=Paper=
{{Paper
|id=None
|storemode=property
|title=Extração e Validação de Ontologias a partir de Recursos Digitais
|pdfUrl=https://ceur-ws.org/Vol-776/ontobras-most2011_paper22.pdf
|volume=Vol-776
|dblpUrl=https://dblp.org/rec/conf/ontobras/PrestesWZV11
}}
==Extração e Validação de Ontologias a partir de Recursos Digitais==
<pdf width="1500px">https://ceur-ws.org/Vol-776/ontobras-most2011_paper22.pdf</pdf>
<pre>
                       Extração e Validação de Ontologias
                          a partir de Recursos Digitais
     Kassius Prestes1 , Rodrigo Wilkens1 , Leonardo Zillio2 , Aline Villavicencio1
    1
        Instituto de Informática – Universidade Federal do Rio Grande do Sul(UFRGS)
         2
             Instituto de Letras – Universidade Federal do Rio Grande do Sul(UFRGS)

    Abstract. This paper aims at presenting a methodology for semi-automatic val-
    idation of an wide-coverage ontology based on an existing electronic resource,
    PAPEL. From the existing relations, we choose those of synonymy and hyper-
    nymy to generate the ontology. The resulting output was converted to OWL for-
    mat 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 é apresentar uma metodologia para
    validação semiautomática de uma ontologia de ampla cobertura, com base em
    um recurso eletrônico existente, o PAPEL. Das relações disponı́veis, foram usa-
    das as de sinonı́mia e de hiperonı́mia para construção da ontologia. Os resul-
    tados foram convertidos para o formato OWL e manualmente validados por um
    lexicógrafo. O resultado obtido foi um recurso ontológico de ampla cobertura
    que pode ser empregado em diversas áreas da computação. O recurso apresenta
    termos organizados a partir de suas relações de hiperonı́mia e de sinonı́mia,
    sendo estas validadas.

1. Introdução
Sistemas computacionais como sistemas de perguntas e respostas (P&R) têm a tarefa
de responder automaticamente uma questão em linguagem natural, procurando por
informações em fontes de dados, tais como um banco de dados estruturado ou docu-
mentos não-estruturados em linguagem natural (p. ex., jornais). Esse tipo de sistema
normalmente realiza quatro passos: análise da pergunta; identificação dos documentos
candidatos; geração das respostas candidatas; e pontuação das respostas. Exemplos são
[Kaisser 2005], [Lin 2005], [Zheng 2002], [Sarmento et al. 2008] e [Amaral et al. 2006].
        Um exemplo de sistema de P&R para o português é o projeto Comunica
[Wilkens et al. 2010], que busca responder perguntas sobre transferências constitucionais
de municı́pios via telefone. Nele, tanto a pergunta do usuário quanto a resposta do sistema
são em liguagem natural, visando a uma maior inclusão digital. O projeto se divide em
quatro módulos-chave: reconhecimento de voz, processamento de texto, acesso a banco
de dados e sı́ntese de voz. O módulo de reconhecimento de voz realiza a conversão de
áudio para texto. O processamento de texto tem a função de identificar dados relevantes
informados pelo usuário a partir da frase transcrita (pelo módulo de reconhecimento de
voz). A identificação dos conceitos é feita por meio de duas ontologias que validam as
palavras da pergunta do usuário: uma de propósito geral e uma do domı́nio da aplicação.
Os conceitos identificados são então buscados pelo módulo de acesso a banco de dados
e a resposta gerada é sintetizada pelo módulo de sı́ntese de voz. Para tal aplicação, é


                                             183
necessária uma ontologia de ampla cobertura que possa auxiliar tanto o módulo de recon-
hecimento de voz a validar as palavras reconhecidas quanto o módulo de processamento
de texto na identificação de conceitos.
         O objetivo deste trabalho é apresentar a metodologia de extração e validação da
ontologia de propósito geral usada no âmbito do projeto Comunica. A ontologia foi ex-
traı́da de modo semiautomático a partir do PAPEL (Palavras Associadas Porto Editora
Linguateca) [Oliveira et al. 2008] e convertida para o formato OWL. Os resultados da
conversão foram validados por um lexicógrafo. O PAPEL é um conjunto de relações
entre palavras extraı́das automaticamente das definições em um tesauro eletrônico. Ele
contém 199.672 entradas, distribuı́das em 8 tipos de relações. Dentre essas, foram sele-
cionadas as relações de hiperonı́mia 1 e de sinonı́mia 2 como base para a ontologia. Neste
trabalho, são descritos os processos de conversão dos dois tipos de relações, com uma
discussão da validação das relações de sinonı́mia.
         Este artigo é estruturado da seguinte maneira: na Seção 2, são discutidos alguns
trabalhos relacionados; a metodologia para extração e validação é descrita nas Seções 3 e
4; por fim, a Seção 5 apresenta conclusões e trabalhos futuros.

2. Trabalhos Relacionados
Buitelaar [Buitelaar et al. 2005] define o aprendizado de ontologias como a aquisição
de conhecimento a partir de textos. Grande parte desse trabalho utiliza como base
áreas da computação como processamento de linguagem natural, inteligência artifi-
cial e aprendizado de máquina. Existem diversas abordagens para a extração au-
tomática de ontologias. Algumas abordagens são probabilı́sticas, como em [Venant 2008]
[Chotimongkol and Rudnicky 2002] [Salton and Buckley 1988]. Contudo, uma das abor-
dagens mais exploradas é a identificação de relações a partir de expressões textuais, como
mostrado em [Hearst 1992]. A identificação baseada em expressões apresenta um mel-
hor resultado na extração de documentos que possuem uma estrutura mais ou menos fixa,
como dicionários, por isso, essa abordagem foi utilizada para a criação do PAPEL.
         Ontologias, especialmente as de ampla cobertura, são recursos de grande valor
para sistemas que empregam tecnologias de linguagem. Por exemplo, a WordNet
[Miller 1995] é um recurso eletrônico que contém relações semântico-conceptuais e lexi-
cais entre as palavras. Ela foi originalmente desenvolvida pela Universidade de Princeton
para o inglês, e posteriormente estendida para outras lı́nguas, inclusive para o português
[Marrafa et al. 2005]. Nela, os termos são agrupados em synsets, onde todos os sinônimos
de um termo estão no mesmo grupo que ele, contendo uma definição e um conjunto de
relações linguı́sticas. A Wordnet é utilizada em aplicações como tradução automática, sis-
temas de busca e extração de informação, entre outros. A WordNet do português (Word-
Net.PT 3 ) contém cerca de 19.000 termos, distribuı́dos em vários campos semânticos.
O fragmento disponı́vel é composto por termos de diversos domı́nios, como arte, saúde,
transportes e vestuário.
   1
     hiperonı́mia é uma relação entre palavras que dá idéia de um todo, da qual se originam diversas
ramificações, por exemplo, veı́culo é hiperônimo de carro, barco e avião
   2
     sinonı́mia é uma relação entre palavras da mesma categoria gramatical, com sentido parecido e com
forma diferente, como por exemplo carro e automóvel
   3
     Desenvolvida pelo Centro de Linguı́stica da Universidade de Lisboa pelo CLG - Grupo de Computação
do Conhecimento Léxico-Gramatical.


                                                  184
        Outro importante recurso léxico para o português é o PAPEL, desenvolvido
com o objetivo de prover uma ontologia geral da linguagem, de grande abrangência
[Oliveira et al. 2008]. Esse recurso foi construido através de extração semiautomática
baseada em padrões de expressões que ocorrem nas definições do Dicionário da Lı́ngua
Portuguesa [Editora 2005]. Dessa forma, foram identificadas relações composicionais,
hierárquicas e de sinonı́mia. Exemplos dessas relações seriam:
                             repartir SINONIMO DE partilhar
               vasqueiro PROPRIEDADE DE ALGO QUE CAUSA vasca
                            vazar ACCAO QUE CAUSA vazão
                                 cabo PARTE DE vassoura
                             navio HIPERONIMO DE veleiro
        Devido à sua abrangência (com 199.672 entradas), foi realizada uma avaliação
por amostragem dos resultados da extração semiautomatica [Oliveira et al. 2009], sendo
que 50% das relações de sinonı́mia apresentam erros em potencial. Por exemplo: de-
liberadamente SINONIMO DE peito. Para contornar estes problemas apresentamos uma
metodologia de extração e validação mais confiáveis (pela validação manual) inseridas no
projeto Comunica[Wilkens et al. 2010].
3. Metodologia
Para a construção de uma ontologia de alta cobertura e precisão a partir dos dados disponi-
bilizados no PAPEL, foi necessária a definição de uma metodologia para conversão e
validação sistemática do recurso com a construção de um sistema para identificação au-
tomática de conflitos nas entradas definidas. Neste trabalho, é abordada a conversão de
duas relações para o format OWL: sinônimos e hiperônimos.
3.1. Relações de Hiperonı́mia
O PAPEL contém 61.263 entradas com relações de hiperonı́mia expressas no seguinte
formato: palavra 1 HIPERONIMO DE palavra 2. Para a conversão, foi utilizada a lin-
guagem de programação Java e o framework Jena. A metodologia de conversão prevê
duas etapas: conversão passiva e conversão ativa.

3.1.1. Conversão Passiva

A abordagem passiva consiste em armazenar as classes ontológicas apenas quando estas
são apresentadas pelo PAPEL (as classes vão sendo criadas enquanto o arquivo de relações
é 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 já existe como classe (dadas as várias palavras repeti-
                das no PAPEL),
            (b) Se não existe, criar a classe.
      2. Adicionar à ontologia a relação onde a classe palavra 1 é superclasse da classe
         palavra 2.
         Esse processo é repetido para cada uma das relações de hiperonı́mia existentes.
Devido ao número de entradas do PAPEL e às várias comparações necessárias, esta
abordagem se mostrou muito custosa em termos de processamento e alto consumo de
memória 4 .
   4
       Apenas cerca de 3% das relações em um perı́odo de aproximadamente 24 horas.


                                                   185
3.1.2. Conversão Ativa

Para tornar o processo mais eficiente em ontologias de alta cobertura, a segunda abor-
dagem proposta cria inicialmente uma nova ontologia esquemática, e as informações já
validadas somente são inseridas na nova ontologia ao final de cada passo de validação.
Esse processo é composto por duas etapas. Primeiro, define-se uma ontologia básica com
todas as classes necessárias, mas sem as relações entre elas. Para tanto, extraem-se do
PAPEL todas as palavras sem repetição e cria-se uma classe para cada uma delas. A
partir dessa ontologia básica com as classes necessárias, adicionam-se as relações en-
tre as classes. Dada uma definição no PAPEL no formato palavra 1 HIPERONIMO DE
palavra 2, procura-se na ontologia básica as classes relativas a palavra 1 e palavra 2 e
adiciona-se a relação à ontologia. Como resultado, obtem-se a conversão da estrutura de
hiperonimos do PAPEL para o formato OWL.

3.2. Relações de Sinonı́mia
A base de sinônimos do PAPEL possui relações 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 advérbio.
Dado o contexto deste trabalho, foram extraı́das as relações de sinonı́mia entre substan-
tivos 5 . A extração de sinônimos foi realizada através das seguintes etapas:
       1. Criar uma lista (inicialmente vazia) de conjuntos (inicialmente vazios). Cada con-
          junto armazenará palavras que são sinônimas entre si.
       2. Para cada uma das entradas, identificar as duas palavras sinônimas presentes.
       3. Verificar se uma dessas palavras já se encontra em algum conjunto de sinônimos
          existente.
              (a) Se sim, insere-se a outra palavra nesse conjunto.
             (b) Se as palavras não estavam em nenhum conjunto existente, cria-se um
                  novo conjunto contendo ambas.
        Dada a ampla abrangência do PAPEL, a polissemia das palavras e a transitividade
da relação de sinonı́mia (se A é sinônimo de B e B é sinônimo de C, então A é sinônimo
de C), ao final do processo, quase todas as palavras foram reconhecidas como sinônimas
entre si. Para criar uma ontologia de alta precisão e cobertura, a aplicação da metodolo-
gia foi semiautomática, e esses casos foram supervisionados por um lexicógrafo, com a
seguinte modificação no passo 3:
       3. Verificar se uma dessas palavras já se encontra em algum conjunto de sinônimos
          existente.
              (a) Se sim, realizar a verificação manual da ambiguidade, analisando os dois
                  conjuntos em que as palavras seriam inseridas. Caso necessário, 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 sinônimos, que
pode ser integrado à estrutura da ontologia gerada no passo anterior.
   5
       Porém, essa abordagem pode ser, em princı́pio, aplicada diretamente aos outros tipos de relação.


                                                      186
4. Validação das Relações de Sinonı́mia
As relações de sinonı́mia da ontologia resultante foram manualmente validadas. Essa
validação ocorreu com consulta a dicionários de lı́ngua portuguesa e a contextos reais
de ocorrência dos pares de sinônimos analisados 6 . Caso as definições dos dicionários
não aclarassem o problema, utilizou-se o buscador on-line do Yahoo! para se observarem
também os contextos de ocorrência.
         Dada a magnitude do recurso gerado, para palavras polissêmicas, a validação foi
realizada com base no significado mais frequente apropriado para o grupo de sinônimos,
sendo que cada substantivo poderia estar presente em apenas um grupo de sinônimos. Por
exemplo: dada a avaliação da relação de sinonimia proposta entre abatimento, diminuição
e desânimo, apesar de desânimo e diminuição não parecerem sinônimas sem um contexto
muito especı́fico, a palavra abatimento pode ser considerada sinônima de ambas, entre
outras. A consulta a dicionários retornou informações sobre abatimento de animais, aba-
timento de preços (diminuição) e abatimento emocional (desânimo). No buscador do
Yahoo!, entre as primeiras 20 ocorrências de “abatimento”, havia 12 ocorrências “abati-
mento de preços”, 4 de “abatimento emocional” e 1 de “abatimento de animais”; as outras
eram irrelevantes (definições de dicionários on-line etc.). Como resultado, abatimento foi
incluı́da com diminuição e excluı́da do conjunto de desânimo.
         A adoção da metodologia proposta permite reduzir a subjetividade envolvida em
todo o processo de decidir que palavras são sinônimas entre si e quais não devem ser 7 .
Isso se torna importante para a replicabilidade do processo de validação, tendo em vista a
natureza inerentemente subjetiva e depedente do vocabulário do avaliador da decisão de
quais palavras possuem uma semelhança de significado.
         Ao final desse processo, a ontologia resultante contém 46.904 entradas, com
40.614 relações de hiperonı́mia e 20.096 de sinonı́mia. O recurso apresenta alta
abrangência e pode ser utilizado em uma grande variedade de sistemas de tecnologia
de linguagem.
5. Conclusões e Trabalhos Futuros
Este artigo propôs uma metodologia para validação de uma ontologia com relações de
hiperonı́mia e sinonı́mia a partir de um recurso lexical eletrônico. Foi apresentada em
detalhes a avaliação de sinonı́mia realizada manualmente e com decisões auxiliadas por
outros recursos. Apesar da magnitude do recurso original e das relações a serem adi-
cionadas, essa metodologia possibilitou uma validação mais ampla do recurso, em vez
da avaliação por amostragem proposta em [Oliveira et al. 2009]. Após a etapa apresen-
tada neste trabalho, resta ainda a validação da estrutura de hiperônimos. Contudo, a parte
já validada do recurso permite a sua utilização em diversas áreas da computação, tais
como tradução automática, sistemas de busca e extração de informação, sistemas conver-
sacionais, sistemas de inferência e extração automática de ontologias.
Agradecimentos
Esta pesquisa tem apoio dos projetos COMUNICA (FINEP/SEBRAE 1194/07), CAPES-
COFECUB (707/11) e CNPq (479824/2009-6 e 309569/2009-5).
   6
     Os dicionários utilizados foram o Houaiss Eletrônico (disponı́vel em CD), o Michaelis On-line e o
Dicionário da Lı́ngua Portuguesa da Porto Editora.
   7
     Tal procedimento pode ser suficiente para os casos que envolvem mais de um significado frequente,
mas, dada a abrangência do recurso, tal avaliação manual se torna impraticável.


                                                 187
References
Amaral, C., Figueira, H., Martins, A., Mendes, A., Mendes, P., and Pinto, C. (2006).
  Priberams question answering system for portuguese. CLEF.
Buitelaar, P., Cimiano, P., and Magnini, B. (2005). Ontology learning from text: An
  overview. Ontology learning from text: Methods, evaluation and applications, 123:3–
  12.
Chotimongkol, A. and Rudnicky, A. (2002). Automatic concept identification in goal-
  oriented conversations. In Seventh International Conference on Spoken Language Pro-
  cessing.
Editora, P. (2005). Dicionário PRO da Lı́ngua Portuguesa. Porto.
Hearst, M. (1992). Automatic acquisition of hyponyms from large text corpora. In Pro-
  ceedings of the 14th conference on Computational linguistics-Volume 2, pages 539–
  545. Association for Computational Linguistics.
Kaisser, M. (2005). Qualim at trec 2005: Web-question answering with framenet. TREC.
Lin, J. (2005). Evaluation of resources for question answering evaluation. Technical
   report, University of Maryland, College Park.
Marrafa, P., Amaro, R., Chaves, R. P., Lourosa, S., Martins, C., and Mendes, S. (2005).
  Wordnet.pt uma rede léxico-conceptual do português on-line. XXI Encontro da
  Associação Portuguesa de Linguı́stica, pages 28–30.
Miller, G. (1995). Wordnet: a lexical database for english. Communications of the ACM,
  38(11):39–41.
Oliveira, H. G., Santos, D., and Gomes, P. (2009). Extracção de relações semânticas entre
   palavras a partir de um dicionário: o papel e sua avaliação. STIL 2009, Linguamática,
   pages 77–93.
Oliveira, H. G., Santos, D., Gomes, P., and Seco, N. (2008). Papel: A dictionary-based
   lexical ontology for portuguese. In Teixeira, A., de Lima, V. L. S., de Oliveira, L. C.,
   and Quaresma, P., editors, Proceedings of Computational Processing of the Portuguese
   Language (PROPOR), volume 5190 of LNAI, pages 31–40. Springer.
Salton, G. and Buckley, C. (1988). Term-weighting approaches in automatic text re-
   trieval* 1. Information processing & management, 24(5):513–523.
Sarmento, L., Teixeira, J. F., and Oliveira, E. (2008). Experiments with query expansion
  in the raposa (fox) question answering system. The Cross-Language Evaluation Forum
  (CLEF).
Venant, F. (2008). Semantic visualization and meaning computation. In 22nd Inter-
  national Conference on on Computational Linguistics: Demonstration Papers, pages
  185–188. Association for Computational Linguistics.
Wilkens, R., Villavicencio, A., Muller, D., Wives, L., da Silva, F., and Loh, S. (2010).
  Comunica - a question answering system for brazilian portuguese. Coling 2010.
Zheng, Z. (2002). Answerbus question answering system. Proceeding of HLT Human
  Language Technology Conference (HLT 2002).


                                             188

</pre>