This paper presents an ongoing work on ontology learning from text, focusing on the acquisition of concepts and relations. In order to do that, this work investigates approaches for ontology learning, and presents a proposal based on graphs metrics to identify concepts, and text analysis to find relations between the concepts. Resumo. Este artigo apresenta um trabalho em andamento na a´rea de aprendizado de ontologias a partir de texto, focando na identificac¸a˜o de conceitos e relac¸o˜es. Para isto, este trabalho investiga abordagems para o aprendizado de ontologias e apresenta uma proposta baseada me´tricas de grafos para identificar conceitos, e ana´lise do texto com os conceitos encontrados para obter relac¸o˜es.
Para muitas l´ınguas e dom ´ınios o aprendizado de ontologias tem que ser realizado a partir de poucos recursos lingu´ısticos dispon ´ıveis. Nesse contexto, este trabalho objetiva
Figura 1. Hierarquia dos processos de aprendizado de ontologia [2] investigar dois aspectos do aprendizado de ontologias, a identificac¸a˜o de conceitos e de relac¸ o˜es entre conceitos, focando na identificac¸a˜o de conceitos simples e na identificac¸a˜o de elementos que indicam relac¸ o˜es entre termos. Para tanto esse trabalho inicia com uma revisa˜o do estado da arte, na sec¸a˜o 2. A seguir, na sec¸a˜o 3 sa˜o apresentadas as te´cnicas utilizados na abordagem proposta. Na sec¸a˜o 4 sa˜o discutidas as conclus o˜es e os trabalhos futuros.
Gruber [10] define uma ontologia como uma especificaca¸˜o formal e expl´ıcita de uma conceitualizac¸a˜o compartilhada por um dom´ınio de interesse, onde formal significa que a ontologia deve ser interpreta´vel por computador e aceita por um grupo ou comunidade da a´rea que a ontologia modela. Ale´m disso, deve ser restrita a um dado dom´ınio de interesse e, portanto, modelar conceitos e relac¸ o˜es relevantes a uma tarefa ou aplicac¸a˜o particular do dom´ınio [2]. Atualmente n a˜o ha´ um consenso sobre os me´todos para o aprendizado automa´tico de ontologias, que segundo [2], podem ser divididos em seis n´ıveis: termos, sin oˆnimos, conceitos, hierarquias de conceitos, relac¸ o˜es e regras. A hierarquia dessas tarefas no processo de aprendizado de ontologias e´ mostrada na Figura 1.
A aquisic¸a˜o de termos consiste em encontrar automaticamente palavras que representem conceitos de um dom´ınio. Este e´ o passo inicial do aprendizado de ontologias, sendo seus resultados usados em todas as etapas posteriores. As te´cnicas mais utilizadas para tanto sa˜o a indexac¸a˜o de termos, ana´lise de frequeˆncia, coocorreˆncia e uma combinac¸a˜o dos dois me´todos anteriores [14]. Segundo Buitelaar [2], a extrac¸a˜o de conceitos e´ uma etapa controversa, por na˜o estar claro o que exatamente e´ um conceito. Nesta etapa podem ser considerados como conceitos uma definic¸a˜o, instancias de um conceito ou um conjunto multil´ıngue de termos, dependendo do uso que o pesquisador da ontologia gerar.
A identificac¸a˜o de sin oˆnimos visa a aquisic¸a˜o semaˆntica de variantes de termos, ou seja, encontrar entre os termos de um texto aqueles que compartilham func¸ o˜es semaˆnticas. Para tanto, o estado da arte mapeia a semaˆntica de cada palavra e identifica as palavras que possuem intersecc¸a˜o, sendo este mapeamento comumente realizado pelo contexto dos termos [3] ou diretamente pala semaˆntica dos termos [17].
A extrac¸a˜o de taxonomias busca identificar uma organizac¸a˜o hiera´rquica entre os conceitos, sendo comum o uso de listas de termos que indicam tais relac¸ o˜es, o que gera uma boa precisa˜o na identificac¸a˜o, mas devido ao fato destes padr o˜es serem muito espec´ıficos esta abordagem apresenta uma baixa cobertura das relac¸ o˜es existentes [11]. Outra abordagem e´ a hip o´tese de distribuic¸a˜o, onde sa˜o derivadas automaticamente as hierarquias de termos a partir do texto usando ana´lise de conceitos formais [8] (ex. [4], [7], [9]). A comunidade de recuperac¸a˜o de informac¸a˜o trata esta tarefa a partir da avaliac¸a˜o da distribuic¸a˜o e relevaˆncia dos termos nos documentos, como mostrado por Sanderson e Croft em [15].
A extrac¸a˜o de outras relac¸ o˜es na˜o hiera´rquicas entre conceitos (por exemplo, relac¸ o˜es entre sintomas, doenc¸as e drogas) tem sido feita a partir de textos, em geral procurando por relac¸ o˜es entre pares de conceitos com mesma classe gramatical.
Por fim, a extrac¸a˜o de regras, discutida em [12] e [5], e´ a a´rea pesquisada menos abordada em aprendizado de ontologias [2]. O objetivo deste passo e´ encontrar regras gramaticais que rejam as relac¸ o˜es das ontologias.
Dentro desse contexto, esse trabalho e´ similar ao de [3] no uso de mutual information para a extrac¸a˜o de sinonimia, com a difierenc¸a de que utilizamos esta m e´trica sobre um grafo do texto, e na˜o diretamente sobre ele, e a [16] que verificam relac¸o˜es, diferindo por generalizarmos os padr o˜es encontrados.
O objetivo deste trabalho e´ gerar automaticamente ontologias a partir de um corpus do dom´ınio, com foco na identificac¸ a˜o de conceitos e relac¸ o˜es do dom´ınio, discutidos respectivamente nas sec¸ o˜es 3.1 e 3.2.
Neste trabalho na˜o diferenciamos termos e conceitos no processo de aquisic¸a˜o devido a` natureza pr o´xima destes, assim tornando o resultante do sistema mais pr o´ximo de uma ontologia lingu´ıstica de dom ´ınio. O processo inicia com a gerac¸ a˜o de um grafo a partir do corpus, onde as palavras sa˜o os n o´s, que sa˜o ligados uns aos outros quando as palavras que formam os n o´s encontram-se na mesma sentenc¸a, como ilustrado na Figura 2. Nas Figuras 2.i e 2.ii, as frases “Jo a˜o e Maria foram ao parque domingo”e “Domingo o parque estava lotado”, respectivamente, s a˜o transformadas em grafos. As duas frases unidas geram um grafo, cujas arestas sa˜o pesadas de acordo com o n u´mero de vezes que cada par de n o´s coocorre no texto. (Figura 2.iii). Sobre este grafo utilizamos as seguintes me´tricas de grafos para gerar candidatos a conceitos: • centralidade para verificar a impor taˆncia do n o´ no grafo, • grau, que representa o numero de ligac¸ o˜es de um n o´ e • closeness, que verifica a me´dia dos caminhos m´ınimos para se chegar ao n o´.
Para a obtenc¸a˜o das relac¸ o˜es na˜o hiera´rquicas realizamos uma ana´lise do corpus para identificar pos s´ıveis express o˜es que indiquem alguma relac¸a˜o entre os termos. Este processo foi dividido em treˆs etapas sequenciais: extrac¸a˜o de relac¸ o˜es; generalizac¸a˜o das relac¸ o˜es para obter padr o˜es; e re-extrac¸a˜o das relac¸ o˜es utilizando os padr o˜es encontrados.
Figura 2. Exemplo de texto transformado em grafo.
Para a extrac¸a˜o de relac¸ o˜es o sistema identifica no corpus todos os conceitos e segmenta as palavras que ocorrem entre eles.1 Todas as palavras que se encontram entre um par de conceitos sa˜o consideradas candidatas a relac¸a˜o. Estas relac¸ o˜es candidatas sa˜o filtradas, permanecendo apenas palavras cujas classes gramaticais sa˜o permitidas (neste ponto utilizamos filtros que combinam informac¸o˜es lexicais e morfosinta´ticas para uma extrac¸a˜o mais direcionada). Desta forma e´ obtida a primeira lista de relac¸ o˜es entre conceitos (este processo e´ exemplificado na Figura 3, onde duas relac¸o˜es distintas sa˜o encontradas para a frase2 entre os conceitos obras e licensas, e distribuic¸ a˜o e trabalhos).
Figura 3. Extra c¸ a˜o de rela c¸ o˜es entre conceitos.
Na segunda etapa, generalizac¸a˜o das relac¸ o˜es, consideramos as relac¸ o˜es apenas como uma sequeˆncia de classes gramaticais (no exemplo da Figura 3, etapa 2, as palavras sa˜o substitu´ıdas por suas classes gramaticais). Estas relac¸ o˜es formam uma segunda lista, onde esta˜o as relac¸ o˜es compostas de classes gramaticais e suas respectivas frequeˆncias. 1Assume-se que na˜o pode haver um conceito entre um par de conceitos.
2A frase esta´ anotada com suas classes gramaticais (prop: nome pro´prio, pron-pers: pronome pessoal, vfin: verbo finito, prp: preposica¸˜o, art: artigo, adj: adjetivo, pron-det: pronome determinado, n: substantivo, v-pcp: verbo no partic´ıpio, pron-ind: pronome indeterminado, conj-c: conjunc¸ a˜o coordenada, v-ger: verbo no geru´ndio, v-inf: verbo no infinitivo). Neste ponto, as relac¸o˜es sa˜o generalizados de acordo com seu nu´mero de palavras e de classes gramaticais que compartilham a mesma posic¸a˜o. Na Figura 3, etapa 3, as duas relac¸o˜es teˆm o mesmo tamanho e compartilham o mesmo elemento na posic¸a˜o treˆs, gerando uma nova relac¸a˜o gene´rica contendo treˆs elementos, restringindo apenas o terceiro.
O objetivo da primeira etapa e´ mostrar as relac¸o˜es que ocorrem diretamente no corpus, enquanto a segunda etapa objetiva criar padro˜es gene´ricos de identificac¸a˜o. Com estas informac¸o˜es, a terceira etapa, re-extrac¸a˜o das relac¸o˜es, utiliza a lista gerada pela etapa 2 como modelo para identificar novas relac¸o˜es no corpus, ou seja, relac¸o˜es que na˜o foram identificadas na primeira etapa.
O aprendizado de ontologias e´ um campo interdisciplinar, que abrange diversas a´reas da computac¸a˜o, como processamento de linguagem natural. As propostas para aprendizado semi-automa´tico de ontologias permitem diminuir consideravelmente o custo e esforc¸o envolvidos na construc¸a˜o de ontologias.
Dentro desse contexto, esse trabalho apresentou uma abordagem baseada em grafos para a identificac¸a˜o de termos e relac¸o˜es a partir de corpora. Essa abordagem permite extrair de forma recursiva novas expresso˜es que PODEM indicar relac¸o˜es entre termos.
Como trabalhos futuros se preveˆ uma avaliac¸a˜o sistema´tica dos resultados obtidos, por cada etapa do processo, por um especialista do dom´ınio. Os trabalhos futuros envolvem ainda a aquisic¸a˜o de sinoˆnimos e aquisic¸a˜o de relac¸o˜es hiera´rquicas, assim permitindo alem da identificac¸a˜o das relac¸o˜es gerais, aquelas relac¸o˜es mais espec´ıficas (por exemplo, “tipo de”, “ e´ um”). Pretendemos tamb e´m validar os resultados obtidos com o sistema utilizando corpus de diferentes dom´ınios, como o corpus GENIA 3 do dom´ınio de biologia.
Esta pesquisa tem apoio dos projetos COMUNICA (FINEP/SEBRAE 1194/07),
CAPESCOFECUB (707/11) e CNPq
ZEITSCHRIFT-TECHNISCHEN UNIVERSITAT DRESDEN, 45:8–13, 1996. [12] D. Lin and P. Pantel. Discovery of inference rules from text, April 5 2001. US Patent
App. 09/826,355. [18] H. Yang and J. Callan. Metric-based ontology learning. In Proceeding of the 2nd international workshop on Ontologies and information systems for the semantic web, pages 1–8. ACM, 2008.