˜o. O recurso apresenta termos organizados a partir de suas relac¸o˜es de hiperon´ımia e de sinon ´ımia, sendo estas validadas.
necessa´ria uma ontologia de ampla cobertura que possa auxiliar tanto o m o´dulo de reconhecimento de voz a validar as palavras reconhecidas quanto o m o´dulo de processamento de texto na identificac¸a˜o de conceitos.
O objetivo deste trabalho e´ apresentar a metodologia de extrac¸a˜o e validac¸a˜o da
ontologia de prop o´sito geral usada no aˆmbito do projeto Comunica. A ontologia foi
extra´ıda de modo semiautom a´tico a partir do PAPEL (Palavras Associadas Porto Editora
Linguateca) [
Este artigo e´ estruturado da seguinte maneira: na Sec¸a˜o 2, sa˜o discutidos alguns trabalhos relacionados; a metodologia para extrac¸a˜o e validac¸a˜o e´ descrita nas Sec¸ o˜es 3 e 4; por fim, a Sec¸a˜o 5 apresenta conclus o˜es e trabalhos futuros.
Ontologias, especialmente as de ampla cobertura, sa˜o recursos de grande valor
para sistemas que empregam tecnologias de linguagem. Por exemplo, a WordNet
[
1hiperon´ımia e´ uma relac¸a˜o entre palavras que da´ ide´ia de um todo, da qual se originam diversas ramificac¸o˜es, por exemplo, ve´ıculo e´ hiperoˆnimo de carro, barco e avia˜o
2sinon´ımia e´ uma relac¸a˜o entre palavras da mesma categoria gramatical, com sentido parecido e com forma diferente, como por exemplo carro e automo´vel
3Desenvolvida pelo Centro de Lingu´ıstica da Universidade de Lisboa pelo CLG - Grupo de Computac¸ a˜o do Conhecimento Le´xico-Gramatical.
Outro importante recurso le´xico para o portugueˆs e´ o PAPEL, desenvolvido
com o objetivo de prover uma ontologia geral da linguagem, de grande abrangeˆncia
[
repartir SINONIMO DE partilhar vasqueiro PROPRIEDADE DE ALGO QUE CAUSA vasca vazar ACCAO QUE CAUSA vaza˜o
cabo PARTE DE vassoura navio HIPERONIMO DE veleiro
Devido a` sua abrangeˆncia (com 199.672 entradas), foi realizada uma avaliac¸a˜o
por amostragem dos resultados da extrac¸a˜o semiautomatica [
Para a construc¸a˜o de uma ontologia de alta cobertura e precisa˜o a partir dos dados disponibilizados no PAPEL, foi necessa´ria a definic¸a˜o de uma metodologia para conversa˜o e validac¸a˜o sistema´tica do recurso com a construc¸a˜o de um sistema para identificac¸a˜o automa´tica de conflitos nas entradas definidas. Neste trabalho, e´ abordada a conversa˜o de duas relac¸ o˜es para o format OWL: sin oˆnimos e hiper oˆnimos.
O PAPEL conte´m 61.263 entradas com relac¸ o˜es de hiperon´ımia expressas no seguinte formato: palavra 1 HIPERONIMO DE palavra 2. Para a conversa˜o, foi utilizada a linguagem de programac¸a˜o Java e o framework Jena. A metodologia de conversa˜o preveˆ duas etapas: conversa˜o passiva e conversa˜o ativa.
A abordagem passiva consiste em armazenar as classes ontol o´gicas apenas quando estas sa˜o apresentadas pelo PAPEL (as classes va˜o sendo criadas enquanto o arquivo de relac¸ o˜es e´ lido). Para cada entrada do PAPEL, definida em termos de duas palavras (palavra 1 e palavra 2): 1. Para cada palavra: (a) Verificar se a palavra ja´ existe como classe (dadas as va´rias palavras repetidas no PAPEL), (b) Se na˜o existe, criar a classe. 2. Adicionar a` ontologia a relac¸a˜o onde a classe palavra 1 e´ superclasse da classe palavra 2.
Esse processo e´ repetido para cada uma das relac¸ o˜es de hiperon´ımia existentes. Devido ao n u´mero de entradas do PAPEL e a`s va´rias comparac¸ o˜es necessa´rias, esta abordagem se mostrou muito custosa em termos de processamento e alto consumo de mem o´ria 4.
4Apenas cerca de 3% das relac¸o˜es em um per´ıodo de aproximadamente 24 horas.
Para tornar o processo mais eficiente em ontologias de alta cobertura, a segunda abordagem proposta cria inicialmente uma nova ontologia esquema´tica, e as informac¸o˜es ja´ validadas somente sa˜o inseridas na nova ontologia ao final de cada passo de validac¸a˜o. Esse processo e´ composto por duas etapas. Primeiro, define-se uma ontologia ba´sica com todas as classes necessa´rias, mas sem as relac¸o˜es entre elas. Para tanto, extraem-se do PAPEL todas as palavras sem repetic¸a˜o e cria-se uma classe para cada uma delas. A partir dessa ontologia ba´sica com as classes necessa´rias, adicionam-se as relac¸o˜es entre as classes. Dada uma definic¸a˜o no PAPEL no formato palavra 1 HIPERONIMO DE palavra 2, procura-se na ontologia ba´sica as classes relativas a palavra 1 e palavra 2 e adiciona-se a relac¸a˜o a` ontologia. Como resultado, obtem-se a conversa˜o da estrutura de hiperonimos do PAPEL para o formato OWL.
A base de sinoˆnimos do PAPEL possui relac¸o˜es expressas da seguinte maneira: palavra 1 SINONIMO <classe> DE palavra 2, onde em <classe> ocorrem as seguintes tags, que indicam classes gramaticais: N substantivo, V verbo, ADJ adjetivo e ADV adve´rbio. Dado o contexto deste trabalho, foram extra´ıdas as relac¸ o˜es de sinon´ımia entre substantivos 5. A extrac¸a˜o de sinoˆnimos foi realizada atrave´s das seguintes etapas: 1. Criar uma lista (inicialmente vazia) de conjuntos (inicialmente vazios). Cada conjunto armazenara´ palavras que sa˜o sinoˆnimas entre si. 2. Para cada uma das entradas, identificar as duas palavras sinoˆnimas presentes. 3. Verificar se uma dessas palavras ja´ se encontra em algum conjunto de sinoˆnimos existente.
(a) Se sim, insere-se a outra palavra nesse conjunto. (b) Se as palavras na˜o estavam em nenhum conjunto existente, cria-se um novo conjunto contendo ambas.
Dada a ampla abrangeˆncia do PAPEL, a polissemia das palavras e a transitividade da relac¸a˜o de sinon´ımia (se A e´ sinoˆnimo de B e B e´ sinoˆnimo de C, enta˜o A e´ sinoˆnimo de C), ao final do processo, quase todas as palavras foram reconhecidas como sinoˆnimas entre si. Para criar uma ontologia de alta precisa˜o e cobertura, a aplicac¸a˜o da metodologia foi semiautoma´tica, e esses casos foram supervisionados por um lexico´grafo, com a seguinte modificac¸a˜o no passo 3: 3. Verificar se uma dessas palavras ja´ se encontra em algum conjunto de sinoˆnimos existente.
(a) Se sim, realizar a verificac¸a˜o manual da ambiguidade, analisando os dois conjuntos em que as palavras seriam inseridas. Caso necessa´rio, editar os conjuntos manualmente, separando as palavras de modo adequado. (b) Se nenhuma estava em um conjunto existente, criar um novo conjunto com ambas.
Ao final do processo obtem-se um amplo conjunto de grupos de sinoˆnimos, que pode ser integrado a` estrutura da ontologia gerada no passo anterior.
5Pore´m, essa abordagem pode ser, em princ´ıpio, aplicada diretamente aos outros tipos de relac¸ a˜o.
As relac¸ o˜es de sinon´ımia da ontologia resultante foram manualmente validadas. Essa validac¸a˜o ocorreu com consulta a diciona´rios de l´ıngua portuguesa e a contextos reais de ocorreˆncia dos pares de sin oˆnimos analisados 6. Caso as definic¸o˜es dos diciona´rios na˜o aclarassem o problema, utilizou-se o buscador on-line do Yahoo! para se observarem tambe´m os contextos de ocorreˆncia.
Dada a magnitude do recurso gerado, para palavras polisseˆmicas, a validac¸a˜o foi realizada com base no significado mais frequente apropriado para o grupo de sinoˆnimos, sendo que cada substantivo poderia estar presente em apenas um grupo de sin oˆnimos. Por exemplo: dada a avaliac¸a˜o da relac¸a˜o de sinonimia proposta entre abatimento, diminuic¸a˜o e desaˆnimo, apesar de desaˆnimo e diminuic¸a˜o na˜o parecerem sin oˆnimas sem um contexto muito espec´ıfico, a palavra abatimento pode ser considerada sin oˆnima de ambas, entre outras. A consulta a diciona´rios retornou informac¸ o˜es sobre abatimento de animais, abatimento de prec¸os (diminuic¸ a˜o) e abatimento emocional (desaˆnimo). No buscador do Yahoo!, entre as primeiras 20 ocorreˆncias de “abatimento”, havia 12 ocorr eˆncias “abatimento de prec¸os”, 4 de “abatimento emocional” e 1 de “abatimento de animais”; as outras eram irrelevantes (definic¸o˜es de diciona´rios on-line etc.). Como resultado, abatimento foi inclu´ıda com diminuic¸ a˜o e exclu´ıda do conjunto de des aˆnimo.
A adoc¸a˜o da metodologia proposta permite reduzir a subjetividade envolvida em todo o processo de decidir que palavras sa˜o sin oˆnimas entre si e quais na˜o devem ser 7. Isso se torna importante para a replicabilidade do processo de validac¸a˜o, tendo em vista a natureza inerentemente subjetiva e depedente do vocabula´rio do avaliador da decisa˜o de quais palavras possuem uma semelhanc¸a de significado.
Ao final desse processo, a ontologia resultante con te´m 46.904 entradas, com 40.614 relac¸ o˜es de hiperon´ımia e 20.096 de sinon ´ımia. O recurso apresenta alta abrangeˆncia e pode ser utilizado em uma grande variedade de sistemas de tecnologia de linguagem.
Este artigo prop oˆs uma metodologia para validac¸a˜o de uma ontologia com relac¸ o˜es de
hiperon´ımia e sinon ´ımia a partir de um recurso lexical eletr oˆnico. Foi apresentada em
detalhes a avaliac¸a˜o de sinon´ımia realizada manualmente e com decis o˜es auxiliadas por
outros recursos. Apesar da magnitude do recurso original e das relac¸ o˜es a serem
adicionadas, essa metodologia possibilitou uma validac¸a˜o mais ampla do recurso, em vez
da avaliac¸a˜o por amostragem proposta em [
Esta pesquisa tem apoio dos projetos COMUNICA (FINEP/SEBRAE 1194/07), CAPESCOFECUB (707/11) e CNPq (479824/2009-6 e 309569/2009-5).
6Os diciona´rios utilizados foram o Houaiss Eletroˆnico (dispon´ıvel em CD), o Michaelis On-line e o Diciona´rio da L´ıngua Portuguesa da Porto Editora.
7Tal procedimento pode ser suficiente para os casos que envolvem mais de um significado frequente, mas, dada a abrangeˆncia do recurso, tal avaliac¸a˜o manual se torna impratica´vel.