The conceptual modeling process involves the understanding of domain concepts and its representation in diagrams. The knowledge about the domain can be obtained from various sources, most of them being based on natural language. Therefore, the automatically creation of conceptual models becomes interesting. This paper presents an analysis of the feasibility of automating a linguistic approach with semantic focus to allow the construction of ontologies from natural language texts. Resumo. O processo de modelagem conceitual envolve a compreensão de conceitos do domínio em questão e sua posterior representação em diagramas. O conhecimento sobre o domínio pode ser obtido a partir de diversas fontes, sendo a maior parte delas baseadas em linguagem natural. Portanto, a criação de modelos conceituais de forma automática se mostra interessante. Este trabalho apresenta uma análise da viabilidade de se automatizar uma abordagem linguística com foco semântico capaz permitir a construção de ontologias a partir de textos em linguagem natural.
A modelagem conceitual constitui uma das principais fases na construção de um sistema de informação. Em essência, tal fase busca definir os conceitos envolvidos na descrição do problema, sendo o seu resultado um substrato de grande valor para a boa compreensão geral dos requisitos e auxílio para as etapas seguintes na modelagem de qualquer solução computacional. O processo envolve a compreensão de conceitos relacionados ao domínio em questão e a posterior representação desses conceitos em modelos, como por exemplo ontologias.
Por outro lado, a transmissão de conhecimento do especialista no domínio para o modelador durante a construção de uma ontologia é geralmente feita através da troca de informações em textos (transcrições de entrevistas, documentos regulatórios, entre outros). Para obter uma representação fiel do domínio modelado com qualidade semântica, é necessário, além de um metamodelo representativo, que o modelador interprete corretamente os conceitos do domínio e não influencie sua compreensão com experiências e conhecimentos anteriores [Castro et al., 2011].
Diversos trabalhos propuseram abordagens para modelagem conceitual de dados
através de ontologias com base em conceitos linguísticos, entre eles
Este trabalho se propõe a analisar a aplicação de técnicas automatizadas para
reconhecimento sintático e semântico à abordagem de
O restante do trabalho está organizado da seguinte forma: A seção 2 apresenta a abordagem linguística para modelagem com foco semântico, incluindo a linguagem OntoUML. A seção 3 descreve as técnicas analisadas e as duas abordagens consideradas. A seção 4 expõe considerações finais sobre o trabalho e trabalhos futuros. 2.
A OntoUML é uma linguagem de modelagem conceitual ontologicamente bem
fundamentada, que pode apoiar a fase de análise de domínio na engenharia de sistemas
de informação. Ela foi proposta como um perfil da UML 2.0 e incorpora axiomas e
distinções ontológicas presentes na ontologia de fundamentação UFO (Unified
Foundation Ontology) [
Os elementos da UFO podem ser Universal (tipos que determinam coleções de
conceitos que se referem a coisas ou seres) ou Individual (instâncias de tais coleções).
Essas classes se subdividem em outras que, por sua vez, também possuem
subhierarquias [
As classes da linguagem de modelagem conceitual OntoUML são
especializações das classes abstratas da UFO, herdando meta-propriedades e/ou
restrições. Alguns desses construtos são [
Kind (tipo): seres complexos ou coisas relacionalmente independentes claramente identificados. (e.g. animais, plantas, time de futebol).
Quantity (quantidade): classes de substâncias de massa (e.g. água).
Collective (coletivo): coleções ou coisas vistas e percebidas como uma estrutura uniforme (e.g. floresta, baralho de cartas).
Phase (fase): estágios ou fases na existência de um ser (e.g. lagarta e borboleta são partições - phase - de um lepidópteros - kind).
O processo de modelagem de dados conceitual é similar a uma atividade de tradução, pois consiste em entender os conceitos representados em uma linguagem natural e, então, representar esses mesmos conceitos em uma linguagem de modelagem [Castro et al., 2011]. Para realizar essa tradução é preciso compreender e comparar as linguagens, a fim de elaborar modelos conceituais (ontologias) semanticamente precisos que apresentem o mesmo significado do texto em linguagem natural [Castro et al., 2010 e 2011].
O vocabulário de qualquer linguagem natural é dividido em classes de palavras
que podem ser fechadas ou abertas. Classes abertas são as que carregam carga
semântica (substantivos, adjetivos, verbos e advérbios) e, por isso, são o foco da
modelagem conceitual. As classes de palavras podem ainda ser especializadas em tipos
semânticos propostos por
filho, pai), Rank (e.g. goleiro, professor) e Social group (e.g. companhia). • Parts (partes): são partes de outras coisas ou seres, incluindo as partes corpóreas. • Inanimate (inanimados): subdividos em Artifacts (e.g. livro), Flora (e.g. árvore), Celestial and Weather (e.g. lua, vento) e Environment (e.g. água).
A partir do entendimento das propriedades das linguagens naturais e da
OntoUML,
Tabela 1 - Mapeamento de Tipos Semânticos de Substantivos Concretos [Dixon, 2005] para OntoUML. Fonte: Castro et al (2010)
Tipos Semânticos
Construtos OntoUML Animate, Human, parts, Inanimate, Inanimate/Artifacts, Kind Inanimate/Celestial and Weather, Inanimate/ Flora Human/Social Group Inanimate/Environment *Vários Collective ou Kind Quantity Phase
Esses mapeamentos são utilizados na abordagem de modelagem conceitual proposta em Castro et al. [2010, 2011]. A abordagem parte de textos descritivos sobre o universo a ser modelado, produzidos pelos especialistas do domínio. Os passos que compõem a abordagem estão listados a seguir [Castro et al., 2011], onde o mapeamento da Tabela 1 é aplicado no passo 5.
1. Decomposição do texto em sentenças simples (sentenças não interrogativas, na voz ativa e contendo somente uma oração); 2. Levantamento e esclarecimento de dúvidas junto ao especialista do domínio; 3. Identificação dos signos do universo modelado (sujeitos, verbos e objetos); 4. Associação entre os signos identificados e os tipos semânticos correspondentes; 5. Mapeamento entre os tipos semânticos e os construtos da OntoUML; 6. Criação do modelo. 3.
Técnicas para Reconhecimento Sintático e Semântico É possível observar que os passos 1, 3 e 5 da abordagem de Castro et al (2010) são diretamente automatizáveis, através de técnicas como Tokenizing e Parsing e os mapeamentos de tipos semânticos para OntoUML. O passo 2 consiste em uma tarefa não automatizável. Porém, para os passos 4 e 6, uma análise mais profunda se faz necessária. Optamos por focar no passo 4, por acreditarmos que esta tarefa é a que pode apresentar o maior desafio para a automatização do método como um todo.
A fim de auxiliar e agilizar a realização dos passos que compõe a abordagem de
Inicialmente, analisamos ferramentas de processamento de linguagem natural
que realizam anotação sintática de partes do discurso (Part-of-Speech Tagging), ou seja,
o processo de classificar palavras morfologicamente de acordo com as classes
gramaticais [
O estudo realizado consistiu em aplicar algoritmos de POS tagging a uma lista de
sentenças simples tratadas. Foram testados diferentes frameworks como o NLTk
(http://nltk.org), o Apache OpenNLP (http://opennlp.apache.org/) e o Stanford
Parser/Tagger (http://nlp.stanford.edu/). O primeiro possibilitou a aplicação dos
algoritmos de POS-tagging N-Gram (considerando suas variações Unigran, Bigram e
Trigram) e
Os três algoritmos (N-Gram, Brill e MaxEnt) foram aplicados a um mesmo conjunto de
56 sentenças já processadas e resultantes do estudo de caso de
Os três algoritmos foram capazes de anotar corretamente a maior parte dos termos das sentenças, identificando suas classes gramaticais com precisão similar à indicada pelos seus criadores. Entretanto, o resultado dos taggers se mostrou tão limitado quanto o da ferramenta Palavras, uma vez que os tipos semânticos não puderam ser especificados. Os corpora não contêm, em seu conjunto de tags possíveis, indicações de tipos semânticos. A Figura 1 exemplifica a aplicação do Stanford Tagger, onde observa-se que, que mesmo capaz de identificar o substantivo “professor”, o tagger que não faz qualquer indicação sobre este ser um Human e mais especificamente um Rank. Sem um corpus que indique tais classificações, a análise sobre a capacidade dos taggers em reconhecer o contexto semântico não se fez possível.
Sentença Original Stanford Tagger “O Professor responsável pela disciplina defere ou indefere os requerimentos de
inscrição em disciplina isolada.” [('O', [art]) ('professor', [n]) ('responsável', [adj]) ('pela', [v-fin]) ('disciplina', [n]) ('defere', [v-fin]) ('ou', [conj-c]) ('indefere', [v-fin]) ('os', [art]) ('requerimentos', [n]) ('de', [prp]) ('inscrição', [n]) ('em', [prp]) ('disciplina', [n]) ('isolada', [v-pcp]) ('.', [punc])]
Figura 1 - Exemplo de taggeamento realizado pelo Stanford Tagger
Uma vez observado que os taggers atualmente utilizados pela comunidade de NLP não
eram capazes de identificar os tipos semânticos dos signos no texto, optou-se por
estender a pesquisa para abordagens que considerassem a anotação semântica (semantic
tagging). O que foi percebido com a pesquisa é que o termo “semantic tagging” tem
sido utilizado para denotar diferentes técnicas em áreas de atuação distintas, desde as
que de fato abordam o processamento de linguagem natural até aquelas que tangem
outras tarefas como a de criação automática de taxonomias ou apoio a criação de
folksonomias. Ainda que não tenham sido encontrados trabalhos que permitissem a
automatização da identificação dos tipos semânticos propostos por
Alguns trabalhos como os de
Este trabalho analisou técnicas utilizadas atualmente pela comunidade de
processamento de linguagem natural observando o quanto elas podem apoiar um
método de modelagem conceitual com foco semântico, especificamente o proposto por
Foram aplicadas técnicas de anotação gramatical através dos frameworks NLTk,
OpenNLP e Stanford Tagger. Foi observado resultado similar ao descrito por
Não foi encontrada uma solução para tagging semântico que possa ser
diretamente aplicada ao problema aqui abordado, entretanto foi possível detectar tópicos
que combinados e estendidos poderiam auxiliar na automatização do método de
O primeiro autor agradece ao Programa CAPES/REUNI pela bolsa de estudos recebida.