=Paper=
{{Paper
|id=None
|storemode=property
|title=Construção de Modelos Conceituais a Partir de Textos com Apoio de Tipos Semânticos
|pdfUrl=https://ceur-ws.org/Vol-938/ontobras-most2012_paper29.pdf
|volume=Vol-938
|dblpUrl=https://dblp.org/rec/conf/ontobras/LeaoDBR12
}}
==Construção de Modelos Conceituais a Partir de Textos com Apoio de Tipos Semânticos==
https://ceur-ws.org/Vol-938/ontobras-most2012_paper29.pdf
Construção de Modelos Conceituais a Partir de Textos com
Apoio de Tipos Semânticos
Felipe Leão, Thaíssa Diirr, Fernanda Baião, Kate Revoredo
NP2Tec – Núcleo de Pesquisa e Prática em Tecnologia
Departamento de Informática Aplicada
Universidade Federal do Estado do Rio de Janeiro (UNIRIO)
Av. Pasteur, 296 Urca – Rio de Janeiro – Brasil
{felipe.leao, thaissa.medeiros, fernanda.baiao,
katerevoredo}@uniriotec.br
Abstract. 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.
1. Introdução
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 Castro et al. (2011)
propôs um método baseado em linguística e foco semântico. O processo é naturalmente
260
composto por duas atividades principais, (i) a aquisição de conceitos sendo utilizados no
domínio a ser modelado e (ii) a representação de tais conceitos através da linguagem de
modelagem OntoUML [Guizzardi, 2011]. Apesar de esse método auxiliar a produção de
ontologias como modelos conceituais de dados com qualidade semântica, a falta de
suporte automatizado é um ponto negativo, uma vez que as definições formais de uma
língua podem ser de grande complexidade. É interessante então buscar meios que
viabilizem a automatização da abordagem.
Este trabalho se propõe a analisar a aplicação de técnicas automatizadas para
reconhecimento sintático e semântico à abordagem de Castro et al. (2011), auxiliando e
agilizando a realização dos passos que a compõem. Técnicas utilizadas atualmente para
realização de processamento de linguagem natural como POS Tagging e Semantic
Tagging foram pesquisadas.
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. Abordagem Linguística para Modelagem Conceitual com Foco
Semântico
Castro et al. (2011) propôs uma abordagem linguística para modelagem conceitual que
parte da linguagem natural para construção de ontologias em OntoUML. Esta seção
explicita os passos propostos para obtenção dos modelos, além da própria linguagem
OntoUML.
2.1. OntoUML
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) [Guizzardi, 2011].
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 sub-
hierarquias [Guizzardi, 2005 apud Castro et al., 2011]. Na hierarquia de Universal, por
exemplo, poderíamos citar a classe Substantial Universal que corresponde a
propriedades intrínsecas (não relacionais) que determinam classes ou coleções de seres
ou coisas materiais e mantêm sua identidade, mesmo passando por mudanças.
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 [Guizzardi, 2005; Guizzard, 2011; e Castro et
al., 2010]:
• 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).
261
• 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).
2.2. Modelagem Conceitual com Foco Semântico
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 Dixon (2005). Alguns destes tipos especializam os
substantivos de referência concreta, que têm maior importância para modelagem
conceitual por nomearem seres e coisas. São eles:
• Animate (animados): abrangem os animais não humanos;
• Human (humanos): referentes a seres humanos. São subdivididos em Kin (e.g.
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, Castro et al. (2010) definiram mapeamentos de tipos semânticos
relacionados a substantivos, verbos e adjetivos para construtos da OntoUML. A Tabela
1 apresenta os construtos da OntoUML relacionados aos tipos semânticos de
substantivos concretos.
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 Collective ou Kind
Inanimate/Environment Quantity
*Vários 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
262
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
Castro et al. (2011), seria interessante o uso de algum procedimento automatizado. Em
seu trabalho, Castro chegou a analisar uma ferramenta para anotação semântica, o
Palavras (http://visl.sdu.dk/visl/pt/). Apesar de identificar classes gramaticais e funções
sintáticas corretamente, ocorreram falhas quando se atingiu o nível semântico. Neste
trabalho é feita uma análise mais abrangente sobre esta classe de ferramentas.
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 [Bird et. al., 2009]. Em seguida, buscamos abordagens que realizam algum
tipo de anotação semântica (semantic tagging) para classificação das palavras,
considerando informações de contexto.
3.1. Abordagens de POS Tagging
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 Brill Tagger [Brill, 1992]. O segundo e o terceiro implementam o Modelo de
Entropia Máxima (Maximum Entropy Model ou MaxEnt Model) [Ratnaparkhi, 1996].
3.1.1. Análise Prática dos Algoritmos de POS Tagging
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 Castro et al. (2011) após
decomposição em sentenças simples, divisão em orações, depassivização, separação em
sentenças nucleares, e criação e esclarecimento de lista de dúvidas. O objetivo era
analisar as anotações geradas pelos algoritmos para os substantivos identificados por
Castro como os signos importantes do universo a ser modelado.
263
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
“O
Professor
responsável
pela
disciplina
defere
ou
indefere
os
requerimentos
de
Original inscrição
em
disciplina
isolada.”
[('O', [art]) ('professor', [n]) ('responsável', [adj])
Stanford
('pela', [v-fin]) ('disciplina', [n]) ('defere', [v-fin])
('ou', [conj-c]) ('indefere', [v-fin]) ('os', [art])
Tagger
('requerimentos', [n]) ('de', [prp]) ('inscrição', [n]) ('em',
[prp]) ('disciplina', [n]) ('isolada', [v-pcp]) ('.', [punc])]
Figura 1 - Exemplo de taggeamento realizado pelo Stanford Tagger
3.2. Abordagens de Semantic Tagging
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 Dixon (2005) a partir
dos signos de um texto, alguns trabalhos podem indicar caminhos interessantes a serem
seguidos na busca pelo desenvolvimento (ou adaptação) de um tagger semântico.
Alguns trabalhos como os de Mahar e Memon (2010) e Miller et. al. (1993),
propõe a utilização de bases de dados léxicas como o WordNet para restringir a
semântica de termos de acordo com os outros termos presentes nas sentenças, o que
poderia auxiliar no desenvolvimento de um tagger semântico. Gelbukh e Kolesnikova
(2012) também fazem uso do WordNet ao introduzirem o problema de se reconhecer,
automaticamente, o sentido das palavras participantes de “collocations” (colocações),
situação aonde ao se combinar duas palavras uma delas tem seu valor semântico
alterado. Buitelaar (1997) propõe o léxico CoreLex para tagging semântico, capaz de
classificar informações em um nível semântico utilizando conceitos compatíveis com os
construtos da OntoUML utilizados na abordagem de Castro et al. (2011).
4. Considerações e Trabalhos Futuros
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
Castro et al. (2011). O objetivo deste método é elaborar uma ontologia como modelo
264
conceitual de domínio semanticamente expressivo. O método é baseado em linguística e
gera um modelo conceitual bem fundamentado em OntoUML a partir de textos em
linguagem natural. A aplicação de tipos semânticos possibilita o aumento no poder de
expressão e diminui as chances de erros decorrentes do processo de modelagem.
Foram aplicadas técnicas de anotação gramatical através dos frameworks NLTk,
OpenNLP e Stanford Tagger. Foi observado resultado similar ao descrito por Castro et
al. (2011) quando a ferramenta Palavras foi analisada. Optou-se então por buscar
soluções alternativas com foco em tagging semântico e alguns trabalhos relacionados ao
tema foram revistos, com suas possíveis colaborações explicitadas.
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 Castro
et al. (2011). Outras abordagens como Desambiguação de Sentidos de Palavras (Word
Sense Desabiguition) podem também ser de grande ajuda e deverão ser objetos de
estudo em trabalhos futuros. É importante ressaltar que apesar das técnicas aqui
relatadas não serem suficientes de maneira isolada para a automatização da abordagem,
elas podem diminuir o número de falhas no processo de modelagem conceitual, uma vez
que a análise de textos em linguagem natural pode ser uma tarefa complexa até mesmo
quando os indivíduos trabalham com suas línguas maternas.
Agradecimentos
O primeiro autor agradece ao Programa CAPES/REUNI pela bolsa de estudos recebida.
Referências
Bird, S., Klein, E., Loper, E. (2009) “Natural Language Processing with Python - Analyzing
Text with the Natural Language Toolkit”. O’Reilly Media.
Brill, E. (1992) “A simple rule-based part of speech tagger”. In Proceedings of the third
conference on Applied natural language processing (ANLC '92). Association for
Computational Linguistics, Stroudsburg, PA, USA, 152-155.
Buitelaar, P. (1997) “A Lexicon for Underspecified Semantic Tagging”. Proceedings of ANLP
97, SIGLEX Workshop.
Castro, L., Baião, F. A., Guizzardi, G. (2010) “A Linguistic Approach to Conceptual Modeling
with Semantic Types and OntoUML”. EDOCW 2010: 215-224.
Castro, L., Baião, F. A., Guizzardi, G. (2011) “A Semantic Oriented Method for Conceptual
Data Modeling in OntoUML Based on Linguistic Concepts”. ER 2011: 486-494.
Dixon, R. (2005) “A Semantic Approach to English Grammar”. Oxford University Press.
Gelbukh, A., e Kolesnikova, O. (2012) “Supervised Learning Algorithms Evaluation on
Recognizing Semantic Types of Spanish verb-noun Collocations”. Computación y Sistemas.
Guizzardi, G. (2005) “Ontological Foundations for Structural Conceptual Models”. Ph.D.
dissertation, University of Twente, Enschede, The Netherlands.
Guizzardi, G., das Graças, A. P., Guizzardi, R. S. S. (2011) “Design Patterns and Inductive
Modeling Rules to Support the Construction of Ontologically Well-Founded Conceptual
Models in OntoUML”. CAiSE Workshops 2011: 402-413.
Mahar, J. A., e Memon, G. Q. (2010) “Sindhi Part of Speech Tagging System using Wordnet”.
International Journal of Computer Theory and Engineering, Vol. 2, No. 4, August, 2010
Miller, G. A., Leacock, C., Tengi, R., Bunker, R. T. (1993) “A Semantic concordance”.
Proceedings of the workshop on Human Language Technology.
Ratnaparkhi, A. (1996) “A Maximum Entropy Model for Part-Of-Speech Tagging”. Department
of Computer and Information Science – University of Pennsylvania.
265