Extracção de relações semânticas. Recursos, ferramentas e estratégias

UNIVERSIDADE DE SANTIAGO DE COMPOSTELA
Depa amen o de Lingua Española
TESE DE DOUTORAMENTO
EXTRACÇÃO DE RELAÇÕES SEMÂNTICAS. RECURSOS,
FERRAMENTAS E ESTRATÉGIAS
Au o :
Ma cos Ga cia González
SANTIAGO DE COMPOSTELA
2014
UNIVERSIDADE DE SANTIAGO DE COMPOSTELA
Depa amen o de Lingua Española
TESE DE DOUTORAMENTO
EXTRACÇÃO DE RELAÇÕES SEMÂNTICAS. RECURSOS,
FERRAMENTAS E ESTRATÉGIAS
Au o :
Ma cos Ga cia González
O ien ado :
Pablo Gamallo O e o
SANTIAGO DE COMPOSTELA
2014
D. Pablo Gamallo O e o, P o esso Con a ado Dou o da Á ea de Língua Espanhola da Uni e sidade
de San iago de Compos ela
FAZ CONSTAR:
Que a memó ia in i ulada EXTRACÇÃO DE RELAÇÕES SEMÂNTICAS. RECURSOS, FERRA-
MENTAS E ESTRATÉGIAS, ealizada po D. Ma cos Ga cia González sob a minha di ecção no
Depa amen o de Língua Espanhola da Uni e sidade de San iago de Compos ela, eúne os equisi os
exigidos no a igo 34 do egulamen o de Es udos de Dou o amen o, e cons i ui a Tese que de ende pa a
op a ao g au de Dou o .
2014
O ien ado
Pablo Gamallo O e o
Dou o ando
Ma cos Ga cia González

Ag adecimen os
De o começa po ag adece ao o ien ado des a ese pela dedicação, a enção e o mação
que me o e eceu ao longo dos úl imos anos. Também aos memb os das di e en es equipas de
abalho em que me inse i du an e a ealização da ese. Con inuo ag adecendo às pessoas que
pa ilha am comigo locais de abalho e de laze , an o na Faculdade de Filologia como no
CiTIUS (e nou os luga es, digamos, menos ins i ucionais).
Fo a do âmbi o académico, ag adeço a odas as pessoas que —de manei a conscien e ou
inconscien e— me ajuda am a inaliza es e p ojec o, nomeadamen e àquelas que me pe -
mi i am des u a mais da ida e me ensina am a man e um equilíb io en e as ob igações
pessoais e p o issionais.
Po úl imo, enho que ag adece o apoio da Uni e sidade de San iago de Compos ela,
a a és de um Con a o P edou o al (2010), e aos inanciado es dos seguin es p ojec os: On-
opedia, do Minis e io de Educación y Ciencia ( e e ência FFI2010-14986); p ojec os do Go-
e no Galego: e e ência 2008/101 e, HPCPLN ( e e ência EM2013/041), e p ojec o Fede -
In e connec a: Cel ic ( e e ência 2012-CE138).
San iago de Compos ela, 2014
Abs ac
Rela ion ex ac ion is a sub ask o in o ma ion ex ac ion ha aims a ob aining ins ances
o seman ic ela ions p esen in ex s. This in o ma ion can be a anged in o machine- eadable
o ma s, use ul o se e al applica ions ha need s uc u ed seman ic knowledge.
This hesis explo es di e en s a egies o au oma e he ex ac ion o seman ic ela ions
om ex s in Po uguese, Spanish and Galician. Bo h machine-lea ning (dis an -supe ised
and supe ised) and ule-based echniques a e in es iga ed, and he impac o he di e en
le els o linguis ic knowledge is analyzed o he a ious app oaches. Rega ding domains,
he expe imen s a e ocused on he ex ac ion o encyclopedic knowledge, by means o he
de elopmen o biog aphical ela ions classi ie s (in a closed domain) and he e alua ion o
open in o ma ion ex ac ion sys ems.
In o de o implemen he ex ac ion sys ems, se e al na u al language p ocessing ools
ha e been buil o he h ee esea ch languages: om sen ence spli ing and okeniza ion
modules o pa -o -speech agge s, named en i y ecognize s and co e e ence esolu ion sys-
ems. Fu he mo e, se e al lexica and co po a ha e been compiled and en iched wi h di e en
le els o linguis ic anno a ion, which a e use ul o bo h aining and es ing p obabilis ic and
ule-based models. As a esul o he wo k ca ied ou in his hesis, new esou ces and ools
a e a ailable o au oma ed p ocessing o ex s in Po uguese, Spanish and Galician.
Keywo ds: in o ma ion ex ac ion, na u al language p ocessing, named en i y ecogni ion,
pa -o -speech agging, co e e ence esolu ion
Resumen
La ex acción de elaciones, encuad ada den o de las a eas de ex acción de in o ma-
ción, p e ende ob ene ejemplos de elaciones semán icas p esen es en ex os. In o mación
XIV Con eúdo
ATagse s u ilizados na e ique ação mo ossin ác ica 157
Bibliog a ia 161
Lis a de Figu as 183
Lis a de Tabelas 185

CAPÍTULO 1
INTRODUÇÃO
A eme gência da sociedade da in o mação p o ocou um aumen o exponencial na p o-
dução e di usão de dados nas úl imas décadas (Cas ells, 1996). Embo a quan i ica a sua
dimensão não seja uma a e a ácil calcula-se que ac ualmen e se ge a a mesma quan idade
de in o mação em poucos dias do que a c iada pelo se humano a é 2002 (Moo e, 2011).
Além disso, uma pa e impo an e desses dados con ém in o mação não es u u ada, como
po exemplo o ex o li e.1
Po um lado, o eno me amanho dos dados exis en es impede que as pessoas acedam a
oda essa quan idade de in o mação a a és da lei u a. Pelo ou o, o ac o de pa e de essa
in o mação se encon a em o ma os não es u u ados impossibili a que os compu ado es a
possam comp eende e que mui as aplicações i em p o ei o dela.
Com o im de lida com es es p oblemas, disciplinas como o P ocessamen o da Linguagem
Na u al (PLN), em que se inclui a p esen e ese, desen ol em e amen as que pe mi em o
a amen o de ex o po pa e dos compu ado es, acili ando assim o p ocessamen o de dados
de o igem linguís ica.
1.1. P ocessamen o da linguagem na u al
O PLN es uda e implemen a mecanismos de in e acção em língua na u al en e se es hu-
manos e máquinas, como a comp eensão das p óp ias línguas na u ais ou a ge ação de dis-
cu so. En e ou as, o PLN engloba á eas ão di e sas como a adução au omá ica, o eco-
1A sua quan i icação a ia en e ≈30% e ≈80% (Swoye , 2007).
2Capí ulo 1. In odução
nhecimen o de ala ou a ex acção de in o mação, ema p incipal des e abalho (Ju a sky e
Ma in, 2009).
Di e en es campos do conhecimen o, ais como a in eligência a i icial, as ciências da
compu ação ou a linguís ica êm abo dado á ias a e as de PLN u ilizando di e sas es a-
égias em unção dos objec i os de cada aplicação. Assim, ao lado de modelos cons uídos
com conhecimen o linguís ico p o undo, como as g amá icas HPSG (Polla d e Sag, 1994) ou
algumas p opos as de onologia compu acional (Bi d e Ellison, 1994), êm-se implemen ado
sis emas es a ís icos que ob êm, com in o mação linguís ica supe icial, melho es esul ados
em di e sas a e as do que abo dagens que u ilizam in o mação mais complexa (Ra napa khi,
1996).
1.2. Ex acção de in o mação e ex acção de elações
A Ex acção de In o mação (EI) é uma á ea do PLN cujo objec i o é a ob enção au omá-
ica de in o mação es u u ada a pa i , no malmen e, de ex o, e cujos sis emas êm sendo
a aliados desde a década de 90 em á ias con e ências como as MUC2(Message Unde s an-
ding Con e ence), as CoNLL3(Con e ence on Compu a ional Na u al Language Lea ning)
ou as ACE4(Au oma ic Con en Ex ac ion).
Um ipo de a e a da EI, conhecida como Ex acção de Relações (ER), consis e na iden i i-
cação de elações semân icas en e en idades ou concei os. Como exemplo, eja-se o seguin e
ex o:
“John A. Ga cia (nascido em 1949 na Galiza) é um dos pionei os da indús ia
mode na ame icana de ideojogos e o a ual p esiden e da No aLogic”.
Um sis ema de ER pode ia ob e des a o ação a seguin e in o mação es u u ada, onde
cada ex acção se compõe de uma elação semân ica e dous a gumen os:
–Da adeNascimen o,John A. Ga cia –1949
–LocaldeNascimen o,John A. Ga cia –Galiza
–éP esiden eDe,John A. Ga cia –No aLogic
2h p://www-nlpi .nis .go / ela ed_p ojec s/muc/
3h p://i a m.nl/signll/conll/
4h p://www.i l.nis .go /iad/mig/ es s/ace/
1.3. Objec i os 3
A ob enção des e ipo de in o mação de on es não es u u adas pe mi e a sua ans o ma-
ção em conhecimen o o ganizado, que pode se p ocessado po compu ado es, e se u ilizado
em di e sas aplicações ais como sis emas de espos a a pe gun as (Mann, 2002) ou de ecu-
pe ação de in o mação (Wan e al., 2005), en e ou os.
Em unção do ipo de ex acção que ealizem, os sis emas de ER podem se di ididos em
dous g andes g upos (ap esen ados po meno izadamen e no Capí ulo 4):
– Domínio echado: es e ipo de ap oximação em como objec i o ex ai exemplos de
elações p e iamen e de inidas (no malmen e, um conjun o pequeno), ais como as e-
e idas Da adeNascimen o ou éP esiden eDe.
– Domínio abe o e ex acção de in o mação abe a: pa adigmas mais ecen es da EI u ili-
zam g andes eposi ó ios de in o mação pa a adap a sis emas capazes de ex ai milha-
es de elações semân icas, bem como pa a eina modelos de Ex acção de In o mação
Abe a (OIE, do inglês Open In o ma ion Ex ac ion), que ob êm au oma icamen e odo
o ipo de elações de base e bal (Banko e al., 2007). Do exemplo an e io , um sis ema
de OIE pode ia ob e os seguin es iplos (compos os de dous a gumen os ligados po
uma elação não de inida p e iamen e):
•John A. Ga cia éum dos pionei os da indús ia mode na ame icana de ideojo-
gos
•John A. Ga cia éo a ual p esiden e da No alogic
•John A. Ga cia é_o_a ual_p esiden e_da No alogic
Como se e á ao longo do abalho, a p esen e ese analisa p incipalmen e es a égias de
ex acção de elações em domínio echado, embo a di e sas a aliações u ilizem ambém um
sis ema de OIE.
1.3. Objec i os
Na sua o mulação inicial, o objec i o da p esen e ese consis ia na a aliação de di e en es
es a égias pa a a ex acção, em domínio echado, de elações enciclopédicas de ex os em
po uguês (p ), espanhol (es) e galego (gl). Con udo, no início da ealização des e abalho,
algumas das e amen as de PLN necessá ias pa a cons ui sis emas de ex acção de elações
4Capí ulo 1. In odução
nas ês línguas al o não exis iam, não se dis ibuíam li emen e ou inham sido ealizadas
pa a ins especí icos di e en es dos des a ese.
Po an o, o objec i o inicial do p ojec o oi ampliado, ao se necessá io o desen ol imen o
ou a adap ação de á ias e amen as de PLN o ien adas ao desenho de sis emas de ER em
po uguês, espanhol e galego. Assim sendo, a p esen e ese em os seguin es objec i os:
P incipal: O objec i o p incipal consis e na a aliação de di e en es es a égias pa a a
ex acção em domínio echado de elações de ca ác e enciclopédico —especi icamen e
biog á ico— em po uguês, espanhol e galego.
Pa alelos: Pa a a consecução do objec i o p incipal, á ios objec i os pa alelos o am
de inidos, que se podem engloba em um único: o desen ol imen o ou adap ação das
e amen as de PLN necessá ias pa a a ER em po uguês, espanhol e galego.
Línguas
Tan o as ex acções ealizadas como as di e sas e amen as e ecu sos ap esen ados nes e
abalho o am ei as com o im de p ocessa ex os em po uguês, espanhol e galego.5
A escolha des as línguas de eu-se, po um lado, ao p óp io ca ác e geog á ico e cul u al
em que se inse e a ese, já que espanhol e galego são idiomas o iciais na Galiza. De modo
simila , a u ilização do po uguês e elou-se na u al po se uma a iedade linguís ica p óxima
do galego —conside adas a mesma língua po di e en es au o es (Cunha e Cin a, 1984, po
exemplo)— e com maio quan idade de dados a se em analisados do que es e. Po ou o lado,
os es udos sob e a ER e am escassos em quaisque das ês línguas, pelo que se conside ou
opo uno a á-los em odas elas.
Em e mos ge ais, an es da ealização des e abalho exis ia um maio núme o de e a-
men as de PLN disponí eis pa a espanhol, pelo que g ande pa e dos sis emas adap ados e/ou
desen ol idos são pa a po uguês e galego.
Em elação às di e en es a iedades nacionais do po uguês, en ou-se u iliza an o o
Po uguês Eu opeu (PE) como o B asilei o (PB) —e ou as a iedades a icanas—, embo a
o po uguês eu opeu oi a a iedade p io i á ia naqueles casos em que uma delas inha de se
escolhida.
5Galego e po uguês, nes a ese, são di e enciados pela u ilização de di e en es sis emas o og á icos: é conside-
ada galega a língua que u iliza as no mas o og á icas ap esen adas em Real Academia Galega e Ins i u o da Lingua
Galega (2004), enquan o é po uguês a que segue as di e en es o og a ias da Academia B asilei a de Le as e da
Academia das Ciências de Lisboa.
1.4. Fe amen as e me odologia u ilizadas 5
Além disso, aquelas es a égias que eque e am g andes quan idades de in o mação pa a
se em aplicadas sa is a o iamen e, só o am a aliadas em po uguês e espanhol, de ido à es-
cassez de dados em galego exis en es na Web.
1.4. Fe amen as e me odologia u ilizadas
Do pon o de is a me odológico, es e abalho baseia-se p incipalmen e na u ilização de
conhecimen o linguís ico pa a a ealização de p ocessamen o da linguagem na u al, mas com-
bina es e conhecimen o com abo dagens p óp ias de ou as disciplinas (como a ap endizagem
au omá ica) com o im de a ingi os seus objec i os de modo e icaz. Assim, na c iação e
adap ação das di e en es e amen as ap o ei am-se as o mulações p opos as em abalhos
de ca ác e eó ico, mas p io iza-se a qualidade dos esul ados sob e a consis ência o mal.
T a a-se, po an o, de uma ese undamen almen e p á ica.
Pa a além das di e en es e amen as desen ol idas du an e a ealização do abalho (ap e-
sen adas ao longo da ese), o am escolhidas duas sui es de PLN mul ilíngue pa a le a a cabo
á ios dos objec i os p opos os:
F eeLing
F eeLing6é um conjun o de li a ias de análise linguís ica que con ém di e sos módulos de
p ocessamen o ais como segmen ado es de o ações, ano ado es mo ossin ác icos ou eco-
nhecedo es de en idades mencionadas, en e ou os (Pad ó e S anilo sky, 2012). As azões
pa a a escolha des e so wa e o am as seguin es:
– Desempenho: F eeLing con ém di e sos módulos de PLN com desempenhos ao ní el
do es ado-da-a e.
– A qui ec u a: F eeLing adap a-se a ou as e amen as u ilizadas no p ocesso de ex ac-
ção de elações semân icas.
– Licença: F eeLing disponibiliza-se sob licença li e GPL.
6h p://nlp.lsi.upc.edu/ eeling/

6Capí ulo 1. In odução
DepPa e n
DepPa e n7é uma sui e de análise sin ác ica que inclui g amá icas de dependências (expli-
cadas a segui ) pa a di e sas línguas, um compilado de g amá icas e analisado es sin ác icos
au omá icos (pa se s) (Gamallo e González López, 2011).
As g amá icas de DepPa e n são baseadas em eg as, que são esc i as num o malismo
p óp io que acili a an o a modi icação como a adição ou emoção de eg as de sin ác icas.
DepPa e n é u ilizado nes a ese como analisado sin ác ico pa a as ês línguas al o pelas
seguin es azões:
– Desempenho: os pa se s de DepPa e n são ápidos e obus os.
– A qui ec u a: inclui módulos de compa ibilidade com F eeLing.
– Fo malismo: o o malismo de DepPa e n pe mi e c ia ou adap a eg as pa a ins es-
pecí icos, ais como a ex acção de elações.
Apesa de que as análises de DepPa e n não são semp e comple as (algumas dependên-
cias podem não se cobe as pelas eg as incluídas nas g amá icas), os pa se s disponí eis
i e am melho desempenho do que o Mal pa se 8 einado com os co po a Bosque 8.09e
AnCo a10 pa a po uguês e espanhol, espec i amen e. Di e sas a aliações mos a am que os
analisado es de DepPa e n a ingi am alo es de 88%/79%/83% (p ) e de 85%/74%/79%
(es) em p ecisão, ecall e medida F, espec i amen e (Gamallo, 2012). Pa a além disso, es a
sui e ambém é disponibilizada sob licença GPL.
Uma ez que as análises sin ác icas ealizadas em di e en es capí ulos do p esen e aba-
lho u ilizam ep esen ações de dependências, es e ipo de g amá icas são ago a ap esen adas
sucin amen e. Além disso, ao longo da ese são aplicados epe idamen e sis emas de ap endi-
zagem au omá ica, pelo que es a me odologia é ambém de inida a segui :
7h p://g ama ica.usc.es/pln/ ools/deppa e n.h ml
8h p://www.mal pa se .o g
9h p://www.lingua eca.p / lo es a/co pus.h ml#bosque
10h p://clic.ub.edu/co pus/anco a
1.4. Fe amen as e me odologia u ilizadas 7
Luís comeu aquela salada
subj dobj spec
Figu a 1.1: Exemplo de uma análise de dependências.
G amá ica de dependências
A g amá ica de dependências é um conjun o de eo ias linguís icas que conside a que a in-
o mação sin ác ica pode se codi icada —p incipalmen e— a a és de elações biná ias en e
dous elemen os de uma o ação.
De modo ge al, assume-se que os abalhos em g amá ica de dependências mode na co-
meça am com as publicações de Lucien Tesniè e (Tesniè e, 1959), sendo popula izados e-
cen emen e em di e en es a e as de PLN (Küble e al., 2009).
As g amá icas de dependências conside am que cada pala a es á elacionada com ou a
pala a da mesma o ação, mas —à di e ença das g amá icas de cons i uin es— não ag upam
conjun os de pala as em unidades maio es (p. ex., ases nominais). Cada dependência es a-
belece uma elação biná ia en e dous elemen os (um núcleo e um dependen e), a ibuindo-lhe
uma unção sin ác ica (sujei o, modi icado , e c.). Na Figu a 1.1 mos a-se um exemplo de
análise de dependências: em cada dependência, a se a sai do dependen e e chega ao núcleo
(incluindo a unção sin ác ica acima).11 O elemen o que não é dependen e (só núcleo) é a aiz
da o ação (nes e caso, a o ma e bal comeu).
No e-se que a saída de um analisado de dependências pode se con e ida em ep esen-
ação de cons i uin es median e e amen as especí icas, pelo que ao longo da ese ha e á
e e ências a cons i uin es sin ác icos (como ases nominais ou p eposicionais, po exemplo)
quando a sua u ilização se conside a an ajosa.
Ap endizagem au omá ica
A ap endizagem au omá ica (no malmen e conhecida como machine lea ning, em inglês) é
um campo da in eligência a i icial o ien ado ao desen ol imen o de algo i mos que ap en-
dam, a a és de um conjun o de dados, a ealiza uma de e minada a e a (Mi chell, 1997).
En e os di e en es ipos de ap endizagem au omá ica, es a ese u iliza algo i mos de clas-
si icação supe isionados. Es es mé odos consis em na aplicação de algo i mos de ap endi-
11Onde subj é sujei o; spec, especi icado e dobj signi ica objec o di ec o.
8Capí ulo 1. In odução
zagem em exemplos p e iamen e classi icados (conjun o de eino ou de ap endizagem) dos
quais o compu ado gene aliza uma unção, podendo depois classi ica no os exemplos des-
conhecidos. Assim, dado um conjun o de eino que inclua exemplos de in o mações clínicas
de pessoas e classi icações de cada uma dessas pessoas em elação a uma doença, o sis ema
pode á p edize (com maio ou meno p ecisão) se um indi íduo não analisado p e iamen e
em ou não a doença, em unção das ca ac e ís icas que con enha a sua in o mação clínica.
Pa a le a a cabo o p ocesso de ap endizagem, os dados de eino de em se p e iamen e
p ocessados pa a ex ai deles um conjun o de elemen os conside ados ele an es. No exem-
plo an e io , é p eciso escolhe do his o ial clínico qual é a in o mação que possa se neces-
sá ia pa a sabe se a pessoa em ou não a doença. Cada um dos elemen os u ilizados pelo al-
go i mo du an e o p ocesso de ap endizagem é denominado a ibu o ( e e idos habi ualmen e
pelo e mo em inglês ea u e).
1.5. Es u u a
Pa a além des e capí ulo in odu ó io e das conclusões, o p esen e abalho es u u a-se
em se e capí ulos o ganizados em ês pa es, em unção do seu ema p incipal.
Os di e en es capí ulos êm como base undamen al um conjun o de abalhos publicados
du an e a ealização da ese, e e e idos ao longo da mesma. Assim, o con eúdo dos a igos
oi seleccionado, ac ualizado e ampliado e/ou co igido quando oi conside ado opo uno.
Depois, o esul ado oi aduzido e adap ado à es u u a da ese, mos ada a segui e esumida
na Figu a 1.2:
Pa e I: P ocessamen o P é io à Ex acção de Relações
A p imei a pa e da ese cen a-se na ap esen ação das e amen as e ecu sos de PLN neces-
sá ios pa a aplica es a égias de ex acção de elações, cons ando de dous capí ulos:
Capí ulo 2: Es e capí ulo desc e e a adap ação e a aliação de módulos de okenização,
segmen ação de o ações, lema ização e ano ação mo ossin ác ica pa a po uguês e galego,
bem como uma es a égia de co ecção des a úl ima e amen a e di e sos ecu sos como
co po a ano ados e dicioná ios mo ossin ác icos.
1.5. Es u u a 9
Figu a 1.2: Diag ama dos p ocessos ealizados em cada capí ulo. A en ada (acima) é ex o plano, sendo a aliadas
qua o es a égias de ex acção de in o mação (abaixo) nos Capí ulos 5 a 8. Os elemen os em i álico não
o am ealizados especi icamen e nes a ese.
Capí ulo 3: O Capí ulo 3 ap esen a a adap ação e c iação de e amen as pa a o econhe-
cimen o e classi icação de á ios ipos de en idades mencionadas, como pessoas, localizações,
o ganizações, da as, quan idades ou moedas, en e ou as.
Pa e II: Es a égias pa a a Ex acção de Relações
A Pa e II con ém qua o capí ulos que a am sob e a ex acção de elações semân icas em
domínio echado:
Capí ulo 4: Es e capí ulo az uma e isão de á ias es a égias pa a a ex acção de e-
lações que êm sido aplicadas em di e en es con ex os (pelo que não apa ece na Figu a 1.2).
A e isão é ei a endo em con a os objec i os de cada sis ema, bem como as línguas pa a as
quais o am desenhados.
16 Capí ulo 2. P ocessamen o Inicial
galego. Como se mos a á ao longo do capí ulo, es e módulo oi melho ado com di e en es
ecu sos, an o de acesso li e como ealizados ad-hoc pa a es a língua.
2.3. Recu sos u ilizados
Es a secção ap esen a sucin amen e os ecu sos u ilizados pa a a adap ação dos di e en es
módulos de F eeLing desc i os nes e capí ulo. Além disso, desc e e os p ocessos de con e -
são ei os du an e o desen ol imen o.
Co po a
Pa a eina o módulo de ano ação mo ossin ác ica, o am u ilizados os seguin es co po a:
Pa a po uguês eu opeu o co pus oi c iado a pa i do Bosque 8.0, na al u a o único dis-
poní el li emen e com in o mação mo ossin ác ica de alhada.3Es e ecu so con ém ap o-
ximadamen e os 1.000 p imei os ex ac os dos co po a CETEMPúblico e do CETEMFolha
(es e úl imo, não emp egado, de po uguês do B asil), o que az um o al de mais de 138.000
okens. O Bosque oi ano ado au oma icamen e e, pos e io men e, e is o de o ma manual
po linguis as. Sendo um co pus com in o mação sin ác ica, es a oi eliminada na con e são
pa a o o ma o eque ido po F eeLing. Pa a as di e en es a aliações, es e co pus oi di idido
em conjun os alea ó ios de eino e es e.
O co pus u ilizado pa a eina o módulo PoS- agge de galego oi c iado no p ojec o Ga i-
Co e (Ba cala e al., 2007), e con ém mais de 237.000 okens; o co pus, ge ado a pa i de
no ícias jo nalís icas, é especializado em economia. Uma ez que a ano ação mo ossin ác ica
des e ecu so seguiu os s anda ds do G upo EAGLES (Leach e Wilson, 1996), as únicas
adap ações p ecisas pa a o eino o am ela i as à homogeneização de alguns elemen os das
e ique as ( ags): Modi icou-se, po exemplo, o caso de alguns p onomes (de nomina i o pa a
oblíquo), ou o géne o dos de e minan es inde inidos (de comum pa a neu o), de aco do com
o conjun o de e ique as ( agse ) de inido e u ilizado no dicioná io. Uma ez que o co pus
galego se compõe de no ícias económicas, um pequeno co pus jo nalís ico de 6.200 okens
oi c iado e e is o manualmen e pa a as a aliações.
3h p://www.lingua eca.p /Flo es a/co pus.h ml#bosque

2.3. Recu sos u ilizados 17
Dicioná ios
Pa a além do co pus, o eino do PoS- agge de F eeLing eque ambém um dicioná io de
o mas lexionadas (que con enha os lemas e ags possí eis pa a cada oken).
Pa a po uguês, u ilizou-se o léxico de o mas simples LABEL-LEX (SW) (Eleu é io
e al., 2003), que con ém mais de 1.257.000 o mas, ge adas a pa i de pe o de 120.000
lemas.
Pa a galego, o abalho pa iu do dicioná io c iado pelo Semina io de Lingüís ica In o má-
ica da Uni e sidade de Vigo, que azia pa e de an e io es e sões de F eeLing. O dicioná io
oi ampliado com en adas e bais e nominais ex aídas de di e en es co po a e lexionadas
au oma icamen e com ajuda de sis emas de lexão nominal e de conjugado es e bais (Ga-
mallo e al., 2013). Ac ualmen e, o dicioná io con ém mais de 428.000 en adas, o que se
co esponde com mais de 577.000 o mas se i e mos em con a aquelas en adas com mais de
uma análise.
Adap ação
Os dous ecu sos e e idos pa a po uguês êm ca ac e ís icas di e en es em elação à ano ação
mo ossin ác ica, pelo que oi p eciso aze uma con e são de cada um deles pa a o o ma o
aqui u ilizado. Nes e p ocesso su gi am algumas incoe ências que implica am omadas de
decisão do pon o de is a linguís ico. Assim, ags como “p on-indp: p onome independen e”
(u ilizado no Bosque), não inham co esponden e di ec o nas e ique as do léxico, pelo que
não oi possí el uma ans e ência au omá ica en e os o ma os. A con e são des es casos
e e de se incluída indi idualmen e no p ocesso de ans o mação, e decidi em cada oco ên-
cia dos okens no co pus qual e a a e ique a que lhe co espondia de aco do com o dicioná io.
Pa a além das inconsis ências no ní el mo ossin ác ico, a con e são do co pus e do dici-
oná io ap esen ou p oblemas em e mos de lema ização nominal. Assim, enquan o o Bosque
lema iza os adjec i os supe la i os como elemen os não de i ados (al íssimo é o lema de al ís-
simo/a/(s)), o LABEL-LEX (SW) op a po decisões mais coe en es do pon o de is a eó ico:
al íssimo/a/(s) >al o. De modo simila , ou as di e enças no ó ias en e as lema izações do
co pus e do dicioná io o am as elacionadas com a de i ação semân ica: O LABEL-LEX
(SW) conside a que o mas como mulhe (nome) e melho (adjec i o) de i am de homem e
bom, espec i amen e, enquan o o Bosque a ibui mulhe emelho como lemas dos mesmos
okens.
18 Capí ulo 2. P ocessamen o Inicial
Nes es casos, a solução adop ada oi de modo ge al aquela que i esse como base p oces-
sos mo ológicos e não semân icos. Assim, no p imei o dos casos, op ou-se po conside a os
adjec i os supe la i os como de i ados do adjec i o simples; no segundo exemplo, a decisão
omada oi consis en e com a lema ização u ilizada no Bosque, que di e encia as o mas que
não ap esen am uma elação mo ológica di ec a.
No a amen o das locuções e dos nomes p óp ios compos os po mais de um elemen o,
o Bosque ap esen a algumas inconsis ências que, pa a os objec i os des e abalho, não pe -
mi i am a alia o desempenho do econhecedo de exp essões mul ipala a com p ecisão.
Assim, enquan o Conselho de Adminis ação da PEC-Alimen ação é di idido em qua o o-
kens (“Conselho de Adminis ação”, “de”, “a” e “PEC-Alimen ação”), uma exp essão como
di ec o -clínico do Hospi al P isional S. João de Deus é ano ada no co pus como um único
oken/lema. A solução adop ada nes es casos oi a seguin e: os elemen os ma cados como
locuções no Bosque o am ex aídos au oma icamen e, e adicionados à lis a de exp essões
mul ipala a de F eeLing, depois de se em e is os manualmen e. Nos co po a de eino e
a aliação, po ém, es as o mas o am di ididas em okens indi iduais, pelo que o eino e a
a aliação o am ealizadas sem locuções.
Em galego, a e ique ação en e os ecu sos escolhidos inha sido mais consis en e, pelo
que p ocesso de adap ação oi menos complexo.
2.4. Tokenização
A p imei a e amen a adap ada oi o okenizado . Es e módulo con e e, a a és de e-
g as, um ex o plano num ec o de pala as. É uma a e a ela i amen e simples, que consis e
em iden i ica as on ei as de pala as (e ou os okens ais como signos de pon uação) a a és
dos espaços e da p óp ia pon uação, pelo que a maio di iculdade encon a-se na iden i icação
de algumas con acções.
Fo mas ambíguas como desse (em po uguês, ou dese em galego) podem se um e bo
(da ) ou uma con acção de p eposição e demons a i o (de+esse/ese). Es e ipo de ambigui-
dades p o oca uma ci cula idade en e o e ique ado mo ossin ác ico e o okenizado . Es e
úl imo não pode á decidi se sepa a desse em de+esse sem conhece a sua ca ego ia mo os-
sin ác ica, mas o PoS- agge não pode se aplicado sob um ex o não okenizado. As soluções
que F eeLing pe mi e adop a nes es casos encon am-se na análise mo ológica e mo ossin-
ác ica (dicioná io, a ixos e PoS- agge ), pelo que nes e p imei o p ocesso as con acções não
2.5. Segmen ação de o ações 19
se ão sepa adas. A saída do okenizado , po an o, man e á ainda a ambiguidade nes e ipo de
o mas.
Po es e mo i o, é impo an e e em con a a o dem de aplicação en e o okenizado e
oPoS- agge , a qual in luencia o modo como as con acções ambíguas são a adas (G aña
e al., 2002; B anco e Sil a, 2003).
Ou o aspec o a conside a é a in e acção en e o okenizado e o segmen ado de o ações.
Na o dem de aplicação p opos a ( okenizado >segmen ado ), o p imei o dos módulos de e
econhece as ab e ia u as (iden i icando o pon o como pa e da ab e ia u a: “S .” e não “S ”
“.”, po exemplo) pa a e i a os casos de ambiguidade mais comuns na en ada do segmen a-
do de o ações. A di e ença en e as con igu ações do okenizado de po uguês e galego es á,
po an o, na lis a de ab e ia u as.
Es a es a égia de okenização já inha sido u ilizada com êxi o pa a o po uguês eu opeu,
ob endo alo es de p ecisão supe io es a 99% (Sil a, 2007).
2.5. Segmen ação de o ações
O segmen ado de o ações ecebe a saída do okenizado e de ol e uma no a o ação cada
ez que de ec a uma on ei a. As línguas omânicas não ap esen am mui as di e enças nos
ma cado es o og á icos, pelo que a adap ação des e módulo pa a po uguês e galego não e e
g andes di iculdades. Uma ez que as ambiguidades mais equen es en e os pon os inais
e os pon os de ab e iação já o am esol idas pelo okenizado , o segmen ado não p ecisa
a a especi icamen e es es casos.
En e as duas a iedades analisadas, as di e enças de segmen ação não são signi ica i as,
dizendo espei o a especi icidades o og á icas, como a u ilização dos pon os de in e ogação
e exclamação no início de o ações (não u ilizados em po uguês, mas acul a i os em galego).
Es e ipo de es a égias ambém inham sido a aliadas em po uguês eu opeu, com esul-
ados de mais de 99% de p ecisão (Sil a, 2007).
2.6. Análise mo ológica
O sis ema de análise mo ológica de F eeLing é um conjun o de módulos que ealizam a-
e as como a iden i icação de nume ais e de da as, o econhecimen o de en idades menciona-
das e de exp essões mul ipala a, bem como a pesquisa no dicioná io (que inclui lema ização)
e o a amen o dos a ixos.
20 Capí ulo 2. P ocessamen o Inicial
Es a secção desc e e a adap ação do módulo de pesquisa em dicioná io, pa a a qual oi
p ecisa a ans o mação do o ma o dos léxicos disponí eis e a c iação de eg as de lema iza-
ção de a ixos e bais e nominais.
Es e módulo compõe-se de dous submódulos que ac uam em pa alelo: um deles p ocu a
no dicioná io odas as possibilidades de análise de cada um dos okens encon ados na en ada,
enquan o o ou o aplica as eg as de lema ização de a ixos, que pe mi em que alguns okens
que não se encon am no dicioná io sejam analisados pelo sis ema.
O dicioná io de po uguês eu opeu con ém mais 1.257.000 o mas, enquan o o de galego
supe a as 577.000 o mas (Secção 2.3). No e-se que F eeLing não possui um lema izado
p óp io, senão que o lema de cada oken é p ocu ado no léxico. Is o implica a necessidade de
léxicos amplos, com o im de a ingi ní eis al os de p ecisão nes a a e a.
O submódulo de a amen o de a ixos pe mi e c ia eg as de lema ização de o mas com
p e ixos e su ixos. Assim, não é p eciso inclui no dicioná io odas as possibilidades de com-
binação de o mas e bais com clí icos, nem diminu i os, aumen a i os, ad é bios e minados
em men e, ou o mas p e ixadas.
Em elação às o mas compos as po e bo e p onome clí ico, é p eciso e e i que a o -
og a ia do po uguês sepa a o e bo e o p onome com um hí en, e man ém independen e a
acen uação da o ma e bal (e.g., conhecem-me). Is o az com que es e p ocesso seja uma
a e a i ial. Po ém, em galego a o ma compos a é esc i a como uma única pala a (coñé-
cenme), pelo que oi p eciso c ia um conjun o de eg as de análise de su ixos que enham
em con a an o a iden i icação dos okens ( e bo + p onome), como a adição ou sup essão de
acen os g á icos (coñécen >coñecen).4
A pesquisa em dicioná io e o a amen o de a ixos pe mi em que na execução do e i-
que ado mo ossin ác ico sejam a adas as con acções não di ididas pelo okenizado . O
uncionamen o é o seguin e: as con acções não ambíguas (po exemplo do: p eposição de +
a igo o), es ão p esen es no dicioná io com o o ma o “do de+o SPS00+DA”,5pelo que es as
o mas são di ididas em dous okens na saída inal.6
4Uma e são pos e io do módulo de a amen o de a ixos em galego oi ap esen ada em Solla Po ela (2010).
5Fo ma o de ês colunas sepa adas po um espaço, em que a p imei a é o oken, a segunda o lema e a e cei a a
e ique a mo ossin ác ica ( eja-se o agse na Tabela A.1, página 158).
6Pode en ende -se que a análise de do con ém ambiguidade ela i a à ca ego ia de o, que além de a igo, pode ia
se p onome nos casos em que o núcleo da ase nominal não es á p eenchido: “O homem do qual ele alou”, pelo que
a en ada do dicioná io inclui ia SPS00+DA/PD. No caso que nos ocupa, unicamen e nos e e imos à ambiguidade em
que uma única o ma pode se analisada como con aída ou não: des e como con acção de p eposição+demons a i o
ou como e bo.
2.7. Ano ação mo ossin ác ica 21
Po ém, os casos de ambiguidade (desse/dese, des es, pelo/polo, e c.) podem se a a-
dos — undamen almen e— de duas manei as: incluindo-as no dicioná io, ou ac escen ando
eg as de lema ização des as o mas ao submódulo de a amen o de a ixos. As duas solu-
ções e e idas pe mi em e i a a ci cula idade e e ida na Secção 2.4, uma ez que odas as
al e na i as exis en es no módulo de análise mo ológica são a aliadas pelo desambiguado
mo ossin ác ico e pelo PoS- agge que, se o p eciso, ealiza á uma e okenização.
Qualque das duas es a égias é simila às adop adas em G aña e al. (2002) ou em B anco
e Sil a (2003), uma ez que deixam a decisão de sepa a (ou não) os casos de ambiguidade
aos módulos de análise mo ossin ác ica, e não ao okenizado .
A aliação
A lema ização oi a aliada di idindo o núme o de lemas co ec amen e a ibuídos pelo
núme o o al de lemas do co pus de es e. Em po uguês eu opeu, os esul ados o am ob idos
num ex ac o do co pus Bosque de 50.000 okens, com uma p ecisão de 98,58%. Em galego,
o co pus de es e oi de 6.200 okens, sendo a p ecisão de 99,41%.
Den o do conjun o de módulos de análise mo ológica, a seguin e e amen a de F eeLing
(o desambiguado mo ossin ác ico) a ibui uma p obabilidade pa a cada uma das possí eis
e ique as de cada oken e, com base na análise das e minações, en a sabe que e ique as são
possí eis nas o mas desconhecidas. Es a classi icação é ealizada de aco do com a ap endi-
zagem ealizada num co pus de eino e ique ado.
2.7. Ano ação mo ossin ác ica
F eeLing pe mi e u iliza dous mé odos de ano ação mo ossin ác ica: um modelo p oba-
bilís ico com base em HMM e um mé odo híb ido ( elax) que combina in o mação es a ís ica
com es ições linguís icas de inidas manualmen e (Pad ó, 1998).
O modelo híb ido é —apesa de ligei amen e mais len o— de maio p ecisão do que o
es a ís ico, mas eque a c iação manual das es ições pa a cada a iedade, pelo que no eino
dos módulos pa a po uguês e galego oi u ilizado o modelo HMM.
Exis em dous ac o es c uciais —pa a além do dicioná io— no desempenho de um e i-
que ado mo ossin ác ico p obabilís ico: um deles é o amanho —e qualidade— do co pus
de eino. Quan o maio o o co pus, melho se á o modelo ap endido pelo sis ema du an e o
eino (embo a com ce os limi es (Banko e B ill, 2001)). O ou o é o conjun o de e ique as:

22 Capí ulo 2. P ocessamen o Inicial
se es e o mui o complexo, a in o mação o necida pelo e ique ado se á maio , mas a sua
p ecisão mais baixa. Pelo con á io, se o agse o eduzido, a sua p ecisão se á mais ele ada,
mas pode co e -se o isco de que a in o mação ob ida não seja su icien e pa a os objec i os
do PoS- agge .
Um dos p opósi os da adap ação de F eeLing pa a po uguês e galego oi o de u ilizá-lo
como e ique ado mo ossin ác ico base pa a o analisado sin ác ico DepPa e n (Secção 1.4).
Tendo em con a que es e sis ema eque in o mação mo ológica (géne o, núme o, pessoa,
empo e modo e bal, e c.), e com base nos agse s u ilizados nas ou as línguas analisadas
po F eeLing, decidiu-se u iliza as ecomendações p opos as pelo G upo EAGLES (Leach
e Wilson, 1996). O agse de inido pa a po uguês eu opeu con ém 255 ags, enquan o pa a
galego se emp ega am 277 e ique as.7
O agse u ilizado con ém in o mação mo ossin ác ica de alhada, mas não odos es es
dados são u ilizados p op iamen e pelo PoS- agge ; es e usa unicamen e os dous p imei os
elemen os da e ique a, sendo os es an es ex aídos do léxico. O p imei o elemen o da e i-
que a (D, De e minan e, P, P onome, N, Nome, e c.) indica a ca ego ia mo ossin ác ica; o
segundo (DDemons a i o, P, Possessi o, e c., a iando em unção do p imei o elemen o)
e e e a subclasse da ca ego ia à qual pe ence. O es o de en adas das e ique as a ia em
unção da ca ego ia p incipal, e englobam aspec os como o possuido (singula ou plu al)
dos possessi os, o g au (aumen a i o ou diminu i o) dos nomes, o caso dos p onomes ou
in o mação sob e modo, pessoa e núme o dos e bos.
A aliação
A p ecisão da ano ação mo ossin ác ica é c ucial pa a subsequen es a e as de PLN, so-
b e udo naquelas o mas que con êm ambiguidade e que podem p o oca maio índice de
e os em e apas pos e io es.
De modo ge al, conside a-se que a baseline pa a es a a e a se si ua em 90%, e que o
es ado-da-a e supe a o 97% nos melho es esul ados. Con udo, êm su gido algumas c í icas
à a aliação des as e amen as, com base no ipo de ex o u ilizado du an e o p ocesso. Com-
pa ando di e en es a aliações de PoS- agge s sob e ex os de di e sas p ocedências (blogues,
7A es as quan idades são ac escen ados 24 ags de símbolos de pon uação (a ibuídos não pelo PoS- agge , mas
pelo iden i icado de pon uação). A Tabela A.1 con ém o o ma o do conjun o de e ique as u ilizado. No e-se que,
pa a man e a compa ibilidade com ou os agse s de F eeLing, os elemen os que não sejam p ecisos em po uguês
e galego se ão ma cados com um <0>( eja-se como exemplo os alo es semân icos dos nomes, que ocupam os
elemen os 5 e 6).
2.7. Ano ação mo ossin ác ica 23
jo nais digi ais e ou os si es) e ipologias (li e á io, cien í ico, jo nalís ico, e c.), e não em
ex o com condições mais homogéneas, a p ecisão desce abaixo de 93%, e ap esen a g andes
ní eis de a iação em unção do géne o ex ual (Giesb ech e E e , 2009).
Nes e abalho, a a aliação do p ocesso de ano ação mo ossin ác ica oi ealizada di-
idindo o núme o de okens cuja e ique a oi co ec amen e a ibuída pelo núme o o al de
okens do ex o. Es a a e a, apa en emen e i ial, pode ap esen a p oblemas de i ados do
alinhamen o en e o gold-s anda d (o co pus de e e ência, co igido manualmen e) e o ex o
e ique ado au oma icamen e. Es e úl imo pode con e um núme o di e en e de okens do que
ogold-s anda d, de ido à okenização ou à iden i icação de nomes p óp ios, locuções, e c.
Assim, a o ma P esiden e Má io Soa es, pode se analisada como um único nome p óp io
(P esiden e_Má io_Soa es), pode se di ida em dous elemen os (P esiden e / Má io_Soa es),
ou em ês (P esiden e / Má io / Soa es). Pa a a a es es casos, o sis ema de a aliação em
ês pa âme os de execução, com o seguin e uncionamen o:
–NoTok: Se são de ec ados e os de di isão (spli ): P esiden e_Má io_Soa es NP e sus
P esiden e NP / Má io NP / Soa es NP, unicamen e é a aliado o ag do p imei o oken,
pelo que é con abilizado um ace o. Es e mé odo conside a que os e os de okenização
não de em se le ados em con a na a aliação do PoS- agge .
–Tok: Se hou e di e enças de okenização, são con abilizados odos os e os (no caso
an e io , ês). No e-se que, no caso de que a okenização e a a ibuição da e ique a em
pala as com mais de um oken sejam co ec as, é ma cado um único ace o.
–NoLoc: Es e ipo de a aliação igno a odos os okens que não es i e em alinhados; no
exemplo e e ido, não se ia con abilizado nenhum e o nem ace o.
Como oi di o na Secção 2.3, o Bosque ap esen a alguma inconsis ência na ano ação das
locuções e ou as exp essões mul ipala a, ac o que de emos e em con a na conside ação
dos esul ados des as a aliações. Po es a azão, oi ge ada uma ou a e são do co pus de
es e, na qual se ealizou spli de odos os elemen os que con inham mais de um oken. Assim,
execu ando o PoS- agge sem iden i icação de locuções nem de nomes p óp ios compos os, a
saída é um ex o alinhado pe ei amen e com es e no o gold-s anda d, pelo que a a aliação
esul a mais simples. Assim, um qua o mé odo (OnlyTag) em em con a unicamen e os e -
os e ace os, e i ando di e enças de okenização en e os co po a a aliados. Nes e caso, na
a aliação das locuções ou dos nomes p óp ios compos os são con abilizados odos os okens,
24 Capí ulo 2. P ocessamen o Inicial
A aliação Po uguês Galego
Tag Comple o SingleTags Tag Comple o SingleTags
NoTok 94,79 96,01 97,70 98,04
Tok 94,47 95,73 97,19 97,56
NoLoc 95,04 96,26 97,72 98,07
OnlyTag 94,32 95,54 97,50 97,91
Tabela 2.1: P ecisão dos PoS- agge s em po uguês eu opeu e galego.
pelo que uma locução bem e ique ada soma á mais ace os do que com ou os mé odos. Es a
dis o ção, con udo, é compensada de alguma manei a pelos casos em que a e amen a alha,
nos quais ambém são con abilizados um maio núme o de e os.
Os qua o mé odos e e idos a aliam a p ecisão do PoS- agge com o agse de inido (Ta-
bela A.1). Uma ez que es e con ém in o mação mui o po meno izada, e a ia no o iamen e
em elação aos u ilizados nou os abalhos, oi ealizada ambém uma a aliação de cada uma
das execuções com um agse mais eduzido (SingleTags). Pa a es e im, unicamen e se i-
e am em con a os dous p imei os elemen os das e ique as (ca ego ia e ipo, sal o pa a os
e bos, em que se a alia ambém um e cei o elemen o: o modo), igno ando assim in o ma-
ção que pode se in e ida po ou os meios.8Des a manei a, e apesa de os esul ados não
pode em se di ec amen e compa á eis com os de ou os abalhos (de ido a di e enças não
apenas no agse , mas ambém nos co po a de eino e de es e, en e ou as), es es dados
são ob idos em condições simila es às de ou as análises. Ao mesmo empo, es a a aliação
demons a a impo ância do agse no desempenho de um e ique ado mo ossin ác ico.
A Tabela 2.1 mos a os esul ados das di e en es a aliações do PoS- agge pa a po uguês
e galego. Em po uguês, os alo es são a média de cinco execuções sob e ex ac os alea ó ios
de quase 10.000 okens, com o sis ema einado nos es an es 130.000, sal o pa a o mé odo
OnlyTag, einado sob e 90.000 okens e a aliado sob e pe o de 50.000.
Em galego, o eino oi ealizado sob e o co pus comple o (quase 238.000 okens), e
a a aliação sob e um co pus ex aído de jo nais elec ónicos e e ique ado manualmen e, de
6.200 okens.
Os esul ados das á ias a aliações dos dous sis emas indicam que, ac ualmen e, F eeLing
consegue ealiza análises mo ossin ác icas de ex os de di e sa p ocedência com desempe-
nhos p óximos do es ado-da-a e, si uado en e ≈95% e ≈97% em unção da a iedade
linguís ica e da a aliação ( eja-se a Secção 2.2).
8Es e agse pode e -se na Tabela A.2 (página 159), ambém sem os símbolos de pon uação.
2.7. Ano ação mo ossin ác ica 25
En e as duas a iedades linguís icas, as di e enças de p ecisão são no ó ias, mas os e-
sul ados não de em se di ec amen e con on ados. A es e espei o de emos no a , po um
lado, os ecu sos u ilizados; enquan o o PoS- agge de po uguês oi einado sob e ex ac os
de 130.000 okens, pa a galego usou-se um ex o mais de 100.000 okens maio , pelo que é
espe á el que o desempenho seja supe io (Banko e B ill, 2001). Em elação a is o, no e-
se que os esul ados mais baixos da a aliação do po uguês o am com o mé odo OnlyTag,
einado sob e um co pus mais pequeno. Po ou o lado, é impo an e des aca ambém as
ca ac e ís icas dos co po a de es e u ilizados pa a a a aliação. O po uguês oi a aliado sob e
ex ac os do p óp io Bosque 8.0, com mais uído —e de maio amanho— do que o co pus
de a aliação de galego (mais consis en e e com menos uído). Es as di e enças de desem-
penho suge em, como Giesb ech e E e (2009), que as ca ac e ís icas do ex o a e ique a
in luenciam decisi amen e a qualidade da e ique agem.
2.7.1. Di e en es a iedades do po uguês
O modelo de ano ação mo ossin ác ica ap esen ado pa a po uguês oi einado (e a a-
liado) com ecu sos especí icos da a iedade pad ão de Po ugal. Con udo, as es a égias de
ex acção de in o mação a aliadas nes a ese p e endem u iliza como on es co po a di e sos
ex aídos da Web, que podem es a esc i os em di e en es a iedades des a língua.
Pa a além disso, o Aco do O og á ico de 1990 (AO), que en a uni ica as no mas o o-
g á icas das di e en es a iedades nacionais do po uguês, es á a se implan ado em á ios dos
países de língua o icial po uguesa.9Assim, alguns dos maio es jo nais do B asil e Po ugal
já u ilizam a no a o og a ia desde 2010 (e.g., Diá io de No ícias ou Jo nal de No ícias, em
Po ugal, ou Folha de São Paulo no B asil), enquan o ou os não o azem (e.g., o po uguês
Público). Po an o, na Web em po uguês coexis em hoje em dia ex os esc i os em di e en es
o og a ias e em di e en es a iedades nacionais (cujas di e enças são p incipalmen e lexicais
e sin ác icas).
Tendo is o em con a, es a secção a alia a u ilização de di e en es ano ado es mo ossin-
ác icos, einados com á ias combinações de ecu sos de po uguês eu opeu, b asilei o e do
Aco do O og á ico de 1990. As a aliações são ealizadas com um no o co pus da língua po -
uguesa, que inclui ex os de di e en es a iedades linguís icas, ipologias ex uais e no mas
o og á icas.
9h p://p .wikipedia.o g/wiki/Aco do_O og a ico_de_1990
32 Capí ulo 2. P ocessamen o Inicial
Núme o Token Tag co ec o Tag a ibuído
86 que CS PR0CN000
81 a SPS00 DA0FS0
41 um Z DI0MS0
40 a DA0FS0 SPS00
38 que PR0CN000 CS
37 uma Z DI0FS0
24 o PD0MS000 DA0MS0
Tabela 2.4: E os mais equen es do PoS- agge em ≈50.000 okens.
E os do e ique ado mo ossin ác ico
A Tabela 2.4 mos a os e os mais comuns encon ados numa a aliação dos esul ados do
PoS- agge de PE (Tabela 2.1). A ano ação do oken que p oduziu 141 e os, p incipalmen e
en e conjunção (CS) e p onome ela i o (PR0CN000), com 126 e os. A o ma a e e 153
e os (en e de e minan e, p onome demons a i o e pessoal, p eposição e nome comum),
enquan o o oi inco ec amen e e ique ado em 67 casos. A ano ação de um euma (nume ais
ou de e minan es) ambém oi um dos e os mais equen es.
Numa p imei a análise dos e os de ano ação, alguns deles e elam-se como acilmen e
co igí eis a a és de eg as (mo o)sin ác icas. A não conco dância em géne o ou núme o
en e de e minan e e nome é um exemplo des e ipo de e os. Assim, a e ique ação de okens
especí icos como es es pode se melho ada com eg as básicas. Como exemplo, a eg a de
co ecção exempli icada acima (Figu a 2.1) melho a a p ecisão da ano ação de acomo p e-
posição em 33% (co ige 29 de 87 e os), e só ge a 3 no os e os (de 46). Es e é um pad ão
mui o ígido, pelo que a eg a p oduz poucos e os (algum deles p o ocado po e os de e i-
que ação do nome, e não pela p óp ia eg a). Ou os con ex os, como aqueles em que apa ece
que como conjunção ou p onome necessi am um p ocessamen o mais complexo.
Tes es
A modo de es e, oi implemen ado um conjun o de eg as de co ecção, em pa icula dos
okens a,oeque, nos con ex os de e o mais equen es. As eg as o am esc i as manual-
men e, com base numa análise semiau omá ica dos e os. O pa se de co ecção oi es ado
em cinco co po a de 10.000 okens cada, analisando o seu desempenho em cada execução.

2.7. Ano ação mo ossin ác ica 33
Token E os E os Melho a
Tag co ec o An es Depois Tag co ec o An es Depois
a SPS00 87 39 DA0FS0 46 27 50,38%
o PD0MS000 29 10 DA0MS0 24 19 45,28%
que CS 87 59 PR0CN000 39 33 26,98%
Tabela 2.5: Resul ado das eg as aplicadas.
No caso de a, a eg a mos ada acima oi melho ada, ampliando o seu con ex o de aplica-
ção: aé ago a ano ado como p eposição an es de nomes e adjec i os plu ais e masculinos ou
de exp essões nume ais seguidas de nomes e adjec i os masculinos, en e ou os con ex os.
De modo simila , as eg as de oeque ambém incluem con ex os complexos, embo a
não enham sido adicionadas excepções que possam e i a co igi alsos nega i os, ais como
algumas es u u as ixas.
As eg as de co ecção do segundo caso (o) lidam com es u u as di e en es de <DET
NOUN>, modi icando a e ique a de de e minan e pa a p onome (e.g., an es de um p onome
ela i o ou da p eposição de). A eg a con á ia (de p onome ela i o a de e minan e) é apli-
cada an es de con ex os in e oga i os especí icos.
Finalmen e, o caso de que oi mais p oblemá ico, já que a análise de e os eque um
p ocessamen o mais p o undo. As eg as unicamen e lidam com algumas exp essões comuns,
ais como uma ez que,pa a que, e c. À pa e des as, o am incluídas eg as que modi icam
a e ique a de p onome pa a conjunção em con ex os compa a i os (melho /pio do que. . . ) e
em ases comple i as depois da p eposição de.
A Tabela 2.5 mos a os esul ados da aplicação do conjun o de eg as a aliado, que indi-
cam que a implemen ação de eg as simples melho a a ano ação dos okens al o en e ≈27%
e≈50%.
Apesa de que os es es são uma a aliação p elimina de um mé odo de co ecção PoS-
agging, os esul ados indicam que alguns dos e os mais equen es p oduzidos po e ique a-
do es es a ís icos podem se co igidos po um conjun o pequeno de eg as com base linguís-
ica.
Depois da aplicação do pa se de co ecção, a p ecisão do e ique ado mo ossin ác ico
iu-se inc emen ada em ≈1,1% no mesmo co pus de 50.000 okens.
34 Capí ulo 2. P ocessamen o Inicial
2.8. Conclusões
Es e capí ulo ap esen ou o desen ol imen o e adap ação de di e sos módulos de p oces-
samen o da linguagem na u al pa a po uguês e galego. Os módulos o mam pa e de uma
e apa de p ocessamen o inicial, necessá ia pa a análises pos e io es ais como as di e en es
es a égias pa a a ex acção de elações ap esen adas em capí ulos pos e io es des a ese.
Assim, as p incipais con ibuições des e capí ulo são as seguin es:
– Módulos de segmen ação de o ações pa a po uguês e galego
– Módulos de okenização pa a po uguês e galego
– Módulos de análise mo ológica com lema ização pa a po uguês e galego
– Módulos de ano ação mo ossin ác ica pa a po uguês e galego
Pa a além disso, a adap ação e implemen ação dessas e amen as implicou ambém ou as
con ibuições, como a adap ação pa a o s anda d EAGLES de co po a e léxicos de po uguês
e galego (bem como pa a ou os agse s mais simples).
Foi ambém c iado um co pus de es e com ano ação mo ossin ác ica pa a galego e um
co pus de po uguês que con ém ex os de á ias ipologias ex uais, a iedades nacionais e
no mas o og á icas des a língua.
A es e espei o, o am a aliadas di e en es combinações de léxicos e co po a pa a a e i-
que ação mo ossin ác ica da Web em po uguês.
Finalmen e, ap esen ou-se uma es a égia com base linguís ica, de desen ol imen o sim-
ples e de aplicação ápida, que pe mi e co igi alguns dos e os mais equen es dos e ique-
ado es mo ossin ác icos es a ís icos.
Em suma, o abalho desc i o nes e capí ulo possibili a a ealização de á ias e apas inici-
ais de p ocessamen o da linguagem na u al, que pe mi i ão que módulos pos e io es de análise
semân ica sejam aplicados.
CAPÍTULO 3
RECONHECIMENTO DE ENTIDADES
MENCIONADAS
3.1. In odução
Di e sas a e as do PLN, ais como a ex acção de elações ou os sis emas de espos a a
pe gun as p ecisam da execução p é ia de e amen as que sejam capazes de econhece , em
ex o, en idades como pessoas ou localizações, po exemplo. O p ocesso de iden i icação e
de classi icação das en idades é conhecido como Reconhecimen o de En idades Mencionadas
(REM —ou NER, do inglês Named En i y Recogni ion), e az pa e das a e as de ex acção
de in o mação. Embo a alguns sis emas ealizem o econhecimen o em um único p ocesso,
o REM pode se di idido em duas sub a e as: a iden i icação e a classi icação das p óp ias
en idades.
A p imei a das a e as e e idas (iden i icação) consis e na de ecção au omá ica de En i-
dades Mencionadas (EM) em ex o li e:
“José_Sou o oi e o Cel a_de_Vigo aBalaídos”
A segunda (classi icação) em como objec i o a ibui às en idades iden i icadas uma
classe semân ica p e iamen e de inida (pessoa, o ganização, da a, quan idade, e c.). Assim, o
esul ado da aplicação de um classi icado de EM no exemplo an e io pode ia se o seguin e:
“José_Sou oPESSOA oi e o Cel a_de_VigoORGANIZAÇÃO aBalaídosLOCALIZAÇÃO”
36 Capí ulo 3. Reconhecimen o de En idades Mencionadas
Na p esen e ese, es a classi icação pode se u ilizada pelos sis emas de ER com o im de
selecciona os a gumen os que pe ençam a uma de e minada classe. Assim, se ex ai mos
exemplos de uma elação como éP esiden eDe, a u ilização de sis emas REM pe mi e-
nos escolhe só aqueles casos em que o p imei o a gumen o seja uma en idade da classe
“pessoa”.
Di e sas e amen as REM o am a aliadas em con e ências como as já e e idas Con-
e ence on Compu a ional Language Lea ning (CoNLL) ou as Au oma ic Con en Ex ac ion
(ACE). Pa a a língua po uguesa, o desen ol imen o de sis emas de econhecimen o de en ida-
des oi p omo ido po duas edições da con e ência HAREM.1Pa a espanhol exis em ambém
di e sas e amen as de REM, en e as quais se des aca Ca e as e al. (2002), a aliado como
o melho sis ema da con e ência CoNLL 2002, e cuja implemen ação em sido po ada pa a
F eeLing (A se ias e al., 2006). Em elação ao galego, a é à ealização des e abalho não co-
nhecíamos nenhuma e amen a dedicada ao econhecimen o de en idades mencionadas nes a
língua.
Tendo is o em con a, e com o p opósi o de man e F eeLing como sis ema base de p oces-
samen o pa a es e abalho, o p esen e capí ulo ap esen a (i) a adap ação de dous sis emas de
iden i icação EM em po uguês e galego, (ii) a adap ação de um classi icado de EM es a ís-
ico pa a po uguês e (iii) a implemen ação de um classi icado de EM, com base em ecu sos
e em eg as, pa a po uguês e galego. Adicionalmen e, desc e e-se a adap ação e implemen a-
ção de módulos de econhecimen o de exp essões numé icas, quan idades, da as e ho as pa a
po uguês e galego.
Os sis emas de iden i icação de EM (um deles com máquinas de es ados ini os e o ou o
de ap endizagem au omá ica) e o classi icado es a ís ico são di e en es módulos de F eeLing,
enquan o o classi icado com base em ecu sos e eg as é independen e, mas u iliza a saída
dos sis emas de iden i icação do p óp io F eeLing. A a aliação das di e en es e amen as
implemen adas esul ou em desempenhos simila es (e nalguns casos, supe io es) aos mesmos
sis emas pa a ou as línguas, bem como aos de ou as e amen as com objec i os semelhan-
es.
A seguin e secção (3.2) az uma e isão do abalho elacionado. Depois, na Secção 3.3
mos am-se e a aliam-se os di e en es módulos de iden i icação e classi icação de nomes p ó-
p ios. A segui , a Secção 3.4 ap esen a os módulos adicionais de econhecimen o de en idades
1h p://www.lingua eca.p /ha em/
3.2. T abalho elacionado 37
de base numé ica (da as e ho as, quan idades, e c.), bem como a sua a aliação. Finalmen e,
as conclusões são expos as na Secção 3.5.
Es e capí ulo baseia-se na publicação Ga cia e al. (2012), inco po ando ambém dados de
Gamallo e Ga cia (2011) (de idamen e e e idos), bem como alguns esul ados não publica-
dos.
3.2. T abalho elacionado
Es a secção ap esen a b e emen e aqueles abalhos e a aliações conjun as dedicadas ao
inglês (po se a língua pa a a qual mais ecu sos e desen ol imen o exis em), bem como ao
po uguês e espanhol, dado que, como oi di o, desconhecemos ou os abalhos de econhe-
cimen o de en idades mencionadas pa a galego.
As con e ências MUC-6 e MUC-7, ealizadas em 1995 e 1998 espec i amen e e ocadas
na análise do inglês, o am as p imei as a aliações de sis emas REM. Nas MUC de ini am-se
ês g andes classes de en idades: “ imex” (da as e ho as), “numex” (exp essões numé icas)
e “enamex” (que con inha nomes p óp ios e e idos a o ganizações, pessoas e localizações).
Os melho es esul ados da MUC-7 ob i e am alo es da medida F de 93,39% no o al da
classi icação (Mikhee e al., 1998). Ou os encon os como os já e e idos ACE (e ambém a
p óp ia MUC-7) ealiza am di e en es a aliações endo em con a ambém ou o ipo de a e as
de ex acção.
As sha ed ask das con e ências CoNLL 2002 e 2003 incluí am a aliações de sis emas
de classi icação independen es da língua (espanhol e holandês em 2002 e inglês e alemão em
2003), pa a en idades “enamex” (ca ego ia à qual oi adicionada a classe “miscelânea” pa a
classi ica en idades di e en es de o ganizações, pessoas e localizações). Nes as a aliações,
os melho es sis emas ob i e am alo es da medida F de 72% (alemão), 88% (inglês), 77%
(holandês) e 81% (espanhol). Como oi di o, es e úl imo sis ema é a base dos módulos de
classi icação de en idades mencionadas de F eeLing.
Pa a a língua po uguesa ealiza am-se duas a aliações conjun as de econhecimen o de
en idades mencionadas —HAREM (San os e Ca doso, 2007) e Segundo HAREM (Mo a e
San os, 2008)—, com esul ados que a ia am desde alo es da medida F de 60% a é 85% em
unção do ipo de a aliação, mais ou menos ígida. Es es esul ados, po ém, não são di ec-
amen e compa á eis com ou os sis emas e a aliações, já que as di ec izes de classi icação
di e em no o iamen e das de ou as con e ências.

38 Capí ulo 3. Reconhecimen o de En idades Mencionadas
De endo-nos nas ca ac e ís icas dos p óp ios sis emas de econhecimen o, pode a i ma -se
que a endência dominan e de desen ol imen o des es ecu sos é a combinação de eg as e de
máquinas de es ados ini os pa a a iden i icação de exp essões “ imex/numex”, e de modelos
es a ís icos —de ap endizagem au omá ica— pa a o a amen o de en idades “enamex”.
Con udo, exis em mé odos baseados em eg as (Bick, 2006) pa a a classi icação de en i-
dades “enamex” e modelos híb idos (Fe ei a e al., 2007), ambos desenhados pa a a língua
po uguesa.
Os sis emas p obabilís icos são habi ualmen e einados de modo supe isionado, pelo
que p ecisam de co po a e ique ados manualmen e (po exemplo Finkel e al. (2005) pa a o
inglês, Ca e as e al. (2002) pa a o espanhol ou Fe ández e al. (2007) pa a o po uguês).
Es as e amen as, po sua ez, u ilizam di e en es algo i mos (ou combinações deles) como
Condi ional Random Fields, AdaBoos , máquinas de ec o es de supo e ( e e idos como
SVM, do inglês Suppo Vec o Machines) ou modelos ocul os de Ma ko (HMM), en e
ou os.
A di iculdade de ob enção de ecu sos de qualidade pa a o eino dos di e en es mode-
los inspi ou á ias abo dagens de classi icação não-supe isionada (ou semisupe isionada).
Assim, o aumen o de on es semies u u adas de ácil acesso (como F eebase2ou DBpedia3)
pe mi e a ob enção de ecu sos e de co po a po encialmen e aplicá eis no eino des es mode-
los. Nes e sen ido, alguns abalhos ecen es p opõem es a égias que i am p o ei o de on es
como a Wikipedia pa a melho a os sis emas de classi icação e ex acção (Mika e al., 2008).
De modo simila , No hman e al. (2008) u iliza as ligações in e nas da Wikipedia pa a ano a
au oma icamen e en idades em ex o não es u u ado, emp egado pos e io men e no eino de
modelos es a ís icos.
Po úl imo, em Gamallo e Ga cia (2011) é ap esen ado um classi icado semân ico de no-
mes p óp ios pa a o po uguês que u iliza um conjun o de eg as e g andes lis as de en idades
ob idas de modo (semi)au omá ico. Es e é um dos dous classi icado es de nomes p óp ios
(en idades “enamex”) pa a po uguês desc i os nes e abalho, assim como o sis ema base do
classi icado pa a galego.
2h p://www. eebase.com
3h p://www.dbpedia.o g
3.3. Reconhecimen o de nomes p óp ios 39
3.3. Reconhecimen o de nomes p óp ios
A análise dos nomes p óp ios ap esen ada nes e capí ulo di ide-se em duas a e as: (i) a
iden i icação e (ii) a classi icação semân ica. A iden i icação consis e na de ecção co ec a das
on ei as de um nome p óp io (“Museo_do_Pobo_Galego” —iden i icado como um único
nome p óp io— e sus *“Museo do Pobo_Galego”, onde e oneamen e se de ec am dous
nomes p óp ios). A classi icação consis e na a ibuição à en idade de uma e ique a que deno e
uma classe semân ica p e iamen e de inida.
O p imei o dos p ocessos oi ealizado a a és de dous módulos de F eeLing, com o im
de a alia o desempenho de cada um deles de modo independen e. Em elação à classi icação,
an o o módulo AdaBoos de F eeLing como o já e e ido sis ema baseado em eg as e ecu -
sos o am u ilizados em po uguês, sendo es e úl imo ambém implemen ado pa a galego.
3.3.1. Iden i icação
Os dous módulos u ilizados pa a a iden i icação de nomes p óp ios o am basic e BIO.
O p imei o (basic) consis e numa máquina de es ados ini os que de ec a sequências de pa-
la as que começam po maiúsculas, e numa lis a de pala as uncionais (de,po , e c.) que
podem ocupa uma posição in e média em nomes p óp ios compos os.4Es a es a égia iden-
i ica exp essões como “John Lennon” ou “Uni e sidade de Vigo”, e em combinação com
um desambiguado mo ossin ác ico ( eja-se o Capí ulo 2), de ec a com al a p ecisão se um
oken em posição inicial de o ação é ou não é um nome p óp io (“Ca é com lei e” e sus
“Ca é_S a bucks em Ba celona”).
Es e mé odo não p ecisa de um co pus ano ado de ap endizagem, sendo an o a adap ação
pa a po uguês e galego como a execução ápidas. Con udo, exis em casos em que o iden i i-
cado alha sis ema icamen e, uma ez que não são a ibuídos alo es de p obabilidade pa a
cada um dos elemen os que podem o ma o nome p óp io: assim, an o a exp essão “Minis-
é io_de_Educação” como *“[nessa al u a chegou] Sa kozy_de_Roma” são analisadas como
um único nome p óp io.
4As máquinas de es ados ini os (ou ini e-s a e-au oma a, FST) são modelos ma emá icos compos os de um
conjun o ini o de es ados abs ac os. Em cada momen o, a máquina encon a-se em um único es ado, e muda pa a
ou o se se da uma condição p e iamen e de inida (Black, 2013). Na iden i icação de nomes p óp ios compos os, a
máquina e i ica se cada um dos okens começa ou não po maiúscula, se en e eles se encon am pala as uncionais,
e c.
40 Capí ulo 3. Reconhecimen o de En idades Mencionadas
O segundo dos módulos de iden i icação de nomes p óp ios de F eeLing en a co igi es-
es e ou o ipo de e os implemen ando o mé odo es a ís ico BIO ( ambém conhecido como
IOB). Es a es a égia de ap endizagem supe isionada p ecisa de um co pus de eino ano ado
cujos nomes p óp ios sejam di ididos em B (begin, início) e I (inside, den o), pa a além dos
okens que não o mam pa e de um nome p óp io (O: ou side, o a). O co pus de ap endi-
zagem, bem como um conjun o de a ibu os lexicais (que incluem lis as de nomes p óp ios
equen es, pala as uncionais, e c.), pe mi em eina um classi icado que de ec e as on-
ei as das en idades “enamex”, em unção das p obabilidades de cada oken se B, I ou O.
Fo am einados cinco modelos di e en es, em unção da equência dos a ibu os no co -
pus de eino, do modelo BIO com o algo i mo AdaBoos (Ca e as e al., 2002) (os cinco
modelos u iliza am di e en es g upos de a ibu os do co pus: desde aqueles com equência
supe io a 1% a é odos os ex aídos). Tan o pa a po uguês como pa a galego, o am u iliza-
dos os mesmos co po a que pa a eina os módulos PoS- agging (Secção 2.3): uns 138.000
okens e 7.300 nomes p óp ios em po uguês e ≈240.000 okens e ≈11.800 en idades “ena-
mex” em galego.
3.3.2. Classi icação
A classi icação de nomes p óp ios é o p ocesso que consis e na a ibuição, depois de iden-
i icadas as on ei as de um nome p óp io, de uma e ique a semân ica p e iamen e es abele-
cida. Apesa de exis i em a e as que eque em uma classi icação mais de alhada, as e ique as
u ilizadas na e amen a aqui ap esen ada são as “enamex”, amplamen e emp egadas no eco-
nhecimen o de en idades desde a a aliação MUC-6. Es as e ique as di e enciam ês classes
p incipais: PER (pessoa), ORG (o ganização) e LOC (localização), às quais desde a con e-
ência CoNLL 2002 se ac escen ou MISC (ou a, ou miscelânea) pa a classi ica as en idades
que não pe encem a nenhum dos ipos an e io es.
A classi icação de de e minados nomes p óp ios de aco do com as e ique as es abelecidas
p o ocou algumas di e enças an o nas á ias edições das a aliações e e idas como nou as
(Segundo HAREM, po exemplo). Dous dos p incipais p oblemas que su gem na classi icação
de nomes p óp ios são a polissemia e a me onímia. Nes e sen ido, de e minados nomes de
países, cidades, e c. podem se classi icados (pa a além de LOC), como ORG (“Bélgica
assinou o T a ado de Roma”), como PER (“Vigo opõe-se à des uição do sec o na al”), e c.,
em unção dos c i é ios de e ique ação u ilizados.
3.3. Reconhecimen o de nomes p óp ios 41
Nes e abalho, an o na implemen ação do sis ema de classi icação, como na ano ação
manual dos co po a de eino e es e, só oi conside ada a homonímia, igno ando-se po an o
as in e p e ações me onímicas das en idades mencionadas (que podem se iden i icadas em
p ocessos pos e io es de análise).5
Como oi di o na Secção 3.2, exis em di e sas es a égias pa a o desen ol imen o de sis-
emas de classi icação de EM: mé odos que u ilizam eg as e lis as ex e nas de en idades,
modelos es a ís icos que p ecisam de co po a de eino ano ados e ou as es a égias de ap en-
dizagem au omá ica menos supe isionadas.
Nes a secção são ap esen ados dous modelos di e en es de classi icação: p imei o, o clas-
si icado AdaBoos incluído em F eeLing (Ca e as e al., 2002), einado pa a po uguês com
uma e são do co pus Bosque 8.0 (Secção 2.3) com ano ação semân ica adicionada manual-
men e.6A segui , a es a égia baseada em eg as e ecu sos, implemen ada pa a po uguês em
Gamallo e Ga cia (2011) e adap ada pa a galego no p esen e abalho.
O sis ema es a ís ico u iliza classi icado es AdaBoos mul i-classe (com uma classe pa a
cada uma dos qua o ipos de “enamex”). A janela u ilizada é de -3/+3 okens, pelo que o
classi icado analisa os a ibu os dos ês elemen os an e io es e pos e io es à en idade com o
im de decidi a sua classe. Os a ibu os u ilizados são lexicais ( okens e lemas), mo ossin ác-
icos (ca ego ia mo ossin ác ica e cons i uin e sin ác ico), mo ológicos (p e ixos e su ixos),
egaze ee s e igge wo ds.
Os gaze ee s são lis as de en idades conhecidas, já classi icadas em unção do seu ipo
(e.g., “Je y Ga cia”: PER, “San iago de Compos ela”: LOC). As igge wo ds são pala as
que co-oco em num segmen o do ex o com uma en idade, suge indo a sua classi icação
numa de e minada classe (po exemplo “emp esa: ORG”, “amigo”: PER, e c.).
O sis ema de eg as e ecu sos ambém necessi a, pa a além de um conjun o de heu ís icas
de classi icação semân ica, de igge wo ds e de lis as de gaze ee s de g ande amanho. Com
o im de se ob e em es es dous ipos de ecu sos de modo (semi)au omá ico, oi u ilizada a
seguin e es a égia:
Pa a ex ai as igge wo ds, p ocu a-se na á o e de ca ego ias da Wikipedia (da língua
al o) um conjun o de ca ego ias que sejam subclasses de pessoas, o ganizações e localiza-
ções. Es e p ocesso ealiza-se seleccionando ca ego ias que con enham as pala as “pessoa”,
“o ganização” ou “luga ” (e sinónimos) como núcleo da ca ego ia (p. ex., “O ganizações
5Veja-se Gamallo e Ga cia (2011) pa a uma discussão mais po meno izada.
6Uma ez que não exis iam co po a disponí eis com amanho su icien e pa a eina modelos supe isionados
pa a galego, o módulo de classi icação de EM de F eeLing só oi adap ado pa a po uguês.
48 Capí ulo 3. Reconhecimen o de En idades Mencionadas
Lis as LOC ORG PER
igge wo ds 74 47 405
gaze ee s gl 4.395 717 9.650
gaze ee s p 33.485 16.378 59.424
gaze ee s es 63.468 21.551 88.342
Tabela 3.6: Núme o de igge wo ds e dos conjun os de gaze ee s pa a as ês classes de en idades “enamex”
di e en es de MISC nos es es em galego.
Gaze ee s P ecisão Recall Medida F
gl 62,15 62,84 62,49
gl+p 74,11 74,94 74,52
gl+es 59,80 60,47 60,14
gl+p +es 68,31 69,08 68,69
Tabela 3.7: Resul ados do classi icado de eg as e ecu sos em galego, em unção dos conjun os de gaze ee s
u ilizados.
uguesa (p ) e da espanhola (es), espec i amen e; inalmen e, le ou-se a cabo uma a aliação
com as lis as de en idades de ês e sões da Wikipedia (galega, po uguesa e espanhola).10
Em odas as a aliações oi u ilizado o mesmo conjun o de igge wo ds, ob idas da Wikipedia
em galego.
A Tabela 3.6 con ém o núme o de en idades de cada uma das lis as de gaze ee s, bem
como o núme o de igge wo ds u ilizadas. Na Tabela 3.7 podemos e os esul ados dos
di e en es es es de classi icação de nomes p óp ios. Es es es es o am ealizados u ilizando
o modelo BIO pa a a iden i icação das en idades. A aliações p elimina es em que oi usado o
mé odo basic i e am esul ados com alo es da medida F ≈3% mais baixos.
O p imei o conjun o de esul ados mos a que a u ilização de gaze ee s ex aídos unica-
men e da Wikipedia em galego não é su icien e pa a consegui um bom desempenho de um
sis ema baseado em eg as e ecu sos, ob endo alo es da medida F de 62,49%. A u iliza-
ção de lis as de en idades em espanhol e po uguês melho a, po an o, a qualidade do sis ema
(68,69%). No e-se, con udo, que o aumen o da medida F é supe io com as lis as gl+p (meno
do que o conjun o gl+p +es), pelo que se in e e que os gaze ee s ex aídos da Wikipedia em
espanhol podem e algum ipo de uído (o que explica ia ambém os alo es do es e gl+es).
10O núme o de gaze ee s ap esen a pequenas a iações em elação aos u ilizados nos es es an e io es (pa a
po uguês), de ido a que os ecu sos pa a galego o am ex aídos de uma e são mais ecen e da Wikipedia.

3.3. Reconhecimen o de nomes p óp ios 49
Classe Núme o P ecisão Recall Medida F
LOC 280 81,89 83,20 82,54
PER 121 61,31 77,06 68,29
ORG 438 73,79 80,00 76,77
MISC 85 62,50 7,94 14,08
Tabela 3.8: Resul ados do classi icado de eg as e ecu sos pa a cada classe “enamex” em galego (e núme o de
en idades de cada classe).
Assim, os esul ados do sis ema ap esen ado com os gaze ee s do galego e do po uguês
ul apassam 74% de medida F.
A Tabela 3.8 mos a os esul ados indi iduais de cada classe “enamex”. A análise des es
dados indica-nos que os ipos LOC e ORG (e, em meno medida, PER) êm bons esul ados
an o em e mos de p ecisão como de ecall. Con udo, o desempenho do classi icado em
cada classe di e e dos esul ados em po uguês (onde PER ob inha os melho es alo es). Es es
dados podem de e -se à dependência dos ecu sos ex e nos e à elação des es com o co pus
de es e. Po úl imo, os alo es de ecall da classe MISC são no o iamen e mais baixos. Do
mesmo modo que na a aliação em po uguês, é p eciso e e i que an o o ipo des as en idades
quan o a sua con ex ualização são mais he e ogéneas do que as es an es.
Uma ez que alguns dos e os de classi icação do sis ema o am p o ocados po e os
an e io es na iden i icação dos nomes p óp ios, oi ealizado um úl imo es e assumindo uma
en ada óp ima no sis ema de classi icação. Es a úl ima a aliação (u ilizando os gaze ee s
gl+p ), que só analisa aquelas en idades co ec amen e econhecidas pelo iden i icado de
nomes p óp ios, e e um alo inal da medida F de 80,44%.
É p eciso e em con a que em nenhum dos es es as lis as de gaze ee s i e am algum
ipo de e isão nem il agem. Nes e sen ido, a adap ação das lis as po uguesas pa a galego
(e ice- e sa) pode se uma boa es a égia de melho amen o do sis ema (Mal a e al., 2010).
Além disso, a aplicação de algum ipo de il agem e/ou e isão sob e os gaze ee s, assim
como a u ilização de lis as com maio núme o de en idades (como as do inglês, po exemplo),
podem con ibui pa a o aumen o da p ecisão do classi icado semân ico aqui p opos o.
Em e mos ge ais, os esul ados ob idos pelos dis in os sis emas ap esen ados nes a secção
não são acilmen e compa á eis com os de sis emas concebidos pa a ou as línguas, de ido
an o às ca ac e ís icas dos co po a de es e, como aos p óp ios objec i os de cada um dos
módulos de econhecimen o.
50 Capí ulo 3. Reconhecimen o de En idades Mencionadas
Assim, em elação aos módulos de iden i icação de nomes p óp ios, os esul ados de me-
dida F o am simila es aos ob idos pa a ou as línguas (Ca e as e al., 2002).
Pa a além disso, a compa ação en e os esul ados do classi icado semân ico de nomes
p óp ios é mais complexa: po um lado, os objec i os de á ios classi icado es cos umam se
di e en es, em unção do núme o de ipos e sub ipos de en idades que p e endam classi ica .
Po ou o lado, o amanho e ipologia do co pus de es e é ambém mui o a iá el, bem como
a ano ação de en idades po encialmen e ambíguas. Tendo is o em con a, e obse ando que,
po exemplo, os melho es sis emas das a aliações CoNLL (2002 e 2003) di e em em mais de
16 pon os pe cen uais (72,41% pa a o alemão e 88,76% pa a o inglês), os esul ados ob idos
com di e en es mé icas e co po a não podem se di ec amen e compa á eis. O mesmo acon-
ece se obse a mos os esul ados das a aliações do Segundo HAREM, cujos alo es o am
ob idos u ilizando ipos e sub ipos di e en es na classi icação de en idades. Nes a a aliação, a
mé ica mais p óxima da ealizada no p esen e capí ulo é o “Cená io Selec i o 2”, que inclui
as ca ego ias “local” (com dous sub ipos: “humano” e “ ísico”), “o ganização”, “pessoa” e
“ empo”, na qual o sis ema XIP-L2F/Xe ox_3 ob e e alo es da medida F de 63,26%.
3.4. Reconhecimen o de en idades de base numé ica
Es a secção ap esen a os módulos de econhecimen o de en idades “ imex” e “numex”, in-
cluídos na sui e F eeLing e adap ados pa a po uguês e galego. Inclui, ambém, uma a aliação
des es módulos em galego.
3.4.1. Nume ais
O p imei o ipo de en idades de base numé ica são as exp essões nume ais. O econhe-
cedo aplica-se depois do okenizado , pelo que u iliza uma en ada já di idida em elemen os
indi iduais como pala as e sinais de pon uação.
Es e módulo é compos o po um conjun o de máquinas de es ados ini os que de ec am
exp essões nume ais em á ios o ma os: numé ico (“7,4”, “325.275”) e ex enso (“ ezen os
in e cinco mil duzen os e se en a e cinco”, “um milhão e meio”), assim como ou as o mas
lexicais como “dezenas”, “milha es”, “ e ços”, e c. Além da iden i icação, o módulo no -
maliza as en idades, a ibuindo um lema numé ico a cada uma das exp essões econhecidas
(“24”, “ in e e qua o”, “duas dúzias” →24).
3.4. Reconhecimen o de en idades de base numé ica 51
3.4.2. Da as
O módulo seguin e ealiza o econhecimen o au omá ico de da as e ho as, p ecisando
do econhecedo de nume ais pa a iden i ica algumas das exp essões. O módulo é compos o
ambém po um conjun o de máquinas de es ados ini os (especí icas pa a po uguês e galego),
que iden i icam e no malizam da as e ho as em o ma os di e en es.
Es e módulo econhece o mas como ho as, dias da semana (e as suas pa es: “meio-dia”,
“manhã”, “ a de”, “mad ugada”), meses, séculos, anos, e c., que podem apa ece de modo
indi idual (“Maio”, “12h24”) ou em di e en es combinações (“se e da manhã”, “segunda-
ei a, in e e se e de Julho de mil no ecen os e oi en a”, “Janei o de 1968”, e c.). As máquinas
de es ados ini os iden i icam ambém ou o ipo de exp essões comuns como “o passado mês
de Julho” ou “as se e e um qua o da a de” (adap adas, em po uguês, às o og a ias an e io
e pos e io ao Aco do O og á ico de 1990).
Uma ez iden i icadas as exp essões que con êm uma da a e/ou uma ho a, o módulo ealiza
uma no malização, a ibuindo-lhes uma e ique a que segue os s anda ds p opos os pelo G upo
EAGLES (Leach e Wilson, 1996), com o o ma o: [DIA:DD/MM/AAAA:hh.mm:xm] (cujos
campos se sepa am po “:” e que incluem (i) o nome do dia semana, (ii) o dia, mês e ano, (iii)
as ho as e minu os e (i ) a di isão en e am/pm, espec i amen e).
3.4.3. Quan idades
O econhecedo de quan idades depende do econhecedo de exp essões nume ais e con-
sis e num conjun o de máquinas de es ados ini os ao qual se ac escen a um ichei o ex e no
com e ique as e exp essões egula es ela i as a quan idades, unidades mone á ias, longi udes,
e c.
As exp essões iden i icadas po es e módulo são ambém a iadas e em di e en es o ma-
os: são econhecidos ácios e pe cen agens (“dous e ços”, “3,5%”, “no e po cen o”, e c.)
assim como quan idades ísicas (“se e quilóme os po ho a”, “1.500 oneladas”, e c.) ou
mone á ias (“doze milhões de eu os”, “7.000 escudos”, e c.).
O sis ema econhece ac ualmen e uns 320 ipos de unidades di e en es (moedas, dis ân-
cias, elocidades, pesos, empe a u as, e c.) em pe o de 900 con ex os di e en es. Depois de
iden i icadas, as en idades ecebem uma e ique a no malizada que a ibui o ipo (peso, moeda,
e c.) e o alo de cada uma delas.
52 Capí ulo 3. Reconhecimen o de En idades Mencionadas
3.4.4. Tes es e a aliação
Pa a conhece o desempenho das adap ações dos econhecedo es de en idades “ imex” e
“numex” oi ealizado um pequeno conjun o de es es com um co pus ano ado em galego.
Os es es êm como objec i o a ealização de uma a aliação p elimina dos econhecedo es
de exp essões nume ais, da as e quan idades sob e ex o eal. Com es e im, o am selecci-
onadas alea o iamen e 10 no ícias do jo nal em galego Galicia Hoxe (de odas as secções),
c iando um co pus de ap oximadamen e 10.000 okens, com 270 en idades de base numé ica
e ique adas manualmen e.
Pa a conhece o desempenho dos econhecedo es o am ealizadas duas a aliações di e-
en es, em unção do c i é io de ano ação u ilizado. A p imei a (Du a), az uma ano ação
es i a de cada uma das en idades, endo em con a conhecimen o ex e no, e não a o ma das
en idades. Assim, num í ulo como “A o o de millón e medio no gas o”, a exp essão “millón
e medio” é ano ada como “moeda”, uma ez que do con eúdo da no ícia (ou de conhecimen o
ex e no) se in e e o seu signi icado. Do mesmo modo, nume ais como “2009” (“De aco do
co c ecemen o medio de 2009”) ou “19.099” (“Os sala ios máis baixos a ópanse en Cana ias
(18.926 eu os), en Es emadu a (19.099)”) são ano ados como “da a” e “moeda”, espec i a-
men e.
A segunda a aliação (B anda) em em con a só aquele ipo de ano ação que os módu-
los adap ados ealizam, e que es á di ec amen e elacionado an o com a o ma da exp essão,
como com o con ex o léxico-semân ico mais p óximo. Nes e sen ido, exp essões isoladas
como “2009” ou “19.099” são ano adas como “núme o” excep o se o seu con ex o inclui e i-
dências de pe ence em a ou a classe de en idades (“ano 2009” ou “19.099e”, po exemplo).
A Tabela 3.9 mos a os esul ados das a aliações e e idas, endo em con a a e ique ação
de cada ipo de en idades bem como o desempenho ge al dos econhecedo es.
Pa a além dos núme os e da as ( econhecidas pelos módulos do mesmo nome), as pe cen-
agens, moedas e unidades o am analisadas pelo econhecedo de quan idades. As p incipais
di e enças en e as a aliações Du a eB anda êm a e com a classi icação de exp essões nu-
mé icas em con ex os ambíguos, às quais o sis ema a ibui a e ique a núme o. Assim, en e as
duas a aliações, a ano ação de nume ais passa de 63% a 93%, a de moedas de 63% a 100%,
e a de da as de 73% a 95%. Tendo em con a as p op iedades dos módulos adap ados, assim
como a ambiguidade de exp essões como as e e idas nos pa ág a os an e io es, a a aliação
B anda dos econhecedo es de nume ais, quan idades e da as mos a que o desempenho des-
es módulos se si ua em edo de 94% (≈70% na a aliação Du a). Con udo, es es esul ados
3.5. Conclusões 53
En idade Du a B anda
Núm. P ec Recall F1 Núm. P ec Recall F1
Núme os 111 68,75 59,46 63,77 160 97,24 89,81 93,38
Pe cen agens 16 93,75 93,75 93,75 16 93,75 93,75 93,75
Moedas 38 63,16 63,16 63,16 24 100 100 100
Unidades 24 83,33 83,33 83,33 22 95,24 90,91 93,02
Da as 81 96,00 59,26 73,29 48 95,83 95,83 95,83
To al 270 77,23 64,08 70,04 270 96,85 92,14 94,43
Tabela 3.9: Resul ados dos módulos adap ados de econhecimen o de en idades “ imex” e “numex” em galego (e
núme o de en idades), em duas a aliações: Du a eB anda.
só podem en ende -se como p elimina es, uma ez que o co pus de es e não em um amanho
su icien e pa a os conside a de ini i os.
3.5. Conclusões
O p esen e capí ulo desc e eu a implemen ação e adap ação de di e en es módulos de
econhecimen o de en idades mencionadas em po uguês e em galego.
P imei o, o am adap ados e a aliados dous sis emas de iden i icação de nomes p óp ios:
baseados em (i) máquinas de es ados ini os e em (ii) es a égias supe isionadas.
A segui oi ap esen ado um mé odo de classi icação semân ica de nomes p óp ios, que
unciona a a és de um conjun o de eg as e de ecu sos ex aídos (semi)au oma icamen e. O
desempenho des e mé odo oi compa ado com o do classi icado p obabilís ico de F eeLing,
que oi einado e disponibilizado pa a po uguês.
Finalmen e, o am ambém adap ados di e en es módulos de econhecimen o de exp es-
sões numé icas e de quan idades, e oi c iado um no o módulo de econhecimen o de da as e
ho as pa a po uguês e galego.
Em elação à iden i icação dos nomes p óp ios, os esul ados dos es es indicam que os
sis emas es a ís icos êm alo es de medida F ≈5% maio es do que os sis emas baseados em
máquinas de es ados ini os.
A espei o da classi icação semân ica, as di e en es a aliações não p o a am que uma das
duas es a égias seja melho do que a ou a na análise do po uguês. Con udo, o sis ema de
eg as e ecu sos p opos o, bem como os módulos adap ados de econhecimen o de en idades
de base numé ica, ob êm esul ados p óximos dos alo es ob idos pelos econhecedo es de

54 Capí ulo 3. Reconhecimen o de En idades Mencionadas
a aliações com mé icas simila es, ais como as sha ed ask das con e ências CoNLL (Tjong
Kim Sang e de Meulde , 2003).
Assim, as p incipais con ibuições do p esen e capí ulo são as seguin es (pa a po uguês e
galego):
– Disponibilização de módulos de iden i icação de nomes p óp ios baseados em máquinas
de es ados ini os.
– Disponibilização de módulos de iden i icação de nomes p óp ios baseado em classi i-
cado es AdaBoos .
– Disponibilização de um módulo de classi icação de nomes p óp ios baseado em classi-
icado es AdaBoos (pa a po uguês).
– Implemen ação de sis emas de classi icação de nomes p óp ios baseados em eg as e
ecu sos, disponibilizados em Gamallo e al. (2014).
– Adap ação e implemen ação de econhecedo es de exp essões numé icas, de quan ida-
des, da as e ho as.
– Adição da ano ação manual das en idades “enamex” ao co pus Bosque 8.0.
– No o co pus com ano ação manual de en idades “enamex” em galego.
Tenha-se em con a que odos os módulos adap ados es ão incluídos em F eeLing, e que o
sis ema de classi icação de eg as e ecu sos disponibiliza-se sob licenças li es.
Os sis emas REM ap esen ados nes e capí ulo (dependen es das e amen as desc i as no
Capí ulo 2) pe mi em classi ica seman icamen e di e sos ipos de en idades, pelo que acili-
am a aplicação das es a égias pa a a ex acção de elações mos adas em capí ulos seguin es.
Pa e II
Es a égias pa a a Ex acção de Relações
55
CAPÍTULO 4
EXTRACÇÃO DE RELAÇÕES. REVISÃO
4.1. In odução
Es e capí ulo az uma e isão de di e en es abo dagens que êm sido u ilizadas pa a a
ealização de ex acção de elações, mos ando os abalhos mais impo an es de cada uma
delas, bem como as mé icas de a aliação mais comuns, u ilizadas nes a ese.
P imei o, são ap esen adas di e en es ap oximações à ER em unção do núme o de e-
lações ex aídas pelo sis ema. A es e espei o, são mos ados ambém á ios mé odos que
isam eduzi o es o ço da cons ução manual de co po a de eino ou da in odução de pa es
ou de pad ões semen e. A segui , é ei a uma e isão daqueles a igos que abalha am espe-
ci icamen e com ex acção de elações biog á icas, po se em es as as mais elacionadas com
es e abalho. Depois, inclui-se uma secção que analisa a in o mação linguís ica u ilizada
pelas á ias es a égias de ex acção. Mais à en e mos am-se alguns abalhos dedicados
especi icamen e à ex acção em po uguês, espanhol e galego. Finalmen e, ap esen am-se as
mé icas de a aliação u ilizadas nos es es sob e a ex acção de elações, bem como as con-
clusões des e capí ulo.
4.2. T abalho elacionado
Domínio echado
A ex acção de elações em domínio echado consis e na cons ução de ex ac o es pa a
um conjun o ini o de elações. Assim, de inida uma elação como LocaldeMo e, um
64 Capí ulo 4. Ex acção de Relações. Re isão
abalhos como Sole e Alcina (2008) ambém aplicam pad ões lexicais pa a ob e exemplos
da elação pa e- udo (no domínio da ce âmica).
Em Aguado de Cea e al. (2008) ap esen a-se um mé odo (e uma e amen a) pa a eu-
iliza pad ões de desenho de on ologias pa a o en iquecimen o des es ecu sos (median e a
associações dos pad ões a no os pad ões léxico-sin ác icos). Es e abalho analisa ambém a
ex acção em ex os em inglês e alemão.
Po úl imo, o sis ema mul ilíngue de ex acção de in o mação abe a DepOE (Gamallo
e al., 2012) ambém ealiza OIE em po uguês, espanhol e galego. A é ao momen o, é o
único abalho que conhecemos sob e ex acção de elações em galego.
Ap esen adas as di e en es ipologias e abo dagens pa a a ex acção de elações, bem
como os a ibu os que êm sendo u ilizados, podemos si ua o abalho ealizado nes a ese
como segue: em elação ao domínio das ex acções, es as enquad am-se em domínio echado,
sendo de ca ác e enciclopédico (e especi icamen e biog á ico). Con udo, o Capí ulo 8 ap e-
sen a um conjun o de a aliações de ex acção de in o mação abe a, cujas ex acções o am
es ingidas a aqueles iplos cujo p imei o a gumen o iden i ica uma en idade pessoa.
Em elação às abo dagens u ilizadas pa a a ER, es a ese aplica es a égias de supe isão-
dis an e cujas ins âncias são os pa es elacionados (Capí ulo 5), ap oximações supe isiona-
das que classi icam indi idualmen e cada pad ão (Capí ulo 6), bem como abo dagens basea-
das em eg as sin ác ico-semân icas (Capí ulo 7).
Finalmen e, pa a ex ai elações em po uguês, galego e espanhol, no p esen e abalho
são emp egados —pa a além das eg as sin ác ico-semân icas já e e idas— di e en es ipos
de a ibu os linguís icos que ão desde simples okens, lemas e PoS- ags a pad ões gene ali-
zados ou combinações complexas de dependências sin ác icas.
4.3. Mé icas de a aliação
De modo ge al, os sis emas de ex acção de elações são a aliados u ilizando mé icas
s anda d. A a aliação ealiza-se u ilizando os esul ados de classi icação que cada sis ema
p oduz nos conjun os de es e, a a és da ma iz de con usão da Figu a 4.1.
Aqui, os e dadei os posi i os e os e dadei os nega i os são os exemplos do conjun o de
es e co ec amen e classi icados pelo sis ema como posi i os e nega i os, espec i amen e.
Os alsos posi i os e os alsos nega i os são os e os p oduzidos po classi ica como posi i os
exemplos nega i os e como nega i os exemplos posi i os, espec i amen e.

4.3. Mé icas de a aliação 65
alo
eal
esul ado do sis ema
p n o al
p0Ve dadei o
Posi i o
Falso
Nega i o P0
n0Falso
Posi i o
Ve dadei o
Nega i o N0
o al P N
Figu a 4.1: Ma iz de con usão u ilizada pa a as a aliações de ER.
P ecisão: pa a calcula a p ecisão é ge almen e u ilizada a seguin e ó mula, que di ide
as classi icações posi i as co ec as pelo núme o o al de decisões co ec as do sis ema:
p ecis ˜ao = e dadei os posi i os
e dadei os posi i os + alsos posi i os (4.1)
Recall:os esul ados de ecall ob êm-se di idindo as classi icações posi i as co ec as
pelo núme o o al de exemplos co ec os no conjun o de es e:
ecall = e dadei os posi i os
e dadei os posi i os + alsos nega i os (4.2)
Medida F: inalmen e, pa a ob e a medida F (F1 ou F-sco e) calcula-se a média ha -
mónica en e a p ecisão e o ecall:
medida F =2·p ecis ˜ao · ecall
p ecis ˜ao + ecall (4.3)
Pa a ob e os alo es médios de alguns esul ados o am calculadas an o a mic o-a e age
como a mac o-a e age. A mic o-a e age calcula-se cons uindo uma abela global com os
esul ados de cada elação, compu ando a segui a p ecisão, ecall e medida F do o al. A
mac o-a e age é a média indi idual dos esul ados de cada elação.
Pa a além des as medidas, a a aliação de alguns p ocessos eque mé icas especí icas,
que são ap esen adas opo unamen e nos espec i os es es.
66 Capí ulo 4. Ex acção de Relações. Re isão
4.4. Conclusões
Es e capí ulo ez uma e isão de di e en es es a égias exis en es pa a a ex acção de ela-
ções semân icas de ex o li e. Fo am ap esen adas écnicas de ex acção em domínio echado,
bem como ou as al e na i as o ien adas à ex acção de um maio núme o de elações, assim
como a ex acção de in o mação abe a.
Pa a além disso, á ios abalhos ocados na ex acção de elações biog á icas o am ap e-
sen ados, seguidos de uma análise da u ilização de in o mação de ca ác e linguís ica pelos
p óp ios ex ac o es.
Depois, oi mos ada uma b e e pano âmica dos p incipais abalhos que lida am com a
ex acção de elações nas línguas al o des a ese: o po uguês, o espanhol e o galego. Assim
mesmo, as écnicas aplicadas nes e abalho o am si uadas em elação à e isão ealizada.
Finalmen e, o am ap esen adas as mé icas de a aliação s anda d u ilizadas nos es es de
ex acção de elações.
CAPÍTULO 5
EXTRACÇÃO DE RELAÇÕES MEDIANTE
SUPERVISÃO-DISTANTE
5.1. In odução
A g ande quan idade de dados que exis e na Web az com que mui a da in o mação dis-
poní el seja edundan e, apa ecendo em di e en es on es, línguas e o ma os. Um sis ema de
ex acção de elações pode ap o ei a -se des a abundância de con eúdos pa a ob e in o ma-
ção sob e en idades de manei a iá el (Mann, 2002).
Es e capí ulo ap esen a um conjun o de es es pa a a ex acção de elações semân icas em
domínio echado que en a i a pa ido da edundância da in o mação na Web. A es a égia
u ilizada consis e na cons ução de classi icado es que analisem os di e en es con ex os em
que um pa elacionado seman icamen e apa ece.
Assim, dada uma elação semân ica e um pa candida o (e.g., P o issão,Billie Ho-
liday –can o a), o sis ema analisa um conjun o de o ações em que o pa candida o apa ece
e classi ica-o como posi i o ou nega i o pa a a elação, em unção dos con ex os em que
oco eu.
Com o im de minimiza o es o ço de cons ução de um co pus de eino ano ado que
con enha o ações posi i as e nega i as pa a a elação al o, oi aplicada uma es a égia de
supe isão-dis an e (Min z e al., 2009), que ob ém de modo au omá ico co po a ano ados.
Dada a escassez de ecu sos na Web pa a o galego, es e capí ulo não con ém es es de ex ac-
ção pa a es a língua, sendo as a aliações ealizadas unicamen e em po uguês e espanhol.
68 Capí ulo 5. Ex acção de Relações median e Supe isão-dis an e
Pa a cons ui os classi icado es o am u ilizadas écnicas de ap endizagem au omá ica
e a aliados di e en es a ibu os que ep esen am as es u u as linguís icas em que os pa es
oco em.
Os esul ados das a aliações indica am que a gene alização de a ibu os de base pseudo-
sin ác ica pe mi e c ia classi icado es com bom desempenho pa a a es a égia de ex acção
p opos a. Con udo, é p eciso e e i que o mé odo de cons ução de co po a median e a
supe isão-dis an e p oduz esul ados a iá eis em unção dos ecu sos u ilizados e da e-
lação al o.
A seguin e secção desc e e o mé odo de ob enção de co pus ano ado median e supe isão-
dis an e. Depois, a Secção 5.3 ap esen a os a ibu os u ilizados pa a eina os classi icado es
supe isionados. A Secção 5.4 con ém os es es ealizados, e na 5.5 mos am-se alguns dos
p oblemas da ex ensão do mé odo p opos o a ou as elações. Finalmen e, as conclusões são
apon adas na Secção 5.6.
O con eúdo des e capí ulo oi publicado nos abalhos Ga cia e Gamallo (2011b,c), que
con êm a aliações pa a po uguês e espanhol, espec i amen e.
5.2. Mé odo
Pa a ob e o co pus ano ado oi u ilizada, do seguin e modo, a es a égia de supe isão-
dis an e:
P imei o oi ob ido um ichei o dump (imagem) da Wikipedia pa a cada língua (po uguês
e espanhol).1Cada imagem oi con e ida a ex o plano, e o am eliminadas as ma cas de
o ma ação e as ligações ex e nas.
Pa a cada elação semân ica (nos es es, P o issão), o am ob idos pa es já classi ica-
dos das in oboxes da Wikipedia na mesma língua: po exemplo, Fe nando Pessoa – poe a,
Fe nando Pessoa –esc i o , e c. (com uma p ecisão de ≈95%).
A segui , o am ex aídas do ex o li e da Wikipedia odas as o ações que con inham um
nome de pessoa e uma p o issão conhecidas (p esen es nos pa es ex aídos das in oboxes). As
o ações o am classi icadas como posi i as quando os dous e mos coincidiam com um pa
conhecido da lis a inicial, e como nega i as se o pa não exis ia na mesma lis a.
Depois o am aplicados os módulos de lema ização e de ano ação mo ossin ác ica de
F eeLing. Em espanhol, F eeLing ambém oi emp egado pa a o econhecimen o de en ida-
1h p://dumps.wikimedia.o g/
5.3. A ibu os 69
des mencionadas, enquan o que o sis ema de eg as ap esen ado no Capí ulo 3 oi u ilizado
pa a o REM em po uguês. As dependências sin ác icas o am ge adas nas duas línguas po
DepPa e n.
Finalmen e, os e mos al o (nome p óp io e p o issão) o am subs i uídos po XeY, es-
pec i amen e, sendo as o ações di ididas em ês con ex os: an e io ,in e médio epos e io ,
em unção da sua posição em elação a XeY.
Uma ez que o p ocesso oi ealizado sem e isão manual, es e p oduziu ano ação de al-
sos posi i os (p. ex., “Linus To alds discu iu com um engenhei o de so wa e”: posi i o) e
alsos nega i os (“Fe nando Pessoa oi um c í ico li e á io”: nega i o, po que o a ibu o c í-
ico li e á io não apa ece na in obox). A e isão manual de um conjun o de o ações ano adas
(u ilizadas como co pus de es e nas a aliações) mos ou que a ano ação au omá ica e e pe o
de 80% de p ecisão na elação P o issão.
5.3. A ibu os
Cada uma das o ações analisadas median e o p ocesso an e io ep esen a uma es u u a
linguís ica que con ém oda a in o mação necessá ia pa a os sis emas de ex acção. Uma
es u u a linguís ica pode se concebida como um espaço que inco po a á ios ipos de co-
nhecimen o, e do qual são ex aídos os a ibu os u ilizados pelos classi icado es.
Cada es u u a linguís ica con ém o con ex o dos e mos elacionados, sendo Xo nome
de pessoa e Ya p o issão. Inclui-se na p óp ia es u u a linguís ica o con ex o an e io ao
p imei o e mo, o con ex o in e médio, e o pos e io . Es es con ex os êm uma dimensão
máxima de 12 okens (pa a o in e médio) e de 3 pa a os con ex os an e io e pos e io , endo
sido es as janelas seleccionadas empi icamen e du an e a ealização de es es p elimina es.
Na Figu a 5.1, as colunas 1, 2, 3, e 4 ep esen am a posição, oken, lema e ca ego ia
mo ossin ác ica ( eja-se o agse na Tabela A.3), espec i amen e. Uma ez que a es u u a
linguís ica ambém con ém in o mação sin ác ica de dependências, a coluna 5 iden i ica o
núcleo do oken ac ual, e a coluna 6 mos a a unção sin ác ica.2Es a es u u a es á inspi ada
no o ma o u ilizado nas con e ências CoNLL, de inido em Lin (2003).
As es u u as linguís icas ob idas de cada uma das o ações ano adas o am u ilizadas pa a
ex ai os a ibu os necessá ios pa a o eino dos classi icado es. Fo am u ilizados qua o ipos
de a ibu os:
2Aqui, a e ique a subj signi ica sujei o; punc , pon uação; adjn, adjun o; cp ep, complemen o p eposicional;
e m, e mo; spec, especi icado ; a , a ibu o e modi modi icado .

70 Capí ulo 5. Ex acção de Relações median e Supe isão-dis an e
O ação: Kimbe ley Deal (nascida em 10 de Junho de 1961) é uma can o a ame icana
Pola idade: Kimbe ley_Deal P o issão can o a: posi i o
Es u u a linguís ica:
pos oken lema PoS- ag núcleo e ique a
0XKimbe ley_Deal PESSOA 6 subj
1 ( ( Fa 2 punc
2 nascida nasce VB 0 adjn
3 em em PS 2 cp ep
4 10_de_Junho_de_1961 10/06/1961 DATA 3 e m
5 ) ) Fc 2 punc
6 é se V - -
7 uma um DT 8 spec
8Y_P can o NC 6 a
9 ame icana ame icano AD 8 modi
Figu a 5.1: Exemplo de uma o ação com a elação P o issão, o pa elacionado e a pola idade, e a sua es u u a
linguís ica.
Pad ões básicos:
O p imei o ipo de a ibu os u iliza oda a in o mação p esen e na es u u a linguís ica, excep o
dous elemen os: in o mação de dependências e alguns lemas. Os pad ões básicos só con êm
lemas de e bos, nomes comuns e p eposições, dado que em es es p elimina es es a selecção
p oduzia melho es esul ados do que o uso de odos os lemas ou nenhum deles. Es e ac o
suge e que os e bos, os nomes comuns e as p eposições con êm a in o mação mais ele an e
na ep esen ação dos con ex os léxico-sin ác icos dos e mos elacionados. Um exemplo de
um pad ão básico é o seguin e:
O ação: Kimbe ley Deal é uma can o a ame icana
Pad ão:<Xse _VB DT YAD>
De ido à igidez des e ipo de a ibu os, é p eciso e e i que p ecisam de uma g ande
quan idade de co pus de ap endizagem, po que pequenas a iações em pon uação ou modi-
icação ad e bial ou adjec i al ge am a ibu os di e en es. Po an o, a dispe são de dados é
c ucial aqui.
5.3. A ibu os 71
Gene alização de pad ões:
Com o im de minimiza o p oblema da dispe são de dados, oi aplicado um algo i mo baseado
na simila idade en e pad ões básicos que os gene aliza, aumen ando assim a sua ab angên-
cia. Pa a gene aliza dous pad ões, p imei o e i ica-se se são simila es, e depois são emo-
idas aquelas unidades não pa ilhadas en e eles (Ruiz-Casado e al., 2005). A simila idade
(Dice_lcs) en e dous pad ões p1ep2de ine-se a a és do longes common s ing (a cadeia
de ca ac e es comum mais longa) e da mé ica Dice, do seguin e modo:
Dice_lcs(p1,p2) = 2∗lcs(p1,p2)
longi ude(p1)+longi ude(p2)(5.1)
onde lcs(p1,p2)é o amanho do longes common s ing en e os pad ões p1ep2, enquan o
longi ude(pi) ep esen a o amanho do pad ão pi. Is o signi ica que a simila idade en e dous
pad ões é a unção do seu longes common s ing e das suas longi udes.
Uma ez calculada a simila idade en e dous pad ões p1ep2, ex ai-se o longes common
s ing só se p2é o pad ão mais simila de p1e o alo de simila idade é maio do que um
limi e especí ico (no es es aqui desc i os, 0,75). O longes common s ing de dous pad ões é
conside ado a sua gene alização.
Saco de lemas e PoS- ags:
Uma al e na i a à u ilização de pad ões como a ibu os, é o uso de elemen os mais pequenos,
que aumen am a ab angência dos classi icado es. Es es elemen os podem se okens (nas
es a égias bag-o -wo ds) ou lemas, en e ou os.
Pa a cons ui os classi icado es, o am u ilizadas combinações de lemas e PoS- ags, pelo
que da o ação mos ada nos exemplos an e io es (“Xé uma Yame icana”) se iam ex aídos os
seguin es a ibu os: <se _VB>,<DT>,<AD>(mais uma ez, só alguns lemas o am selec-
cionados, nomeadamen e aqueles das ca ego ias com maio in o mação semân ico-sin ác ica
nas es ições de selecção en e dependências: e bos, nomes comuns e p eposições). A u ili-
zação de exemplos nega i os du an e o p ocesso de eino é aqui mais impo an e, dado que o
classi icado de e ap ende que lemas são os mais impo an es em cada elação pa a oma a
decisão co ec a.
72 Capí ulo 5. Ex acção de Relações median e Supe isão-dis an e
Dependências sin ác icas:
A in o mação sin ác ica oi ob ida com DepPa e n, que iden i ica as dependências mais e-
quen es en e os e mos elacionados. No amen e, es e ipo de a ibu os só inclui os lemas
dos e bos, nomes comuns e p eposições.
De cada es u u a linguís ica, o am seleccionados como a ibu os dous ipos de dependên-
cias: (i) dependências en e os dous e mos elacionados (Xou Y) e (ii) dependências en e
um dos dous e mos elacionados e uma en idade do con ex o (an e io , in e médio ou pos e-
io ). Po exemplo, da o ação “Xé uma Yame icana”, as dependências seleccionadas se iam
as seguin es: <subj:se _VB;X>,<a ;se _VB;Y>,<spec;Y;DT>e<modi ;Y;AD>.
Cada a ibu o é um iplo o mado pela e ique a de dependência, o núcleo e o dependen e.
Só o am escolhidas dependências que con i essem, no mínimo, um dos e mos elacionados
(Xou Y). A in o mação seleccionada, po an o, co esponde-se com o con ex o de dependên-
cias locais dos e mos al o.
5.4. Tes es e a aliação
Nos di e en es es es ealizados oi a aliado an o o desempenho indi idual dos a ibu os
como á ias combinações deles, pa a classi ica exemplos da elação P o issão.
Os es es le a am-se a cabo com o so wa e WEKA (Wi en e F ank, 2005), u ilizando
SMO (Sequen ial Minimal Op imiza ion, algo i mo de op imização pa a eina máquinas de
ec o es de supo e, SVM) (Pla , 1999), que e e em es es p elimina es melho es esul ados
do que classi icado es baseados em Nai e Bayes e em á o es de decisão.
Os co po a de eino o am ob idos das e sões em po uguês e em espanhol da Wikipe-
dia (Maio de 2010), u ilizando a es a égia de supe isão-dis an e ap esen ada na Secção 5.2.
Pa a cada língua o am ex aídos uns 50.000 pa es das in oboxes, com os quais se ob i e-
am dous conjun os de ≈500.000 o ações, classi icadas au oma icamen e como posi i as ou
nega i as pa a a elação P o issão. Pa a eina os di e en es modelos, selecciona am-se
alea o iamen e 2.000 o ações de cada língua. Pa a as a aliações, ex aí am-se e e isa am-se
manualmen e 700 o ações pa a cada língua ( ambém alea ó ias e di e en es das u ilizadas pa a
o eino). As mé icas de a aliação u ilizadas são as ap esen adas na Secção 4.3.
5.4. Tes es e a aliação 73
Resul ados
Os classi icado es indi iduais o am einados u ilizando os ipos de a ibu os de inidos na
Secção 5.3:
–pa e n-all epa e n-mid u ilizam os pad ões básicos como a ibu os. O p imei o con-
ém os ês con ex os de cada o ação (an e io , in e médio e pos e io ) enquan o pa e n-
mid oi einado unicamen e com os pad ões in e médios.
–pa e n_gen-mid u iliza os pad ões in e médios gene alizados como a ibu os.
–bow-all ebow-mid o am cons uídos u ilizando os sacos de lemas e PoS- ags:bow-all
com os ês con ex os, e bow-mid unicamen e com os in e médios.
–dep-all edep-mid são os modelos c iados com os a ibu os baseados em dependências
sin ác icas.
Modelos indi iduais:
O p imei o conjun o de es es a aliou se e classi icado es (pa a cada língua), cons uídos u i-
lizando unicamen e um ipo de a ibu os. Os esul ados (Tabela 5.1) indicam que os melho es
a ibu os são aqueles baseados em pad ões léxico-sin ác icos gene alizados: pa e n_gen-mid
com alo es de medida F de 78% e 83% em po uguês e espanhol, espec i amen e. Os e-
sul ados dos classi icado es pa e n-all são mui o mais baixos de ido ao seu pouco ecall.
Uma ez que os con ex os an e io e pos e io êm mui a a iação, os modelos pa e n-mid
mos a am um melho desempenho. Em elação aos classi icado es ge ados com sacos de le-
mas e PoS- ags, es es êm esul ados di e gen es em unção da língua analisada: enquan o em
espanhol supe am o 71% de medida F, em po uguês só o modelo bow-all ob ém esul ados
sa is a ó ios (71% e sus 44% de bow-mid). Finalmen e, os modelos baseados em depen-
dências sin ác icas êm um melho compo amen o quando einados com os ês con ex os
(an e io , in e médio e pos e io ).
Simila idade e combinações de a ibu os:
Na análise das di e enças en e os modelos indi iduais oi calculado o coe icien e de simi-
la idade Dice, pa a conhece se os e os e ace os de cada classi icado no co pus de es e
o am ou não nos mesmos exemplos. De modo ge al, um coe icien e Dice al o signi ica que
80 Capí ulo 6. Ex acção de Relações median e Classi icado es Supe isionados
a linguís ica eó ica e compu acional em ge al. Es a a aliação pe mi e conhece o melho
modo de ep esen a es u u as linguís icas que con enham elações semân icas en e dous
elemen os.
O objec i o do p esen e capí ulo é ealiza uma a aliação de di e en es a ibu os pa a a
ex acção de elações biog á icas em po uguês e espanhol, median e a u ilização de classi i-
cado es supe isionados.
Pa a isso, é ei a uma a aliação sis emá ica da e ec i idade de á ios ipos de in o mação
linguís ica, analisando a ibu os gené icos que êm sido u ilizados em di e sos abalhos de
ex acção de elações, ob idos de di e en es ní eis de conhecimen o linguís ico.
À di e ença da abo dagem u ilizada no capí ulo an e io , os sis emas cons uídos aqui
classi icam como posi i o ou nega i o cada pad ão (que con ém um pa ), e não cada pa em
unção do conjun o de pad ões em que apa ece.
Em elação aos co po a, o am cons uídos dous ecu sos (um pa a po uguês e ou o pa a
espanhol) com as seguin es elações biog á icas: LocaldeNascimen o,LocaldeMo e,
Da adeNascimen o,Da adeMo e eP o issão. Pa a além disso, oi ealizada uma
análise po meno izada dos pad ões de cada elação, com o objec i o de sabe como são ex-
p essas es as elações biog á icas em po uguês e em espanhol. Os dados iniciais pa a a cons-
ução dos co po a o am ob idos median e supe isão-dis an e, mas a ano ação oi pos e i-
o men e co igida de modo manual, pelo que a classi icação é conside ada supe isionada.
Sob e os co po a esul an es o am aplicados algo i mos de ap endizagem au omá ica, com o
im de eina e a alia á ios classi icado es cuja única di e ença eside no ipo de a ibu os
linguís icos com que o am cons uídos.
Os esul ados de di e sos es es mos am que a u ilização da lema ização —pa a além de
conhecimen o semân ico básico ob ido a a és do REM— melho a o desempenho dos clas-
si icado es baseados em sacos de pala as. Pa a além disso, a in o mação pseudo-sin ác ica
( ep esen ada po big amas de lemas) pode u iliza -se pa a e i a p ocessos compu acional-
men e cus osos como a análise sin ác ica que, po sua ez, não melho ou signi ica i amen e o
desempenho dos ex ac o es.
O con eúdo des e capí ulo oi publicado no a igo Ga cia e Gamallo (2013), e o ganiza-se
como segue: a Secção 6.2 mos a o p ocesso de cons ução dos co po a e uma análise das es-
u u as linguís icas que con êm. A segui , a Secção 6.3 cen a-se na desc ição dos a ibu os,
nomeadamen e no di e en es ipos de conhecimen o linguís ico u ilizado pelos classi icado-

6.2. Co po a 81
es. Depois, a Secção 6.4 con ém os di e sos es es ealizados em po uguês e em espanhol,
enquan o as conclusões do p esen e capí ulo se encon am na Secção 6.5.
6.2. Co po a
Es a secção ap esen a as p incipais ca ac e ís icas dos co po a u ilizados nos es es, bem
como o seu p ocesso de cons ução median e a es a égia de supe isão-dis an e. Fo am c ia-
dos dous co po a, um pa a po uguês e ou o pa a espanhol.
Cons ução dos co po a
Cons ui manualmen e co po a ano ados é um p ocesso cus oso, mas necessá io pa a
eina modelos es a ís icos que dependem de dados de al a qualidade. Pa a minimiza o
es o ço de cons ução e ano ação, oi aplicada a écnica de supe isão-dis an e ap esen ada
no capí ulo an e io , mas ampliada com um maio núme o de elações e de pa es iniciais, o
que pe mi iu ob e ecu sos de mais amanho.
Como oi is o, es a es a égia possibili a a ob enção dados de qualidade pa a algumas
elações e conjun os de dados (Ho mann e al., 2010). Con udo, abalhos como Riedel e al.
(2010) (ou alguns es es le ados a cabo no capí ulo an e io , eja-se a Secção 5.5) indica am
que a supe isão-dis an e pode p oduzi g ande quan idade de uído se a base de conhecimen o
(da qual se ob êm os pa es) e o co pus (de onde se ex aem as o ações) não pe encem ao
mesmo —ou simila — domínio.
Pa a e i a es e uído, na cons ução dos co po a u ilizados nes e capí ulo o am aplicados
um conjun o de il os e es ições, escolhendo unicamen e os nomes de p o issões mais co-
muns e só os nomes de pessoas e localizações que coincidissem exac amen e com os dos pa es
ex aídos. Finalmen e, as o ações classi icadas median e supe isão-dis an e o am co igidas
pos e io men e de modo manual, sendo po an o o eino dos classi icado es supe isionado.
É p eciso e e i que a aplicação des e mé odo pa a línguas di e en es do inglês não é
semp e possí el, uma ez que os a ibu os de mui as elações são especí icos pa a cada idioma,
e as p incipais bases de conhecimen o são desenhadas pa a o inglês.1
Assim, os pa es que não dependem da língua (aqueles que con êm da as) o am ob idos
de F eebase e da DBpedia em inglês. Os ou os conjun os de pa es (dependen es de língua)
1A modo de exemplo, na al u a da c iação des es co po a, a DBpedia pa a inglês con inha 433.042 exemplos de
Da adeNascimen o, enquan o as e sões pa a po uguês e espanhol inham 47.460 e 1.243, espec i amen e.
82 Capí ulo 6. Ex acção de Relações median e Classi icado es Supe isionados
ob i e am-se das in oboxes da Wikipedia em po uguês e espanhol (e das incipien es e sões
da DBpedia nes as línguas). Fo am emp egados os seguin es conjun os de pa es:
–Da adeNascimen o eDa adeMo e: 460.703 pa es (independen es da língua)
–LocaldeNascimen o: 45.588 (p ) e 8.952 (es)
–LocaldeMo e: 11.664 (p ) e 1.319 (es)
Pa a a elação P o issão, só o am u ilizados os nomes de p o issões mais comuns
(aqueles com mais de 20 oco ências na lis a de pa es semen e), pa a minimiza a ex acção
de uído. Assim, emp ega am-se 68 p o issões pa a po uguês, e 96 pa a espanhol.
Os co po a u ilizados pa a a ex acção de o ações o am os seguin es: as e sões em po -
uguês e espanhol da Wikipedia (de 700mb e 1,6gb espec i amen e) e 1gb (p ) e 225mb (es)
de ex os jo nalís icos (do jo nal Público em po uguês e El País em espanhol). A ex acção
inal e e ácios Wikipedia/jo nal de 90%/10% (p ) e 93%/7% (es).
Os co po a ob idos o am analisados com as e amen as desc i as nos Capí ulos 2 e 3,
cons uindo-se uma es u u a linguís ica pa a cada o ação ( eja-se a Figu a 5.1 na página 70).
Só se selecciona am o ações cujas en idades coincidissem exac amen e com as p esen es nas
lis as de pa es, e que i essem sido classi icadas pelos sis emas REM com a mesma classe
(pessoa, localização, e c.), excep o as da as, que o am seleccionadas se, no mínimo, o ano
e a o mesmo do que nos pa es classi icados.
A classi icação au omá ica (posi i a ou nega i a) das o ações pa a as elações al o oi
co igida manualmen e, bem como a classi icação de ou as en idades que apa ecessem nas
o ações. Finalmen e, subs i uí am-se os elemen os dos pa es po X(PESSOA) e po Y(Y_Loc,
Y_Da ou Y_P pa a localizações, da as e p o issões, espec i amen e).
Ambos os co po a êm ano ação das cinco elações e e idas: LocaldeNascimen o,
Da adeNascimen o,LocaldeMo e,Da adeMo e, e P o issão. O amanho é
de 268.469 e 152.817 okens em po uguês e espanhol, espec i amen e.
A Tabela 6.1 mos a o núme o de pa es e ique ados pa a cada elação e língua. Os pa es
posi i os o am ambém u ilizados como nega i os pa a elações di e en es com en idades da
mesma classe. Assim, o ações como “PESSOA nasceu em LOCALIZAÇÃO” (posi i a pa a
LocaldeNascimen o) u ilizou-se como exemplo nega i o pa a LocaldeMo e.2
2Excep o algumas excepções —não idas em con a—, onde uma o ação pode se posi i a e nega i a pa a uma
mesma elação: “PESSOA nasceu e aleceu em LOCALIZAÇÃO”.
6.2. Co po a 83
Relação Po uguês Espanhol
Pos. Neg. Pos. Neg.
LocaldeNascimen o 1.312 1.186 493 1.149
Da adeNascimen o 552 510 419 662
LocaldeMo e 879 5.040 563 833
Da adeMo e 402 835 570 771
P o issão 1.277 740 1.595 715
To al 4.422 8.311 3.640 4.130
Tabela 6.1: Núme o de pa es candida os pa a cada elação e língua nos co po a ano ados. Pos. são os pa es posi i os
eNeg. os nega i os pa a cada elação semân ica.
P op iedades linguís icas dos co po a
An es de ex ai os a ibu os pa a eina os classi icado es, oi ealizada uma análise po -
meno izada dos pad ões que con êm as elações al o em ambos os co po a. P imei o, c iou-se
um his og ama do núme o de okens que apa ecem en e as duas en idades candida as. De-
pois, ob i e am-se os pad ões mais comuns pa a cada elação e língua.
A Figu a 6.1 con ém um his og ama que sin e iza o núme o de okens in e médio (de 0 a
18) en e as en idades elacionadas em po uguês e espanhol.
Apesa de que a dis ância en e as en idades di e e em cada elação ( ac o que mos a á
a análise dos pad ões mais equen es), o his og ama da Figu a 6.1 e idencia que as elações
semân icas oco em com maio equência en e en idades p óximas (com o melho ácio
en e en idades sepa adas po menos de 8 okens, a iando em unção da língua e da elação).
O núme o de pa es nega i os aumen a à medida que o amanho da janela c esce, apa ecendo
cada ez menos pa es posi i os.
A p opósi o dos pad ões em que as elações biog á icas oco em, a Tabela 6.2 inclui os
dous melho es pad ões po elação e língua, endo em con a an o a sua pe cen agem no
conjun o de o ações posi i as como a sua p ecisão. Os pad ões apa ecem simpli icados pela
u ilização de disjunções e pela omissão de alguns elemen os opcionais.
A axonomia ap esen ada na Tabela 6.2 mos a que as elações al o oco em equen e-
men e em pad ões biog á icos especí icos de al a p ecisão, que con êm em pa ên eses ac os
biog á icos sob e a pessoa mencionada p e iamen e. Es a abela ambém indica que algumas
elações êm uma dependência o e desse ipo de pad ões (os quais ep esen am en e 36% e
49% dos pa es posi i os), enquan o ou as oco em numa maio a iedade de es u u as.
84 Capí ulo 6. Ex acção de Relações median e Classi icado es Supe isionados
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Janela in e média (em núme o de okens)
0
5
10
15
20
Pe cen agem no co pus comple o
Pa es posi i os (espanhol)
Pa es nega i os (espanhol)
Pa es posi i os (po uguês)
Pa es nega i os (po uguês)
Figu a 6.1: His og ama de pa es posi i os/nega i os e sus con ex o in e médio em núme o de okens. Os alo es
são a mic o-a e age das cinco elações analisadas.
Con udo, é p eciso apon a que, com a excepção dos pad ões de al a p ecisão já e e idos,
ou as es u u as são mui o ambíguas, e a sua u ilização pa a iden i ica uma elação especí ica
pode depende de elemen os lexicais que oco em o a da janela in e média.
Es as análises mos am a impo ância da selecção adequada da janela in e média, bem
como dos a ibu os pa a ep esen a os pad ões. No e-se que os pad ões que ep esen am
elações biog á icas não se baseiam só em es u u as lexicais e sin ác icas, mas ambém con-
êm uma g ande a iedade de sinais de pon uação que ep esen am in o mação linguís ica
ele an e.
6.3. A ibu os
Com o im de a alia a e ec i idade do conhecimen o linguís ico pa a a ex acção de e-
lações, os a ibu os o am o ganizados em unção da complexidade da análise, começando
desde os mais simples. Es a secção ap esen a e discu e os di e en es a ibu os u ilizados pa a
eina os classi icado es.
6.3. A ibu os 85
Líng. Rel. Pad ão % P ec
P
DN X ( {NP ,|; NP ,|;} Y_Da 30,4 96
X{(|,} nasceu|nascido {em NP ,} em {o}|a Y_Da 13,4 97
LN X{,} nasceu|nascido {em a|o NP ,} em o Y_Loc 49,3 98
X{,} ({Da , NP , em} Y_Loc 14,2 94
DM X ( {NP , NP ,} Da {-|;|,} {NP ,} Y_Da 20,7 100
X{,} mo eu| aleceu em Y_Da 2,5 100
LM X{,} ( NP , {NP ,} Da {-|; Da } Y_Loc 21,1 99
X{,} mo eu| aleceu {em Da } em {o|a} Y_Loc 2,2 100
P . Y_P {,} {de a NP} X27,1 99
X ,|é| oi {um|uma} Y_P 13,5 97
Es
DN X ( {NP ,|; NP ,|}Y_Da 45,8 94
X{(|,} nació|nacido {en NP} el Y_Da 6,4 100
LN X{,} ({NP|Da ,} Y_Loc 39,8 98
X nació|nacido {el Da ,} en Y_Loc 9,3 100
DM X ( {NP , NP ,} Da {-|;|, NP ,} Y_Da 24,2 95
X alleció|mu ió {en NP} en Y_Da 3,5 95
LM X{,} ( NP , {NP ,} DAT {-|;|, Da ,} Y_Loc 34,0 100
X{,} alleció|mu ió {en Da } en Y_Loc 1,2 100
P . Y_P {de NP ,} X36,0 99
X ,|es| ue {un|una} Y_P 5,2 96
Tabela 6.2: Melho es pad ões (em unção da p ecisão e da equência de exemplos posi i os) po língua e ela-
ção. Os elemen os em pa ên eses ec os são —cada um deles— opcionais e as ba as e icais e-
p esen am disjunção. Po mo i os de espaço, os pad ões mos am-se simpli icados, omi indo-se al-
gumas lexões e bais e ou os elemen os opcionais. DN e e e-se a Da adeNascimen o;LN,
LocaldeNascimen o;DM,Da adeMo e;LM,LocaldeMo e eP . aP o issão.%é a
pe cen agem de cada pad ão no conjun o de o ações posi i as de cada elação. P ec é a sua p ecisão no
co pus.
Res ições semân icas:
An es de ap esen a os di e en es a ibu os, é necessá io apon a que a selecção das en idades
candida as es ingiu-se às classes semân icas especí icas pa a cada elação. Assim, Xse á
semp e um nome p óp io de pessoa e Yse á da a nas elações Da adeNascimen o e
Da adeMo e, localização em LocaldeNascimen o eLocaldeMo e, e se á um
nome de p o issão em P o issão. O impac o des as es ições se á analisada a a és da
a aliação de uma baseline que não u iliza es a classi icação semân ica.

86 Capí ulo 6. Ex acção de Relações median e Classi icado es Supe isionados
6.3.1. A ibu os p imá ios
A p imei a ca ego ia de a ibu os não p o ém es i amen e da análise linguís ica, mas
inclui in o mação sob e a posição de XeYna o ação. Os a ibu os p imá ios consis em nas
seguin es in o mações (o seu alo p o ém do exemplo mos ado na Figu a 5.1, na página 70):
– Posição absolu a de Xna o ação: 0
– Posição absolu a de Yna o ação: 8
– Di ecção da elação: X_Y (1) ou Y_X (2): 1
– Dis ância (em núme o de okens) en e as duas en idades: 7
Apesa de que es es a ibu os não ep esen am di ec amen e a elação semân ica, são am-
plamen e u ilizados na li e a u a, e es es p elimina es mos a am que a sua u ilização é posi-
i a em combinação com ou os a ibu os de ca ác e linguís ico (de inidos a segui ), os quais
não incluem in o mação explíci a sob e a posição das en idades. Assim, es es a ibu os —não
u ilizados nos es es do Capí ulo 5— se ão combinados com ou as ca ego ias que incluem
conhecimen o lexical, mo ossin ác ico, pseudo-sin ác ico ou sin ác ico.
6.3.2. Lexicais
Es es a ibu os u ilizam elemen os lexicais p esen es na es u u a linguís ica. Fo am a a-
liados dous ipos:
–Tok: incluem os okens que oco em en e as duas en idades e alguns dos con ex os
an e io e pos e io (de inidos mais abaixo)
–Lem: igual que Tok, mas u ilizando os lemas
Os okens são a ibu os comuns u ilizados pa a ca ac e iza es u u as linguís icas que
con êm elações semân icas. A sua u ilização como sacos de pala as adiciona in o mação
lexical impo an e. Veja-se um exemplo dos a ibu os Tok ex aídos do mesmo exemplo:
O ação:X(nascida em 10 de Junho de 1961) é uma Y_P ame icana
Tok:<(>,<nascida>,<em> <DATA>,<)>,<é>,<uma>,<ame icana>
6.3. A ibu os 87
É impo an e e e i que os a ibu os Tok eLem não são simples sacos de pala as.Tok e
Lem incluem a iden i icação das on ei as de en idades complexas (como nomes p óp ios: po
exemplo Kimbe ley_Deal) e exp essões empo ais (10 de Junho de 1961), de ido à aplicação
de di e en es módulos de econhecimen o de en idades mencionadas.
Em línguas com al o g au de lexão como o po uguês ou o espanhol, a u ilização de
okens pode p o oca dispe são de dados. Tenha-se em con a, po exemplo, que nes as línguas
cada e bo con ém umas 50 o mas di e en es. Um modo de gene aliza es es a ibu os é a
u ilização de lemas, com os quais o exemplo an e io se ia ep esen ado da seguin e manei a:
Lem:<(>,<nasce >,<DATA>,<)>,<se >,<um>,<ame icano>
Repa e-se que es es a ibu os ambém se ão ex aídos de o ações simila es, como “X(nas-
cido em 1948) oi um Yame icano”. Assim, o uso de Lem eduz a dispe são de dados, apesa
de pe de alguma in o mação mo ológica p esen e na lexão nominal e nas o mas e bais.
O emp ego da es a égia de sacos de pala as (con endo okens, lemas e ou os a ibu os)
pa a ep esen a os pad ões implica a de inição de dous pa ama es. P imei o, os con ex os
an e io e pos e io de XeY, com o im de ca ac e iza as elações de inidas o a da janela in-
e média: “A cidade de nascimen o de XéY_Loc”. Se o classi icado só u iliza os elemen os
in e médios, es e ipo de elações não pode ão se ex aídas. Po ém, se es es con ex os o em
mui o amplos, o classi icado pode á se einado com uído e elemen os i ele an es.
Segundo, o amanho da janela in e média (en e XeY) ambém de e se de inida. Se
es a o mui o pequena (4, 5, 6 okens) o núme o de a ibu os e a complexidade dos pad ões
eduz-se, mas o classi icado e á baixa ab angência, já que mui as o ações ão se excluídas
(como mos ou a Secção 6.2). O aumen o do amanho da janela inc emen a á a ab angência
do sis ema, aumen ando ambém o núme o de a ibu os. Es as janelas se ão de inidas empi i-
camen e na Secção 6.4.1.
6.3.3. Mo ossin ác icos
O conjun o de a ibu os pode se ampliado incluindo in o mação mo ossin ác ica, po
exemplo PoS- ags. Es as e ique as podem se adicionadas aos classi icado es de duas ma-
nei as: (i) en iquecendo os a ibu os baseados em lemas (Lem_PoS, como oi mos ado na
Secção 5.3) ou adicionando um no o ní el de abs acção linguís ica (PoS), que ep esen a ia
uma es u u a linguís ica a a és das ca ego ias mo ossin ác icas em ez das unidades lexi-
88 Capí ulo 6. Ex acção de Relações median e Classi icado es Supe isionados
cais. Assim, incluindo es es a ibu os no classi icado pode ia melho a -se o econhecimen o
de pad ões linguís icos. Os PoS- ags ob idos da o ação de exemplo se iam os seguin es:
O ação:X(nascida em 10 de Junho de 1961) é uma Y_P ame icana
Lem_PoS:<Fa>,<nasce _VB>,<em_PS> <DATA>,<Fc>,<se _VB>,<um_DT>,
<ame icano_AD>
PoS:<Fa>,<VB>,<PS> <DATA>,<Fc>,<VB>,<DT>,<AD>
6.3.4. Pseudo-sin ác icos
A análise sin ác ica o nece in o mação sob e a unção dos di e en es elemen os da es u-
u a linguís ica, mas a u ilização de analisado es au omá icos pode aze p oblemas como um
ele ado cus o compu acional ou a ge ação de uído. Pa a além disso, línguas di e en es do
inglês (como as analisadas nes a ese) podem não e pa se s disponí eis.
Tendo em con a es as assunções, é in e essan e a alia alguns a ibu os que, de algum
modo, ep esen em in o mação pseudo-sin ác ica median e a codi icação da posição de di e-
en es elemen os numa o ação. Assim, nos es es ambém o am u ilizadas sequências dous
lemas adjacen es (Big amas de lemas) e de ês (T ig amas):
O ação:X(nascida em 10 de Junho de 1961) é uma Y_P ame icana
Big amas:<X_(>,<(_nasce >,<nasce _em>,<em_DATA>,<DATA_)>,<)_se >,
<se _um>,<um_Y>,<Y_ame icano>
T ig amas:<X_(_nasce >,<(_nasce _em>,<nasce _em_DATA>,<em_DATA_)>,
<DATA_)_se >,<)_se _um>,<se _um_Y>,<um_Y_ame icano>
Ou os a ibu os de ca ác e pseudo-sin ác ico ambém o am a aliados, como pad ões
léxico-sin ác icos in e médios e longos (u ilizados no Capí ulo 5). Con udo, á ias a aliações
p o a am que não e am ú eis em nenhum dos classi icado es supe isionados pa a po uguês e
espanhol, dada a dispe são de dados nos co po a e a abo dagem de classi icação u ilizada aqui.
A p incipal azão da di e ença de desempenho em elação aos es es do capí ulo an e io de i a
da es a égia de cons ução dos classi icado es: enquan o no capí ulo an e io os a ibu os de
cada uma das ins âncias e am os di e en es pad ões em que um pa oco ia, ago a os a ibu os
são ex aídos unicamen e da o ação a classi ica . Assim, é comp eensí el que um conjun o de
pad ões pe mi a classi ica um pa com maio p ecisão do que um único pad ão.
6.3. A ibu os 89
6.3.5. Sin ác icos
Finalmen e, o úl imo conjun o de a ibu os codi ica di ec amen e a in o mação sin ác ica.
Es e ipo de in o mação oi u ilizada nos úl imos anos po á ios abalhos, u ilizando pa se s
pa a ex ai as es u u as sin ác icas que con êm elações semân icas.
A sin axe codi ica, num ní el linguís ico p o undo, a unção de cada elemen o numa o a-
ção. Assim, as mesmas unções sin ác icas podem se ex aídas de o ações com es u u as de
supe ície mui o di e en es. Os seguin es exemplos pa ilham a mesma es u u a sin ác ica,
apesa de a sua o ma di e i no o iamen e:
Exemplo 1:X(nascida em 10 de Junho de 1961) é uma Y(can o a) ame icana
Exemplo 2: Mui os jo nalis as musicais disse am que X oi p o a elmen e a melho
Y(can o a) da Amé ica
Repa e-se que nas o ações an e io es, Xé o sujei o do e bo se , enquan o Y(can o a) é
o a ibu o (sin ác ico) do mesmo e bo.
Pa a ep esen a es a in o mação como a ibu os, o am a aliadas ês es a égias:
–Deps: dependências sin ác icas indi iduais
–SDPs: caminho de dependências mais cu o (en e XeY)
–P hs: caminho de dependências comple o
As dependências sin ác icas (já u ilizadas na Secção 5.3) são iplos que ep esen am li-
gações en e dous elemen os linguís icos elacionados (núcleo e dependen e) a a és de uma
e ique a sin ác ica. A p imei a pa e das dependências de ine a unção sin ác ica, sendo o
núcleo e o dependen e a segunda e a e cei a, espec i amen e.
O ação:X(nascida em 10 de Junho de 1961) é uma Y_P ame icana
Deps:<subj;se ;X>,<punc ;nasce ;Fa>,<adjn;X;nasce >,<cp ep;nasce ;em>,
< e m;em;DATA>,<punc ;nasce ;Fc>,<spec;Y;um>,<a ;se ;Y>,
<modi ;Y;ame icano>
Des e pon o de is a, as dependências são a ibu os simila es aos big amas de lemas, mas
cons uídos a a és de (e o necendo) in o mação sin ác ica. No e-se que no exemplo an e io ,
96 Capí ulo 6. Ex acção de Relações median e Classi icado es Supe isionados
Rel Modelo
B1 B2 Lx1 Lx2 Ms2 BiG T G Dep P h SDP
BD
P63.2 82.0 96.3 97.0 86.2 92.4 85.3 58.8 100 83.3
R25.8 89.8 93.4 95.2 86.2 94.0 97.0 70.1 1.8 12.0
F36.6 85.7 94.8 96.1 86.2 93.2 90.8 63.9 3.5 20.9
BP
P74.5 90.0 90.8 94.6 88.4 91.8 85.9 86.1 43.1 100
R38.8 82.7 90.8 89.8 85.7 90.8 86.7 75.5 95.9 32.7
F51.0 86.2 90.8 92.2 87.1 91.3 86.3 80.4 59.5 49.2
DD
P100 86.2 91.8 90.0 83.0 91.4 93.8 64.3 66.7 100
R9.4 79.0 84.1 83.7 77.6 84.6 77.1 55.6 0.9 10.4
F17.1 82.4 87.8 86.7 80.2 87.9 84.6 59.7 1.8 18.6
DP
P0 93.1 95.7 98.0 97.4 97.5 96.0 90.4 100 92.9
R0 88.7 93.9 93.0 87.8 92.5 89.2 92.5 2.8 6.1
F0 90.9 94.8 95.4 92.4 94.9 92.5 91.4 5.5 11.5
P
P87.9 90.4 93.1 93.5 93.9 91.5 89.7 87.4 75.3 84.5
R70.6 92.3 93.1 92.3 92.3 97.3 97.9 96.3 99.5 78.4
F78.3 91.3 93.1 92.9 93.1 94.3 93.6 91.6 85.7 81.3
Ma
P65.1 88.3 93.5 94.6 89.8 92.9 90.1 77.4 77.0 92.1
R28.9 86.5 91.1 90.8 85.9 91.8 89.6 78.0 40.2 27.9
F36.6 87.3 92.3 92.6 87.8 92.3 89.5 77.4 31.2 36.3
Mi
P84.6 89.0 93.5 94.2 91.3 92.5 90.2 80.5 68.8 85.9
R49.0 88.5 91.6 91.2 87.9 93.5 92.1 84.1 55.0 43.6
F62.1 88.7 92.6 92.6 89.6 93.0 91.2 82.3 61.1 57.9
Tabela 6.4: P ecisão, ecall e medida F po elação e modelo em espanhol. As ab e ia u as es ão expandidas na no a
de odapé 4.
da os com o mas e bais menos equen es (como po exemplo o pa icípio eminino plu al
“nacidas” em espanhol).
Os modelos Ms2 o am cons uídos com um ní el maio de gene alização, ao subs i ui a
in o mação lexical dos pad ões pela sua ep esen ação mo ossin ác ica.
De no o, os pad ões biog á icos (que con êm mui os signos de pon uação) são ela i a-
men e bem cobe os pelos a ibu os PoS, mas a emoção da in o mação lexical implica uma
descida ge al no desempenho des as classi icado es (de ≈3%), excep o em P o issão,
onde ep esen a os adjec i os (e ou as classes de pala as pouco ele an es pa a a de inição
da elação) a a és da sua ca ego ia mo ossin ác ica simpli ica o conjun o de a ibu os dos
classi icado es.

6.4. Tes es e a aliação 97
Es es es es con i mam a alidade dos a ibu os baseados em lemas (Lem) pa a a ep e-
sen ação das unidades lexicais. As seguin es a aliações medem a e ec i idade dos modelos
baseados em a ibu os pseudo-sin ác icos.
Ní el pseudo-sin ác ico
Fo am c iados dous modelos di e en es u ilizando in o mação pseudo-sin ác ica: BiG,
com big amas de lemas, e T G, com ig amas de lemas.
Apesa de que os esul ados mos am a iação en e as di e en es elações e línguas,
em ge al os big amas de lemas êm um melho compo amen o do que os ig amas. Em
po uguês, os ig amas unciona am melho em LocaldeNascimen o, de ido à g ande
quan idade de pad ões nos quais as en idades al o podem se cobe as po um único a ibu o
<X_(_Y_Loc>. De modo simila , os esul ados de P o issão i e am menos a iação,
uma ez que os pad ões des a elação são equen emen e bem ep esen ados an o po big a-
mas como po ig amas de lemas.
Po ém, os melho es modelos pseudo-sin ác icos não melho am ni idamen e os classi ica-
do es Lx2, cujos esul ados são ligei amen e melho es em quase odas as elações em po u-
guês. Con udo, os alo es (mic o-a e age) de BiG em espanhol são supe io es aos de Lx2,
po que a melho a dos classi icado es BiG só acon ece em P o issão eDa adeMo e.
Nes e caso, unicamen e as melho as de BiG pa a P o issão o am es a is icamen e signi-
ican es.
Ní el sin ác ico
Po úl imo, o am compa adas ês es a égias di e en es pa a a alia a e ec i idade da
análise sin ác ica na ex acção de elações semân icas: modelos Dep, que con êm dependên-
cias sin ác icas como os a ibu os p incipais; P h, com caminhos comple os de dependências,
eSDP, cujos classi icado es se cons uí am com os caminhos de dependências mais cu os
en e as duas en idades.
As ês úl imas colunas das Tabelas 6.3 e 6.4 con êm os esul ados dos modelos cons uí-
dos com in o mação sin ác ica. Lemb e-se que nalguns pad ões os caminhos de dependências
( an o o mais cu o como o comple o) não o am ex aídos. Es e ac o oi p o ocado po
duas azões p incipais: (i) al a de pon uação nalgumas o ações —o que implicou e os no
pa sing— e (ii) ab angência dos analisado es, que não consegui am es abelece algumas de-
98 Capí ulo 6. Ex acção de Relações median e Classi icado es Supe isionados
pendências en e as en idades. Assim, 40% (p ) e 54% (es) dos dados não êm a ibu os P hs,
enquan o o SDP não oi ex aído de 54% (p ) e 63% (es) dos co po a.
Po an o, os alo es de ecall des es classi icado es são no o iamen e baixos (excep o em
P o issão eDa adeNascimen o em po uguês, cujos pad ões o am melho analisados
pelos pa se s).
Em ge al, as dependências indi iduais não êm alo es al os de p ecisão, sal o quando
con êm conhecimen o não ambíguo (po exemplo, <subj;nasce ;X>e<em;nasce ;Y>) pelo
que os esul ados médios são pio es do que os modelos B2 eBiG.
Os classi icado es P h eSDP dependem ni idamen e da ab angência dos analisado es e da
ipologia dos pad ões. Os alo es de p ecisão des es modelos supe am Lx2 eBiG nalgumas
elações (com esul ados de p ecisão de 100% nalguns es es). Con udo, ou os pad ões que
con êm P hs eSDP ambíguos (ou que não êm es es a ibu os) p o oca am desempenhos mais
baixos.
En e es es dous modelos, SDP pa ece e melho p ecisão do que P h, apesa de que
ambos ap esen am p oblemas de ecall (a é em o ações cujos a ibu os P hs eSDPs o am
bem ex aídos).
Da ealização des e es e podemos in e i que a u ilização isolada de a ibu os baseados
em análise sin ác ica não é adequada pa a a cons ução de sis emas de ex acção de elações
( endo em con a a p ecisão e a ab angência dos analisado es). Con udo, a al a p ecisão de
alguns modelos P h eSDP suge e que es a in o mação pode se posi i a em combinação com
ou os a ibu os baseados em análises lexicais e/ou pseudo-sin ác icas.
6.4.3. Combinações de a ibu os
Pa a op imiza as combinações de a ibu os em e mos de desempenho e de e iciência,
elemen os di e en es de cada ní el linguís ico (lexical, pseudo-sin ác ico e sin ác ico) o am
combinados com o im de iden i ica a ibu os com in o mação edundan e e de cons ui os
melho es classi icado es.
P imei o, os melho es a ibu os lexicais (Lem) e pseudo-sin ác icos (Big amas) o am
combinados pa a eina modelos L/B. A segui , Lem ambém o am u ilizados pa a c ia
classi icado es com a ibu os P hs (L/P).7Finalmen e, combina am-se ês ní eis di e en es
7P hs eSDPs i e am um compo amen o mui o simila nos es es indi iduais, mas os p imei os p oduzi am
esul ados ligei amen e melho es nos modelos combinados (≈0,3% melho do que SDPs).
6.4. Tes es e a aliação 99
Relação
Modelo
Po uguês Espanhol
L/B L/P L/B/S L/B L/P L/B/S
Da adeNascimen o
P ecisão 92.2 93.4 91.4 97.0 97.6 97.0
Recall 97.1 95.7 97.1 95.8 95.2 95.8
F1 94.6 94.5 94.2 96.4 96.4 96.4
LocaldeNascimen o
P ecisão 96.1 95.0 95.8 95.7 95.8 94.6
Recall 94.9 96.1 96.1 90.8 91.8 89.8
F1 95.5 95.5 95.9 93.2 93.8 92.2
Da adeMo e
P ecisão 81.5 86.8 82.8 91.5 89.7 92.0
Recall 84.8 81.4 82.8 85.1 85.1 86.5
F1 83.1 84.0 82.8 88.1 87.3 89.2
LocaldeMo e
P ecisão 97.3 96.4 96.6 97.6 96.6 97.6
Recall 87.0 88.5 86.7 93.9 93.0 93.4
F1 91.9 92.3 91.4 95.7 94.7 95.4
P o issão
P ecisão 88.4 89.7 90.8 94.5 93.1 94.4
Recall 93.6 92.1 93.4 94.8 93.1 95.3
F1 91.0 90.9 92.1 94.7 93.1 94.9
Mac o-a e age
P ecisão 91.1 92.3 91.5 95.2 94.5 95.1
Recall 91.5 90.8 91.2 92.1 91.6 92.2
F1 91.2 91.5 91.3 93.6 93.0 93.6
Mic o-a e age
P ecisão 91.5 92.5 92.2 94.9 93.9 94.9
Recall 91.0 91.4 91.8 92.9 91.9 93.2
F1 91.7 91.9 92.0 93.9 92.9 94.0
Tabela 6.5: P ecisão, ecall e medida F po elação, língua e modelo. Os classi icado es combinam a ibu os de
di e en es ní eis de análise linguís ica: L, lexical (Lem); B, pseudo-sin ác ica (Big amas); PeS,
sin ác ica (P hs eSDPs, espec i amen e).
de análise linguís ica nos classi icado es L/B/S, u ilizando a melho combinação possí el dos
a ibu os o necidos po es as análises: Lem,Big amas eSDPs.
A Tabela 6.5 con ém os esul ados des as ês combinações pa a cada elação e língua,
pa a além dos alo es médios.
O p imei o modelo (L/B), que combina a ibu os baseados em análises lexicais e pseudo-
sin ác icas, e e esul ados es a is icamen e melho es do que os mesmos a ibu os u ilizados
indi idualmen e. Os classi icado es pa a po uguês melho a am 0,6% e 0,8% os modelos Lx2
eBiG, espec i amen e. Em espanhol, a melho a oi de 1,27% e 0,8%. Pa a além disso, es a
combinação melho ou an o em p ecisão como em ecall odos os classi icado es (com uma
única excepção: LocaldeMo e em po uguês).
100 Capí ulo 6. Ex acção de Relações median e Classi icado es Supe isionados
Assim, os a ibu os lexicais e pseudo-sin ác icos, apesa de cons uídos com a mesma
in o mação de base (lemas), são adequados pa a se em combinados em classi icado es es-
a ís icos, sem necessidade de u iliza e amen as de maio cus o compu acional como os
pa se s.
A seguin e combinação de a ibu os (L/P) oi ealizada u ilizando conhecimen o lexical
(Lem) e sin ác ico (P hs). Em po uguês, o caminho de dependências comple o ajudou a
supe a o desempenho dos modelos Lx2 em odas as elações (com uma melho a de ≈0,4%
nos alo es mic o-a e age da medida F). Es es modelos ambém i e am melho desempenho
(embo a só 0,2%) do que as combinações an e io es (L/B).
Em espanhol, a u ilização de in o mação sin ác ica jun o com a ibu os baseados em lemas
causou ligei as melho as (0,2%) nos classi icado es, quando compa ados com o uso isolado
de lemas. Con udo, os esul ados des as combinações não supe am os modelos de big amas
de lemas (BiG eL/B). É p eciso lemb a , con udo, que o pa se de po uguês ex aiu mais
a ibu os P hs eSDPs do que o espanhol, como oi e e ido na Secção 6.4.2.
Finalmen e, a e cei a combinação (L/B/S) analisou o uso dos a ibu os Tok,Big amas e
SDPs nos mesmos classi icado es.
Em po uguês, es a úl ima combinação em melho desempenho do que os modelos L/B
(≈0,3%) e L/P (0,07%), especialmen e naquelas elações onde SDP inha a ingido bons e-
sul ados (>75% de medida F): LocaldeNascimen o eP o issão. Con udo, os clas-
si icado es L/B/S não melho am o desempenho dos modelos an e io es pa a Da adeMo e
eLocaldeMo e, ob endo de ac o pio es esul ados (mic o-a e age) do que os modelos
L/B eL/P.
Em espanhol, a adição de a ibu os sin ác icos não causou melho as no ó ias nos classi i-
cado es, embo a os esul ados médios são signi ica i amen e melho es do que aqueles ob idos
pelos sis emas c iados com um único ipo de a ibu os.
Em suma, es e úl imo conjun o de es es demons ou que a combinação de di e en es a i-
bu os que não p oduzem edundância de in o mação melho a o desempenho ge al dos classi-
icado es. Is o signi ica que a ibu os complemen a es pe mi em cons ui melho es classi i-
cado es. Tendo em con a que pa a línguas como o po uguês ou o espanhol as e amen as de
análise sin ác ica não são abundan es, pode se in e essan e a alia es e ipo de a ibu os com
analisado es mais madu os.
6.4. Tes es e a aliação 101
100 200 300 400 500 600
Núme o de o ações de eino
70
80
90
100
Medida F
Po uguês
Espanhol
Figu a 6.5: Medida F (mic o-a e age) de cinco classi icado es pa a po uguês e espanhol e sus dados de eino (de
25 a 637 o ações). O es e oi ealizado em 200 exemplos alea ó ios.
6.4.4. Cu a de ap endizagem
A p opósi o da quan idade de dados de eino necessá ios pa a c ia os classi icado es, a
Figu a 6.5 mos a a cu a de ap endizagem ( alo es mic o-a e age) dos classi icado es L/B/S
em po uguês e espanhol.
Os es es o am ealizados u ilizando conjun os alea ó ios de 25, 50, 75, 100, 200, 300,
400, 500, 600 e 637 o ações de eino.8As cu as indicam que os classi icado es êm picos
de desempenho com pe o de 500 o ações, ob endo melho as mui o pequenas ao u iliza mais
dados de ap endizagem. Con udo, ou os es es com elações pa a as quais exis em mais
dados (LocaldeNascimen o eP o issão) suge em que os classi icado es começam
a p oduzi um sob e-ajus e com pe o de 1.400 o ações, momen o em que a medida F não
melho a (ou a é pio a, nalgum caso).
Po úl imo, na Figu a 6.5 ambém se pode obse a como a cu a de ap endizagem segue
endências simila es em cada língua.
6.4.5. Análise de e os
Com o objec i o de conhece as p incipais on es de e os p oduzidas pelos classi icado-
es, oi ealizada uma análise po meno izada dos alsos posi i os e nega i os dos esul ados
8637 po que é o núme o de o ações de eino da elação com menos dados, Da adeNascimen o (p ).

102 Capí ulo 6. Ex acção de Relações median e Classi icado es Supe isionados
de L/B/S, endo em con a odos os e os de odas as elações em po uguês e em espanhol.
Os e os o am classi icados de aco do com a sua ipologia. Pa a além disso, calculou-se a
pe cen agem (mic o-a e age) de cada ipo de e o nas duas línguas:
Ambiguidade e e os dos pa se s (≈43%)
Es e ipo de e os oco eu quando a in o mação codi icada pelos a ibu os lexicais e/ou
pseudo-sin ác icos não oi su icien e pa a ep esen a a elação en e as duas en idades, e o
caminho de dependências mais cu o (que pode ia desambigua o pad ão) não oi ex aído ou
é inco ec o. A seguin e o ação ( also posi i o pa a LocaldeNascimen o) exempli ica
es a ca ego ia de e os:
O ação: [...] ilho de PESSOA e de Xnasceu no Y_Loc [...]
Pad ão: [PESSOA e de]an e io Xnasce em o Y_Loc [...]pos e io
Pad ões sem in o mação explíci a (≈25%)
Ou a classe compõe-se de e os que oco e am quando o pad ão (ou a é a o ação in ei a)
não con inha in o mação explíci a sob e a elação al o, o que p oduziu um also nega i o. O
seguin e exemplo mos a um pad ão onde a elação Da adeNascimen o en e XeY_Da
não é explíci a, e a in o mação lexical p incipal encon a-se o a do escopo dos a ibu os
ex aídos:
O ação: Te e se e ilhos: PESSOA em DATA, PESSOA em DATA,Xem Y_Da [...]
Pad ão: [em DATA ,]an e io Xem Y_Da [...]pos e io
Pad ões pouco equen es (≈15%)
Ou os pa es posi i os o am classi icados e oneamen e ( alsos nega i os) quando apa-
ece am em pad ões pouco equen es (com menos de dous exemplos no co pus de eino).
Alguns des es casos podem se classi icados co ec amen e se con êm a ibu os ele an es
(como o caminho de dependências), mas de modo ge al p oduzi am alsos nega i os:
O ação: [...] X, que e a apenas um homem da zona u al de Y_Loc [...]
Pad ão:X, que se apenas um homem de a zona u al de Y_Loc
6.4. Tes es e a aliação 103
Caminho de dependências mais cu o ambíguo (≈14%)
Como oi mos ado du an e a a aliação, os a ibu os baseados no caminho de dependên-
cias mais cu o êm al a p ecisão. Con udo, podem a ec a nega i amen e se o em ambíguos
em exemplos posi i os e nega i os. O seguin e pa de o ações con ém, espec i amen e, um
also nega i o e um e dadei o posi i o pa a P o issão em espanhol, ep esen ados pelo
mesmo SDP:
O ação 1:XyunY_P ue on dos de los homenajeados [...]
O ação 2:X, poe a y Y_P , ecibió el pa ocinio de [...]
SDPs:<coo d;y;X//coo d;y;Y_P >
Nes e ipo de cená io, os modelos L/B/S classi ica am as duas o ações como posi i as pa a
P o issão.
Pa a alem disso, os SDPs ex aídos de o ações biog á icas —que no malmen e con êm
dependências não lexicais en e en idades e a pon uação ci cundan e— não êm al a p ecisão,
uma ez que apa ecem indis in amen e an o em pad ões posi i os como nega i os.
Ou os e os (≈3%)
Finalmen e, ou os e os com di e en es o igens o am causados po (i) p oblemas de le-
ma ização e (ii) e os no econhecimen o de en idades mencionadas.
Um dos poucos exemplos de e os p oduzidos pela lema ização inclui o pa icípio “mo o”,
inco ec amen e lema izado como “ma a ” (em ez de “mo e ”). Nes e caso, um pa de
LocaldeMo e como o seguin e oi classi icado como nega i o pa a essa elação:
O ação:X, mo o em Y_Loc [...]
Pad ão:X, ma a em Y_Loc
Ou os e os menos equen es depende am da e amen a REM, que pode classi ica
como nome comum um nome de pessoa, ou ice- e sa. No seguin e exemplo, “Belén” (loca-
lização) oi inco ec amen e classi icada como nome comum, pelo que não oi uma en idade
candida a pa a a elação LocaldeMo e: “X(LOCALIZAÇÃO, DATA - Belén, DATA)”.
104 Capí ulo 6. Ex acção de Relações median e Classi icado es Supe isionados
6.4.6. Discussão
Es a secção discu e b e emen e os esul ados dos es es ealizados, endo em con a an o
as hipó eses o muladas du an e a ap esen ação dos a ibu os (Secção 6.3) como os abalhos
elacionados analisados no Capí ulo 4.
P imei o, é p eciso e e i que a il agem dos pa es candida os pela sua classe semân ica
pe mi e que os sis emas melho em em medida F em mais de 25% (mic o-a e age), aumen-
ando an o a p ecisão como o ecall. Con udo, à di e ença de ou os abalhos (Kambha la,
2004; Zhou e al., 2005), a classi icação semân ica de ou os nomes p óp ios que co-oco em
nos mesmos pad ões não con ibuiu pa a um melho desempenho. Pa a além disso, a u iliza-
ção de á ios subespaços pa a a ep esen ação dos di e en es con ex os melho ou o unciona-
men o de odos os classi icado es.
É impo an e no a que, depois de as en idades candida as se em co ec amen e econhe-
cidas po um sis ema REM, classi icado es simples (que con êm só a ibu os P imá ios e
lexicais) são su icien es pa a a ingi bons alo es de p ecisão e ecall (sob e 91% e 92% em
po uguês e espanhol, espec i amen e). Assim, pode in e i -se que (i) é ac í el cons ui on-
ologias de nomes p óp ios de al a qualidade com pouco es o ço manual e que (ii) abo dagens
que u ilizam classi icado es supe isionados são ú eis pa a a a e a de ex acção de elações
de domínio biog á ico.
Em elação à e ec i idade dos a ibu os, os p imei os es es mos a am que a gene alização
das unidades lexicais a a és da lema ização (Lem) melho a o desempenho dos classi icado es.
Es e ac o es á em conco dância com os es es ealizados po Agich ein (2005), que decidiu
u iliza pala as ( okens) e s ems ( aízes). O uso de e ique as mo ossin ác icas, con udo, não
p oduziu nenhuma melho a nos es es ealizados (sal o nalguns pad ões cuja dependência da
in o mação lexical é mínima, como “Y_P X” (já u ilizados em Mann (2002)).
A espei o dos a ibu os pseudo-sin ác icos, os es es ealizados nes e capí ulo mos a am
que os big amas de lemas o am aqueles que melho es ep esen a am es e ní el de análise.
Os ig amas de lemas ambém i e am bom desempenho em con ex os nos quais as en idades
es ão p óximas, mas dependem de ou os a ibu os pa a ep esen a melho as elações. Pa a
além disso, os pad ões léxico-sin ác icos i e am um impac o baixo nos classi icado es, à
di e ença da es a égia ap esen ada no Capí ulo 5.
Apesa de que a análise sin ác ica pode se compu acionalmen e cus osa e menos p ecisa
do que ou as a e as de PLN (lema ização, REM), o nece in o mação ú il. Assim, e embo a
os a ibu os sin ác icos não uncionassem bem indi idualmen e, a sua combinação com in-
6.4. Tes es e a aliação 105
o mação lexical e pseudo-sin ác ica pe mi iu que melho asse o desempenho dos sis emas de
classi icação. Con udo, é impo an e e e i que alguns dos caminhos de dependências mais
cu os podem se uma on e de e os se ep esen a em en idades ligadas po pon uação e/ou
coo denação, e não po unidades lexicais.
Os es es ealizados com á ias combinações de a ibu os indica am que a u ilização de
in o mação complemen a , ob ida de di e en es ní eis de ep esen ação linguís ica, pe mi e
cons ui melho es classi icado es com menos in o mação edundan e. A es e espei o, as
melho es combinações ( an o pa a po uguês como pa a espanhol), o am aquelas baseadas
em lemas, big amas de lemas e SDPs. Pa a além disso, os es es ealizados ambém mos a-
am que usando unicamen e dados lexicais (Lem) e pseudo-sin ác icos (Big amas) é possí el
cons ui classi icado es de al a p ecisão sem necessidade de aplica análise sin ác ica.
Em elação a is o, é impo an e lemb a que os pa se s u ilizados nes e abalho —mas
ambém ou os analisado es es ado-da-a e einados com co po a li es— não p oduzi am
á o es de dependências comple os em quase a me ade dos dados, pelo que os esul ados só
podem se conside ados como p elimina es. Assim, o conhecimen o o necido pelos a i-
bu os sin ác icos não adicionou semp e no a in o mação aos modelos, uma ez que alguns
caminhos de dependências são simila es aos big amas de lemas.
Po an o, alguns dos esul ados do p esen e capí ulo são simila es aos ap esen ados em
Jijkoun e al. (2004) e Jiang e Zhai (2007), abalhos que concluí am que a ibu os mais com-
plexos pode iam pio a o desempenho dos classi icado es (ou melho a o ecall descendo a
p ecisão). Con udo, a in o mação sin ác ica em sido apon ada como ú il em abalhos p é-
ios de ex acção de elações (Kambha la, 2004; Zhou e al., 2005; Min z e al., 2009). Po
conseguin e, se ia in e essan e analisa o desempenho dos a ibu os sin ác icos com pa se s e
co po a di e en es.
Do di o a é aqui podem ex ai -se á ias conclusões ú eis pa a melho a a ex acção de
en idades elacionadas seman icamen e: p imei o, uma análise p é ia dos pad ões nos quais
oco em as elações al o pode se ú il pa a adap a os a ibu os (e a sua ep esen ação) du an e
o desenho dos classi icado es. A es e espei o, abalhos como Ga e a e Ya owsky (2009)
in oduzi am di e en es es a égias desenhadas ad-hoc pa a a ex acção de ac os.
Segundo, os e os de lema ização podem se e i ados analisando aquelas unidades lexicais
que são c uciais pa a as elações desejadas (po exemplo, os e bos “mo e ” ou “nasce ” pa a
elações elacionadas com o nascimen o ou a mo e).
112 Capí ulo 7. Ex acção de Relações com Base em Reg as
O ação: “Nick Ca e nasceu na cidade de Wa acknabeal”
Pola idade: Nick Ca e LocaldeNascimen o Wa acknabeal,posi i o
Pad ão:<Xnasceu_VB em_PS DT cidade_NC de_PS Y>
Figu a 7.1: Exemplo de uma o ação, a pola idade dos e mos elacionados e o pad ão léxico-sin ác ico.
7.4. Ob enção dos pad ões e das eg as
Es a secção ap esen a o mé odo de ex acção dos pad ões léxico-sin ác icos e a es a égia
pa a ge a as eg as gené icas.
Ob enção dos pad ões
Seguindo a assunção de que mui os dos casos em que oco e uma elação semân ica são
ep esen ados po pad ões léxico-sin ác icos simila es, o p opósi o aqui é ob e exemplos des-
ses pad ões e ex ai deles as suas es u u as base (sem a in o mação adicional), pa a as ans-
o ma em eg as semân icas. Pa a au oma iza es e p ocesso, emp ega-se a es a égia de
supe isão-dis an e ap esen ada no Capí ulo 5 (Secção 5.2). Es e p ocesso pe mi e-nos ob e
o ações ano adas au oma icamen e como a mos ada na Figu a 7.1.
O p ocesso de ob enção de pad ões é ealizado sem e isão humana, pelo que são ob idos
casos de alsos posi i os e alsos nega i os. Como oi mos ado na Secção 5.5, a qualidade da
ex acção pode a ia em unção da elação al o e dos ecu sos u ilizados (pa es elacionados
e co po a). A seguin e secção ilus a como uma selecção dos pad ões de maio con idência
pe mi e e i a a ob enção de pad ões de baixa p ecisão, minimizando assim o uído p oduzido
pela es a égia de supe isão-dis an e.
Gene alização de pad ões
O seguin e mé odo é aplicado pa a a c iação de pad ões gené icos, que são ans o mados
pos e io men e em eg as de ex acção de al a p ecisão:
1. P imei o, são seleccionados odos os pad ões do ipo “X[...]Y” e escolhidos os mais
p ecisos em unção do seu alo de con idência. Es e alo ob ém-se da seguin e ma-
nei a: calcula-se a equência posi i a e nega i a de cada pad ão. Depois, a equência
nega i a é es ada da posi i a, sendo os pad ões o denados pelo alo de con idência

7.4. Ob enção dos pad ões e das eg as 113
Pad ões ob idos: <Xnasce _VB em_PS Y>,
<Xnasce _VB em_PS a_DT cidade_NC de_PS Y>,
<Xnasce _VB em_PS NP Fc Y>,
<XFc nasce _VB em_PS Y>,
<Xnasce _VB CC esidi _VB em_PS Y>, [...]
Pad ão gené ico: <Xnasce _VB em_PS Y>
Reg a: NP< p:P>VB<l:nasce >[PS<l:em>]NP< p:L>
Tabela 7.1: Exemplo de gene alização de pad ões pa a a elação LocaldeNascimen o em po uguês. Mos am-
se alguns dos pad ões ob idos, o pad ão gené ico e a eg a de ex acção. Na eg a, “ p” signi ica ipo,
(onde P = pessoa e L = localização), e “l”, lema.
esul an e. Finalmen e, os npad ões com maio alo são seleccionados (n=20 nos
es es). O mesmo p ocesso é ei o pa a os pad ões “Y[...]X”.
2. Depois, é aplicado o algo i mo longes common s ing pa a a gene alização dos pad ões,
sendo o longes common s ing de dous pad ões a sua gene alização.
3. Os pad ões gene alizados que não o mam pa e dos 20 pad ões iniciais são desca ados,
pelo que o esul ado é um pequeno conjun o de pad ões de al a con idência ( eja-se
como exemplo a Tabela 7.1).
4. Os pad ões gené icos ob idos são adicionados como blocos de eg as a uma g amá ica,
que já con ém um conjun o de eg as de dependências pa a comp essão de o ações.
Nas no as eg as, a en idade Xconside a-se o núcleo e Yo dependen e. Es e úl imo
p ocesso é ealizado manualmen e, pe mi indo e i ica se o p ocesso au omá ico ge ou
alguma eg a inco ec a.
5. Finalmen e, a g amá ica é compilada num pa se , o qual se aplica num co pus pa a
ob e os iplos “X elação Y”.
A Tabela 7.1 mos a um exemplo do p ocesso de gene alização de pad ões, incluindo
os melho es pad ões ex aídos, o seu pad ão gené ico e a eg a de ex acção. A aplicação
do algo i mo longes common s ing sob e os melho es pad ões pe mi e ob e um conjun o
pequeno de eg as de al a qualidade de modo pouco supe isionado. As eg as, adicionadas
no im de uma g amá ica de análise pa cial, ex aem pa es pe encen es à elação desejada.
No e-se que as eg as incluem ambém in o mação semân ica, que se á ob ida no p ocesso de
ex acção a a és dos sis emas REM ap esen ados no Capí ulo 3.
114 Capí ulo 7. Ex acção de Relações com Base em Reg as
7.5. Tes es e a aliação
Pa a a alia a es a égia p opos a, o am ealizados ês ipos de es es: p imei o, compa ou-
se o mé odo de eg as com duas baselines num co pus com exemplos da elação P o issão
co igidos manualmen e, em espanhol. O sis ema de eg as oi a aliado de duas manei as: (i)
u ilizando uma g ande quan idade inicial de pa es elacionados e (ii) com um pequeno con-
jun o de pa es semen e.
Depois, o am execu ados dous pa se s com eg as de ex acção pa a P o issão e
LocaldeNascimen o em po uguês e espanhol, nas e sões comple as das espec i as
Wikipedias.
Finalmen e, os pa se s em po uguês ambém o am aplicados num co pus jo nalís ico,
pa a analisa o seu desempenho numa ipologia ex ual di e en e.2
Pa a a ealização dos es es o am ex aídos ≈10.000 pa es iniciais pa a cada elação e
língua (po uguês e espanhol) das in oboxes da Wikipedia. A segui , iden i ica am-se pe o de
20.000 o ações com um nome de pessoa e (i) uma p o issão (pa a a elação P o issão) ou
(ii) uma localização (pa a LocaldeNascimen o), classi icadas au oma icamen e como po-
si i as ou nega i as median e a es a égia de supe isão-dis an e. Finalmen e, selecciona am-
se alea o iamen e conjun os de 2.000 o ações pa a cada elação e língua, e um conjun o adi-
cional de 200 pa a P o issão. Es e úl imo co pus oi u ilizado pa a a alia o desempenho
do ex ac o com poucos dados de en ada.
Pa a a a aliação num conjun o echado (p imei o es e, em espanhol), o am selecciona-
das alea o iamen e 1.000 o ações (di e en es das dos co po a an e io es), cuja pola idade oi
manualmen e co igida.
Resul ados
O p imei o es e em como objec i o compa a o desempenho do mé odo baseado em e-
g as com duas baselines (em espanhol): Baseline_1 selecciona odas as o ações posi i as (sem
oco ências nega i as) do conjun o inicial de 2.000, e subs i ui os nomes p óp ios pelo seu
PoS- ag. A segui , az pa e n-ma ching desses pad ões no conjun o de es e. Baseline_2 u i-
liza as selecções de 2.000 o ações pa a eina classi icado es biná ios (emp egando a mesma
es a égia de classi icação que no Capí ulo 6), ep esen ando cada o ação com os elemen os
2A es a égia desc i a nes e capí ulo não oi aplicada nos co po a ap esen ados no Capí ulo 6 (Ga cia e Gamallo,
2013) po que os p esen es es es inham sido ealizados an e io men e (Ga cia e Gamallo, 2011a,e).
7.5. Tes es e a aliação 115
Núme o Reg a
1NC< p:Occ>NP< p:P>
2NP< p:P>VB<l:se >[DT] NC< p:Occ>
3NC< p:Occ>CONJ< p:S>NP< p:P>Fc NP< p:P>
4NC< p:Occ>CONJ< p:S>NP< p:P>
5NC< p:Occ>[Fc] NP< p:P>
6NC< p:Occ>N< p:P>Fc NP< p:P>
7NP< p:P>Fc [AD] NC< p:Occ>
8NP< p:P>NC< p:Occ>
Tabela 7.2: Reg as ob idas semiau oma icamen e pa a a elação P o issão em espanhol. As eg as 1 e 2 o am
inco po adas ao sis ema Reg as_1, enquan o Reg as_2 con ém as 8 eg as da abela. NP< p:P>em
neg i o é o nome de pessoa ex aído, enquan o NC< p:Occ>é o nome de p o issão (podendo se ambém
uma es u u a coo denada de nomes de p o issão: “o esc i o , músico e can o ”). Os elemen os em
pa ên eses ec os são opcionais, pelo que algumas eg as pode iam se uni icadas. Assim mesmo, no
exemplo as eg as omi em alo es como géne o e núme o, que bloqueiam a ex acção de pa es sem
conco dância.
Modelo P ecisão Recall Medida F
Baseline_1 100 5,80 10,10
Baseline_2 44,51 42,54 43,50
Reg as_1 99,02 55,80 71,38
Reg as_2 99,16 65,20 78,70
Tabela 7.3: P ecisão, ecall e medida F de duas baselines e dos dous modelos de eg as na elação P o issão em
espanhol.
oken_PoS- ag como a ibu os. Pa a c ia os classi icado es u ilizou-se (como no Capí ulo 5)
a implemen ação do algo i mo SMO de WEKA.
Pa a a alia a es a égia de eg as, o am cons uídos dous sis emas: o p imei o ex aindo
as eg as do conjun o de 200 o ações (Reg as_1, com só duas eg as de ex acção), e o se-
gundo u ilizando as 2.000 o ações (Reg as_2, com oi o eg as). A Tabela 7.2 mos a as eg as
u ilizadas po es es sis emas. O pa se só ex ai as 15 p o issões mais comuns das in oboxes
da Wikipedia, pelo que a a aliação só con ém as ex acções que incluam es es 15 nomes.
A Tabela 7.3 mos a os esul ados dos qua o sis emas desc i os no co pus de es e. A
Baseline_1 (pa e n-ma ching) e e uma p ecisão de 100%, mas de ido ao baixo alo de
ecall, a medida F é de só 10%. Pequenas a iações nas es u u as linguís icas inc emen am
a sua dispe são, pelo que os pad ões iniciais não coincidem com mui os dos encon ados no
co pus de es e. A Baseline_2 e e um melho desempenho, mas de ido ao uído no co pus de
116 Capí ulo 7. Ex acção de Relações com Base em Reg as
Língua Relação P ecisão Pa es Ex aídos
Espanhol P o issão 85,35 241.323
LocaldeNascimen o 95,56 13.083
Po uguês P o issão 93,86 17.281
LocaldeNascimen o 90,34 5.762
Tabela 7.4: P ecisão e núme o de pa es únicos ex aídos pa a cada elação nas Wikipedias espanhola e po uguesa.
eino (não co igido), p oduziu um g ande núme o de alsos posi i os. Es e ac o p o ocou
que os alo es de p ecisão não a ingissem 45%.
Os sis emas de eg as i e am um desempenho ni idamen e supe io às baselines p opos-
as. Reg as_1, com só duas eg as gené icas, ob e e 55% de ecall, man endo a al a p ecisão
do modelo de pa e n-ma ching. A u ilização de mais dados pe mi iu ob e 8 eg as gené icas,
pelo que o sis ema Reg as_2 aumen ou o ecall em mais de 10% sem diminui a p ecisão.
Uma ez que as o ações u ilizadas no es e inham sido il adas com uma pequena lis a
de nomes de p o issão, o am ealizadas no as ex acções pa a conhece o desempenho do
sis ema p opos o em condições eais. Assim, o sis ema Reg as_2 oi execu ado pa a ealiza
ex acções em oda a Wikipedia (em po uguês e em espanhol). Fo am incluídas 7 eg as
pa a P o issão no pa se de po uguês, e 4 eg as pa a LocaldeNascimen o em cada
pa se (po uguês e espanhol). A in o mação semân ica ob ida median e REM só oi u ilizada
nas eg as pa a LocaldeNascimen o que não incluíam e bos (p.e., nace /nasce ).
An es de a alia a ex acção em oda a Wikipedia, o am eliminados da saída dos ex ac-
o es os okens com menos de 3 ca ac e es ou com núme os. Os pa es de P o issão o am
il ados com nomes de p o issões p esen es nas in oboxes de cada língua (250 em po uguês
e 500 em espanhol). Pa a a alia a elação LocaldeNascimen o u ilizou-se a saída com-
ple a das eg as gené icas. Em odos os casos, o am analisados 50 pa es alea ó ios e calculada
a média a i mé ica da ex acção.
A Tabela 7.4 con ém os esul ados das duas ex acções nas Wikipedias po uguesa e es-
panhola, com uma única execução pa a cada língua. É p eciso e e i que o amanho de cada
Wikipedia e a de 3,2gb em espanhol e de 1,8 em po uguês.
Em espanhol o am ex aídos mais de 241.000 pa es únicos de P o issão, e mais de
13.000 casos di e en es de LocaldeNascimen o. Os alo es de p ecisão da p imei a
elação o am pio es do que os ob idos nos es es an e io es (85% e sus 99%). Con udo, uma
análise mais p o unda dos esul ados mos a que mui os dos e os p oduzidos nes a ex acção
de e am-se a p ocessos an e io es (nomeadamen e à iden i icação de nomes p óp ios), pelo
7.6. Conclusões 117
Relação P ecisão Pa es Ex aídos
P o issão 84,54 41.669
LocaldeNascimen o 84,67 11.842
Tabela 7.5: P ecisão e núme o de pa es únicos pa a cada elação da ex acção no jo nal po uguês Público com o
sis ema Reg as_2.
que a p ecisão das eg as é p o a elmen e maio . Os esul ados de LocaldeNascimen o
i e am uma p ecisão maio , embo a o núme o de ex acções oi mui o meno do que na
an e io elação (13.083 e sus 241.323).
Em po uguês, o sis ema ex aiu mais de 17.000 e 5.700 pa es únicos de P o issão e
LocaldeNascimen o espec i amen e. Uma ez que as eg as de ex acção em espanhol
e po uguês o am mui o simila es, as di e enças en e as duas línguas podem de e -se a á ias
azões: po um lado, o amanho da Wikipedia em espanhol, que é quase o dob o. Po ou o
lado, o núme o de nomes de p o issão ambém e a meno em po uguês do que em espanhol.
Con udo, as ex acções em po uguês i e am uma al a p ecisão (90%−93%).
No e-se que an o LocaldeNascimen o como P o issão são elações de ca ác e
biog á ico, pelo que é espe á el que ecu sos enciclopédicos como a Wikipedia con enham
mui os exemplos des as elações. Po ém, uma ez que um dos objec i os do p esen e abalho
é ex ai in o mação de di e en es on es, oi aplicado o mesmo pa se (Reg as_2) pa a a
ex acção des as duas elações num co pus jo nalís ico (em 1,2gb do Público, jo nal po uguês
de domínio ge al).
A Tabela 7.5 con ém os esul ados des a úl ima ex acção, cuja a aliação oi ei a da
mesma manei a que as ealizadas na Wikipedia. O núme o de ex acções é o dob o do que
as ealizadas na Wikipedia (cujo co pus inha um amanho simila ). A p ecisão, con udo, oi
en e 6% e 9% mais baixa, sendo de ≈84% pa a as duas elações. Mais uma ez, mui as das
ex acções inco ec as de e am-se a e os p oduzidos po módulos an e io es.
7.6. Conclusões
Nes e capí ulo ap esen ou-se um no o mé odo de ex acção de elações baseada em eg as
ob idas de modo pouco supe isionado. An es da aplicação das eg as de ex acção, u ilizou-
se uma écnica de comp essão de ex o que usa análise pa cial de dependências, simpli icando
as es u u as linguís icas e a o ecendo um aumen o na ab angência das eg as de ex acção.

118 Capí ulo 7. Ex acção de Relações com Base em Reg as
Pa a a ob enção das eg as emp egou-se uma es a égia de supe isão-dis an e. O uído
p oduzido po es e p ocesso oi minimizado ao selecciona em-se só os pad ões de maio con i-
dência, pos e io men e gene alizados e adicionados como eg as semân icas a uma g amá ica
de dependências.
Di e en es a aliações em po uguês e em espanhol mos a am que o mé odo man ém a
al a p ecisão dos sis emas de pa e n-ma ching, inc emen ando no o iamen e os alo es de
ecall. Assim, a es a égia u ilizada pe mi e c ia de modo simples eg as de ex acção de al a
qualidade, pelo que pode se um mé odo p omisso pa a a cons ução ápida de sis emas de
ex acção de elações de domínio echado.
Pa e III
Resolução de Co e e ência e Ex acção
de In o mação Abe a
119
CAPÍTULO 8
RESOLUÇÃO DE CORREFERÊNCIA DE
ENTIDADES PESSOA PARA A EXTRACÇÃO
DE INFORMAÇÃO ABERTA
8.1. In odução
Quando se p oduz um discu so, seja es e o al ou esc i o, di e sos concei os são no mal-
men e exp essos de di e en es manei as sem que a e e ência à mesma en idade discu si a
se pe ca. Assim, uma pessoa como “Ay on Senna da Sil a” pode se e e ida, pa a além de
pelo p óp io nome (ou a ian es como “Ay on Senna” ou “Senna”), po um p onome pessoal
(“Ele”), po uma ase nominal (“o pilo o b asilei o”) ou po um p onome ela i o (“que”),
en e ou as unidades linguís icas. Quando di e en es exp essões (menções) e e em à mesma
en idade discu si a encon am-se numa elação de co e e ência (Recasens e Ma í, 2010).1
Resol e a co e e ência en e as di e en es menções é uma a e a c ucial pa a di e sas
aplicações do p ocessamen o da linguagem na u al, como a suma ização ex ual (S einbe ge
e al., 2007) ou a ex acção de in o mação (Banko e E zioni, 2008).
Especi icamen e pa a a ex acção de in o mação, as en idades pessoa (is o é, que e e em a
uma pessoa) o am aquelas a que oi dedicado um maio es o ço desde di e sas pe spec i as.
A aliações como a Knowledge Base Popula ion (da con e ência TAC) ou a Pe son A ibu e
Ex ac ion (da WePS), a e as como a Pe sonal Name Ma ching (Cohen e al., 2003), ou
1Nes e abalho, uma menção é cada uma das exp essões que e e em a uma pessoa, e uma en idade é o g upo
de odas as menções que e e em à mesma pessoa no ex o (Recasens e Ma í, 2010).
128 Capí ulo 8. Resolução de Co e e ência de En idades Pessoa pa a a OIE
PN_S Ma ch (PN_S ): nes a e apa, o sis ema p ocu a menções que pa ilhem o nome
de pessoa comple o, embo a os seus núcleos sejam di e en es (ou se uma delas não em nú-
cleo). “O músico John Lennon” e “John Lennon” (caso que não es á na Figu a 8.1) se ia um
exemplo.
PN_Inclusion (PN_I): aqui, o sis ema e i ica se o nome p óp io comple o (na en i-
dade) da menção seleccionada inclui o nome p óp io da menção candida a ( ambém na en-
idade), ou ice- e sa. No exemplo, a menção 5 liga-se à 2 nes e passe. Repa e-se que a
menção 7 não se ag upa à menção 5, po que o nome p óp io comple o da en idade a que pe -
ence a menção 5 é “John Wins on Ono Lennon”, que não é compa í el com “Al ed Lennon”.
Além disso, a menção 13 não é seleccionada po es e módulo po que não é a p imei a menção
da en idade da qual az pa e.
PN_Tokens (PN_T): es e módulo sepa a em okens o nome p óp io comple o da en i-
dade a que pe ence a menção seleccionada, e e i ica se o nome p óp io comple o (na en i-
dade) da menção candida a con ém odos os okens na mesma o dem, ou ice- e sa (excep o
algumas pala as azias, como “S .”, “J .”, e c.). Uma ez que o pa “John Wins on Ono
Lennon – John Wins on Lennon” é compa í el, as menções 12 e 5 usionam-se.
HeadMa ch (HM): nes a e apa, o sis ema e i ica se a menção seleccionada e a candi-
da a pa ilham os núcleos (ou os núcleos das en idades a que pe encem). Na Figu a 8.1, a
menção 14 liga-se à menção 13.
O phan_NP (O ph): es e úl imo módulo de esolução de co e e ência nominal aplica
eg as baseadas em esolução p onominal a ases nominais ó ãs. Assim, uma ase nominal
ini a é ma cada como ó ã se nes a e apa ainda é um single on (uma menção que não em
exp essões co e e enciais) e não con ém um nome de pessoa. Uma ase nominal ó ã liga-se
ao nome de pessoa an e io com o qual enha conco dância em géne o e núme o. No exemplo,
as menções 8 e 9 ligam-se a 7 e 6.
P o_Ca apho a (P o_C): de modo simila a NP_Ca apho a, es e módulo e i ica se
o ex o começa com um p onome pessoa (ou elíp ico). Nes e caso, o módulo analisa se a
seguin e o ação con ém um nome p óp io compa í el.

8.4. Co po a ano ados 129
P onominal (PRO): es e é o módulo s anda d de esolução de co e e ência p onomi-
nal. Pa a cada p onome seleccionado, e i ica se as menções nominais candida as sa is azem
as es ições sin ác icas e mo ossin ác icas (inspi adas em Paloma e al. (2001)). Es as es i-
ções classi icam-se em conjun os dedicados a cada ipo de p onome, que bloqueiam a ligação
en e as menções se alguma delas é iolada. En e elas exis em: um p onome objec o (di ec o
ou indi ec o) não pode co e e i com o seu sujei o (menção 11 e sus 8 e 9); um p onome
pessoal não pode co e e i com uma menção den o de uma ase p eposicional (menção 4
e sus menção 3), o núcleo de uma ase p eposicional não pode co e e i com um elemen o
que o c-comande (menção 10 e sus menções 8 e 9), um possessi o não pode co e e i com
a ase nominal à qual pe ence ou um p onome p e e e como seu an eceden e uma ase no-
minal em posição de sujei o (menções 10 e 11 e sus menções 6 e 7). Assim, na Figu a 8.1,
o p onome elíp ico (menção 4) liga-se à menção 2, e as menções 10 e 11 à menção 5. Es e
módulo só p ocu a candida os na mesma o ação e na an e io à menção seleccionada.
Pi o _En : es e úl imo módulo só é aplicado se exis em menções p onominais ó ãs
(não ligadas a nenhum nome p óp io ou ase nominal). P imei o, o módulo e i ica se o
ex o con ém uma en idade cen al, que é o nome de pessoa mais equen e num ex o, cuja
equência seja no mínimo 33% maio do que a segunda pessoa com mais oco ências. Se
exis i uma en idade cen al, odos os p onomes ó ãos são ligados a es a en idade. Se não,
cada p onome é ligado à an e io menção nominal (sem nenhum ipo de es ição).
Os módulos S ingMa ch, PN_S Ma ch e HeadMa ch já exis iam no sis ema ap esen-
ado em Lee e al. (2013) —com ligei as di e enças—, enquan o os passes P onominal e
Pi o _En se inspi am no abalho de Paloma e al. (2001). Po ou o lado, PN_Inclusion e
PN_Tokens ap o ei am algumas heu ís icas já a aliadas em Ga cia e Gamallo (2011d), sendo
NP_Ca apho a, P o_Ca apho a (inspi ados em Viei a e Poesio (2000)) e O phan_NP módulos
o iginais adicionados a LinkPeople.
8.4. Co po a ano ados
Es a secção ap esen a ês co po a com ligações de co e e ência de en idades pessoa em
po uguês, espanhol e galego. Os co po a o am desenhados de aco do a dous objec i os: (i)
o nece ecu sos pa a conhece como a co e e ência unciona nes as línguas e (ii) a alia
o uncionamen o de sis emas de esolução de co e e ência. Os co po a são disponibilizados
130 Capí ulo 8. Resolução de Co e e ência de En idades Pessoa pa a a OIE
Língua Tipologia Documen os Tokens
Po uguês Jo nal 91 34k
Wikipedia 6 17k
Espanhol Jo nal 27 18k
Wikipedia 12 28k
Galego Jo nal 28 17k
Wikipedia 29 25k
To al
Jo nal 146 70k
Wikipedia 47 71k
To al 193 141k
Tabela 8.1: Tamanho dos co po a em núme o de documen os de okens po língua e ipologia ex ual.
li emen e em dous o ma os di e en es, pelo que podem se ampliados e melho ados de modo
colabo a i o.
Os co po a
Os ex os u ilizados como on e pa a a cons ução dos co po a o am compilados da In e -
ne em 2012, en ando cob i di e en es ipologias ex uais e a iedades linguís icas. En e as
p imei as, con êm ex os jo nalís icos e enciclopédicos (Wikipedia). Em elação às a ieda-
des linguís icas, incluem-se ex os de Po ugal, B asil, Moçambique e Angola (p ), Espanha
e A gen ina (es) e Galiza (gl). Pa a além disso, os a igos da Wikipedia podem pe ence a
a iedades di e en es de po uguês e espanhol.
A Tabela 8.1 mos a o amanho dos ês co po a em núme o de documen os e em okens,
endo em con a a ipologia ex ual e a língua.5
Cada co pus con ém en e 43k e 51k okens (≈142k okens, no o al). Uma ez que os
co po a se ocam p incipalmen e em en idades pessoa, a dis ibuição en e ex os jo nalís-
icos e enciclopédicos (ge almen e com mais in o mação sob e pessoas) é de ≈35%/65%,
excep o em po uguês, de ido ao in e esse adicional em ob e co po a des a língua em di e-
en es a iedades ( an o nacionais como an es e depois do Aco do O og á ico). No e-se que
o co pus de po uguês oi ambém u ilizado pa a a alia PoS- agge s no Capí ulo 2 ( e e ido
como Co pus-Web na Secção 2.7.1).
5As es a ís icas o am compu adas com a e são 0.2 dos co po a. Re isões pos e io es podem inclui a iações
em elação a es es esul ados.
8.4. Co po a ano ados 131
Unidade Linguís ica Exemplo
Nome de Pessoa “Ay on Senna cu sou o p imá io nos Colégios San ana...
F ase Nominal “Uma semana depois, o pilo o b asilei o não consegui empo...
P on. Ze o “/0 Começou a compe i o icialmen e nas p o as de ka ...
P on. Clí ico “Isso odeixou empa ado com Nigel Mansell”
P on. Rela i o “[...] in e pon os de di e ença pa a Senna, que es a a com ze o”
P on. Pessoal “Ele sen ia-se us ado po ...”
P on. Demons a i o “É bem p o á el que essa seja a esposa escolhida”
P on. Inde inido “Ambos chega am à F1...”
Possessi o “Senna começou sua ca ei a compe indo...
Tabela 8.2: Tipos de unidades co e e enciais (e exemplos em po uguês).
Pa a cons ui es es ecu sos, p imei o o am seleccionados alea o iamen e a igos jo na-
lís icos e enciclopédicos —de pessoas— de di e en es on es da In e ne ( endo em con a a sua
a iedade linguís ica). Os ex os o am okenizados, lema izados e ano ados mo ossin ac ica-
men e po F eeLing, que ambém oi u ilizado pa a REM em espanhol. Es e úl imo p ocesso
oi ealizado em po uguês e em galego com o sis ema de eg as ap esen ado no Capí ulo 3.
Depois, aplicou-se DepPa e n pa a en iquece os co po a com dependências sin ác icas. Fi-
nalmen e, a ano ação co e e encial oi adicionada manualmen e po dous linguis as, seguindo
o o ma o da SemE al-2010 Task #1 (Recasens e al., 2010).
Di ec izes de ano ação
Di e en es exp essões que e e em à mesma en idade do discu so o am ano adas como
co e e en es quando en e elas exis ia uma elação de iden idade de e e en e. As exp essões
p edica i as, aposi i as e pa en é icas ambém o am ma cadas (com e ique as especiais), ape-
sa de que não são conside adas co e e en es po alguns au o es (Recasens e Ma í, 2010).
A ano ação oi ealizada de modo indi idual, apesa de que algumas en idades apa ecem em
di e en es a igos e línguas.
A p imei a coluna da Tabela 8.2 mos a os ipos de unidades linguís icas candida os a
se em exp essões co e e enciais. As F ases Nominais (FNs) com um único oken (po exem-
plo, um p onome) ou que con enham unicamen e um nome p óp io, são classi icadas pela sua
ca ego ia mo ossin ác ica (p onome pessoal, nome de pessoa, e c.) e não pela sua ca ego-
ia sin ác ica ( ase nominal). Assim, na Tabela 8.2, Nome de Pessoa e e e odos os nomes
132 Capí ulo 8. Resolução de Co e e ência de En idades Pessoa pa a a OIE
Po uguês Espanhol Galego To al
J W J W J W J W To al
N. de Pessoa 31,4 34,5 24,0 26,7 28,0 30,9 28,2 30,1 29,3
F ase Nominal 24,3 11,5 12,8 11,9 21,0 8,5 19,7 10,5 14,4
P on. Ze o 26,6 26,0 34,0 32,7 30,7 36,2 29,9 32,5 31,4
P on. Clí ico 3,7 6,9 13,4 8,9 6,5 8,6 7,7 8,3 8,0
P on. Rela i o 3,6 1,7 2,6 2,3 3,4 2,0 3,2 2,0 2,5
P on. Pessoal 4,1 8,1 2,3 2,5 2,2 0,7 3,1 3,1 3,1
P on. Demons. 0,1 0 0,1 0,2 0 0,2 0,1 0,2 0,1
P on. Inde . 0,4 0,4 0,2 0,2 0,2 0,1 0,3 0,2 0,2
Possessi o 5,8 11,1 10,5 14,5 8,1 12,9 7,9 13,5 10,9
Menções o ais 2.418 1.561 1.826 2.634 925 2.631 5.169 6.826 11.995
Tabela 8.3: Dis ibuição e núme o o al de menções em unção do ipo, língua e ipologia ex ual (onde Wé Wikipe-
dia e Jjo nais).
de pessoa ocupando uma ase nominal comple a, sem especi icado es. Des e modo, F ase
Nominal só inclui FNs com um mínimo de duas unidades linguís icas: um núcleo e um es-
peci icado (“Ay on Senna” é classi icado como nome pessoal, enquan o “o pilo o Ay on
Senna” ou “o pilo o b asilei o” classi icam-se como ases nominais).
A ano ação oi ealizada unicamen e quando as menções e e iam a en idades pessoa iden-
i icadas nalguma pa e do ex o (is o é, com, pelo menos, uma oco ência de um nome de
pessoa).
Pa a além dos exemplos da Tabela 8.2, os co po a ambém incluem ano ações de ci ações.
Assim, os p onomes pessoais ana ó icos que apa ecem em exp essões en e aspas são ligados
às en idades às quais e e em: “Senna disse [...]: “Eu acho que”...”.
Es a ís icas
Pa a cada co pus o am calculadas á ias es a ís icas elacionadas com a dis ibuição das
exp essões co e e enciais. A Tabela 8.3 con ém a pe cen agem de cada ipo de menção nos
co po a, mos ando que os nomes de pessoa (como ases nominais comple as) e os p onomes
elíp icos (ze o) são as exp essões mais equen es pa a e e i -se às en idades pessoa, com
pe o de 30% das menções cada uma. As ases nominais e os possessi os ambém ocupa-
am mais de 10% (14% e 11% espec i amen e). Pelo con á io, a equência dos p onomes
demons a i os e inde inidos é escassa, com alo es médios de en e 0,1% e 0,2%, espec i-
amen e.
8.4. Co po a ano ados 133
Po uguês Espanhol Galego To al
J W J W J W J W To al
1 Menção 30,6 50,3 35,9 44,9 16,0 52,3 29,5 49,3 40,3
2 Menções 17,0 17,3 21,5 18,0 24,8 18,4 19,5 18,0 18,7
3 Menções 11,5 9,6 8,2 16,7 11,2 7,1 10,6 11,0 10,8
>3 Menções 40,1 22,8 34,4 20,5 48,0 22,2 40,4 21,8 30,2
Tamanho da En . (Nom.) 3,1 3,6 3,3 3,1 3,0 2,6 3,1 3,1 3,1
Tamanho da En idade 5,6 7,9 9,1 8,3 6,7 6,6 7,2 7,6 7,4
Maio En idade (Nom.) 35 218 26 146 20 121
Maio En idade 145 674 173 651 57 273
Mais F equen e 50,2 62,5 59,3 64,5 53,4 69,9 54 66,1 60,1
Tabela 8.4: Dis ibuição das en idades em unção do núme o de menções nos co po a (acima). Tamanho médio das
en idades e amanho (em núme o de menções) da maio en idade de cada língua (cen o): alo es de
odas as menções e das nominais (Nom., que só inclui FNs e nomes p óp ios). Dis ibuição da en idade
mais equen e de cada ex o (abaixo).
A Tabela 8.3 ambém indica que a dis ibuição das ligações de co e e ência nas ês lín-
guas analisadas é simila . Os p onomes ze o são menos equen es em po uguês do que em
espanhol ( an o em ex os jo nalís icos como enciclopédicos). Po ou o lado, as ases nomi-
nais são menos u ilizadas pa a e e i -se a en idades pessoa em espanhol do que em po uguês.
Em média, os alo es da dis ibuição de menções em galego si uam-se en e as ou as duas
línguas analisadas.
A p opósi o do amanho das en idades (o núme o de menções de cada en idade nos co -
po a), a Tabela 8.4 inclui a dis ibuição das en idades pessoa ano adas (linhas supe io es). As
en idades com uma só menção (single ons) são as mais equen es (40%), enquan o ≈30%
das en idades êm mais de ês menções.
As linhas cen ais da mesma abela con êm o amanho médio das en idades, bem como
o amanho da maio en idade de cada co pus. Os alo es o am calculados pa a odas as
menções e unicamen e pa a as menções nominais ( ases nominais e nomes de pessoa). O
amanho médio das en idades é simila em odos os co po a, com alo es médios de 7,4 e 3,1
pa a odas as menções e só pa a as nominais, espec i amen e.
Em elação à maio en idade de cada co pus, é impo an e no a a di e ença en e os ex os
jo nalís icos e os enciclopédicos, que êm como ópico uma pessoa especí ica. Assim, alguns
ex os da Wikipedia em po uguês e em espanhol êm en idades com mais de 600 menções,

134 Capí ulo 8. Resolução de Co e e ência de En idades Pessoa pa a a OIE
enquan o os a igos jo nalís icos não excedem as 200. Em galego, os alo es da Wikipedia
são mais baixos de ido ao amanho dos a igos, que são ge almen e mais cu os (Tabela 8.1).
A linha in e io da Tabela 8.4 mos a a pe cen agem (mic o-a e age) das menções da
en idade mais equen e em cada ex o, que ep esen a a en idade p incipal de que se es á a
ala . Os alo es dos ex os jo nalís icos são meno es do que os enciclopédicos, uma ez que
es es a igos se cen am habi ualmen e numa só pessoa. No e-se que, em média, mais de 60%
das menções e e em a uma única en idade em cada ex o. Is o indica que g ande pa e dos
documen os jo nalís icos e enciclopédicos a am sob e emas elacionados com uma en idade
cen al.
Alguns des es esul ados di e em dos dados ex aídos de ou os co po a com ano ação
de ou o ipo de en idades. A es e espei o, Má quez e al. (2013) ob êm 86% de single ons
em inglês e 75% e 70% em espanhol e ca alão espec i amen e. As di e enças de em-se,
p incipalmen e, a que nos ecu sos aqui ap esen ados só oi ano ado um ipo de en idades.
Fo ma o
Os co po a são dis ibuídos em dous o ma os di e en es: (i) o o ma o po de ei o, inspi-
ado na SemE al-2010 Task #1 (Recasens e al., 2010), e (ii) em o ma o b a , uma e amen a
de código abe o que pe mi e que o ano ado isualize o ex o de um modo e icien e.6
O o ma o po de ei o con ém doze colunas com a seguin e in o mação: (1) posição do
oken na o ação, (2) oken, (3) lema, (4) PoS- ag de F eeLing, (5) PoS- ag básico, (6) géne o,
(7) núme o, (8) núcleo sin ác ico, (9) e ique a sin ác ica, (10) classe da en idade mencionada,
(11) ipo de co e e ência e (12) ano ação co e e encial.
A ano ação co e e encial con ém, pa a cada menção, a id da en idade a que pe ence,
bem como a posição de início e im de cada menção, indicada com pa ên eses de abe u a e
echo (Figu a 8.3). Quando um oken az pa e de mais de uma menção, o símbolo ‘|’ sepa a
as ids de cada en idade.
Os co po a dis ibuídos em SemE al-2010 con êm mais in o mação linguís ica do que os
ap esen ados nes e abalho (como a ano ação de oles semân icos), pa a além de pequenas
di e enças nas e ique as mo ossin ác icas e sin ác icas. À pa e disso, a p incipal di e ença
na ano ação des es dous ecu sos em a e com a pon uação. Em SemE al-2010, a ano ação
das en idades inclui a pon uação que as ci cunda, enquan o nos ecu sos aqui desc i os só os
6h p://b a .nlplab.o g
8.5. Tes es e a aliação 135
pos oken ... PoS ... e . sin . ... co e
1 O ... DET ... SpecL .. . (1
2 ilho ... NOUN ... SubjL ... _
3 de ... PS ... Cp epR ... _
4 o ... DET ... SpecL ... (2
5 pilo o ... NOUN ... Te m ... _
6 b asilei o ... ADJ ... AdjnR ... 2)|1)
7 oi ... VERB ... ROOT ... _
Figu a 8.3: Exemplo de uma ano ação co e e encial das FNs “O ilho de o pilo o b asilei o”.
okens que con êm pala as são conside ados pa e da en idade (excep o as en idades cuja
o ma inclui pon uação no in e io ).
8.5. Tes es e a aliação
Es a secção inclui di e en es a aliações do sis ema de esolução de co e e ência ap esen-
ado, bem como uma análise po meno izada dos e os po ele p oduzidos.
LinkPeople oi a aliado nas ês línguas al o do p esen e abalho, u ilizando os co po a
desc i os na secção an e io . Uma ez que algumas das ano ações des es ecu sos não o am
co igidas manualmen e (PoS- ags, in o mação sin ác ica, e c.), a a aliação seguiu a egula
se ing (u ilizando a nomencla u a de SemE al-2010). Assim mesmo, não o am u ilizados e-
cu sos ex e nos (dicioná ios de géne os de nomes p óp ios, Wo dNe , e c.), seguindo o closed
se ing. Em elação à iden i icação das menções, o am ealizadas duas a aliações: a p imei a
com as menções já iden i icadas (gold men ions), e a segunda com iden i icação au omá ica
das menções (sys em men ions). Pa a es a úl ima a aliação, u ilizou-se o módulo básico de
iden i icação de menções ap esen ado na Secção 8.3.7
Com o im de compa a os esul ados do sis ema aqui ap esen ado, o am ambém a ali-
adas qua o baselines conhecidas: (i) Single ons (S ons), onde cada menção pe ence a uma
en idade di e en e; (ii) All_in_One (AOne), onde odas as menções pe encem à mesma en i-
dade; (iii) HeadMa ch (HMb), que ag upa na mesma en idade aquelas menções que pa ilhem
o núcleo da ase nominal e classi ica cada p onome como single on, e (i ) HeadMa ch_P o
7Excep o pa a os p onomes elíp icos, que o am ob idos como gold men ions pa a p ese a o alinhamen o
necessá io pa a compu a os esul ados. Os es es mos ados na Secção 8.6 simulam um cená io eal.
136 Capí ulo 8. Resolução de Co e e ência de En idades Pessoa pa a a OIE
(HMP), igual à an e io , mas ligando cada p onome à menção nominal an e io com conco -
dância de géne o e núme o.8
Fo am u ilizadas cinco mé icas de a aliação: MUC (Vilain e al., 1995), B3(Bagga e
Baldwin, 1998), CEAFen i y (Luo, 2005), BLANC (Recasens e Ho y, 2011) e CoNLL (Co)
(P adhan e al., 2011), que é a média a i mé ica das ês p imei as medidas e e idas. Os
esul ados o am ob idos com os sc ip s u ilizados em SemE al-2010 (pa a BLANC) e ConLL
2011 (pa a as ou as mé icas).
Resul ados
A Tabela 8.5 con ém os esul ados das qua o baselines e do sis ema ap esen ado na con i-
gu ação gold men ions, enquan o os esul ados de sys em men ions se mos am na Tabela 8.6.
O p imei o bloco de cada língua inclui os esul ados das baselines. As linhas cen ais mos-
am os alo es dos di e en es módulos de LinkPeople adicionados inc emen almen e ( eja-se
a Figu a 8.2). As p imei as no e linhas (S M >PRO) incluem duas eg as de de ei o pa a
classi ica as menções não analisadas pelos módulos em ac i o: (i) as menções nominais não
analisadas são single ons e (ii) os p onomes ligam-se à menção nominal an e io com con-
co dância de géne o (excep o os p onomes analisados po PRO, nes e modelo). Pa a além
disso, os sis emas PRO não es ingem o núme o de o ações an e io es quando p ocu am an-
eceden es. O úl imo modelo (LinkP, o esul ado de odos os módulos de LinkPeople) inclui
uma es ição de dis ância no passe P onominal ( eja-se a Secção 8.3), pelo que combina o
módulo P onominal com Pi o _En .
Como espe ado, as baselines Single ons eHeadMa ch ob êm esul ados baixos em quase
odas as mé icas e línguas (os alo es de Single ons em MUC são nulos po que es a medida
não ecompensa a iden i icação co ec a de single ons). Po ém, os modelos All_in_One ob i-
e am esul ados azoa elmen e bons nalgumas mé icas (MUC e B3). As di e enças en e os
alo es des es es es e os ob idos em SemE al-2010 de em-se à exis ência (nes e abalho) de
um único ipo de en idades (pessoas). Como oi is o, os ex os jo nalís icos e enciclopédi-
cos ocam-se habi ualmen e em só uma ou duas pessoas (is o é, exis e um núme o meno de
en idades em cada ex o), pelo que a p ecisão é maio em All_in_One e meno em Single ons.
Como oi mos ado em Recasens e Ho y (2010), as baselines HeadMa ch_P o ob êm
bons esul ados nas ês línguas analisadas, e em odas as mé icas: ≈60% e ≈67% de F1
8De ido a di e enças de língua e de o ma o, ou os sis emas de esolução de co e e ência (Raghuna han e al.,
2010; Sapena e al., 2013, po exemplo) não pude am se u ilizados nes a a aliação.
8.5. Tes es e a aliação 137
Lg Mod MUC B3CEAFeBLANC Co
R P F1 R P F1 R P F1 R P F1 F1
P
S ons - - - 15,0 100 26,1 65,3 10,9 18,7 50,0 29,0 36,7 14,9
AOne 93,8 85,5 89,4 94,8 47,5 63,3 11,9 78,1 20,7 50,0 21,0 29,1 57,8
HMb 26,5 93,9 41,3 22,2 97,9 36,2 72,3 16,1 26,4 53,6 78,5 44,2 34,6
HMP 76,0 91,2 82,9 46,0 85,8 59,9 76,7 49,2 59,9 68,5 80,0 68,1 67,6
S M 69,8 91,5 79,2 38,8 88,7 54,0 78,1 40,5 53,3 64,7 79,2 62,9 62,2
NP_C 70,4 91,4 79,6 39,2 88,5 54,3 78,3 41,5 54,3 64,7 79,2 62,9 62,7
PN_S 72,8 91,9 81,3 40,9 88,3 55,9 79,3 44,7 57,2 65,0 79,2 63,4 64,8
PN_I 77,1 92,5 84,1 50,5 87,5 64,0 81,9 52,7 64,1 71,1 81,0 71,2 70,8
PN_T 77,3 92,5 84,2 50,8 87,5 64,3 82,0 53,0 64,4 71,1 81,0 71,3 71,0
HM 79,7 92,3 85,6 53,6 85,5 65,9 81,3 58,3 67,9 71,5 80,7 71,7 73,1
O ph 83,4 91,8 87,4 58,1 82,7 68,3 81,4 70,2 75,4 71,6 80,3 71,9 77,0
P oC 83,4 91,8 87,4 58,1 82,7 68,3 81,4 70,3 75,5 71,6 80,3 72,0 77,0
PRO 81,8 91,7 86,4 59,1 83,9 69,3 82,7 66,5 73,7 76,0 83,7 76,7 76,5
LinkP 82,7 92,7 87,4 65,8 84,5 74,0 84,4 67,9 75,2 83,6 85,4 84,2 78,9
Es
S ons - - - 10,9 100 19,7 69,5 8,7 15,4 50,0 29,4 37,0 11,7
AOne 91,7 88,4 90,0 92,6 51,3 66,0 6,4 83,0 11,9 50,0 20,6 29,2 55,9
HMb 20,7 94,2 34,0 15,4 98,0 26,6 75,4 11,9 20,6 51,3 74,6 39,9 27,0
HMP 78,2 90,7 84,0 35,3 81,2 49,2 72,9 51,5 60,4 59,3 74,7 55,5 64,5
S M 73,9 90,7 81,4 30,1 83,7 44,3 73,9 41,6 53,3 58,6 75,6 54,1 59,7
NP_C 74,1 90,7 81,5 30,2 83,7 44,4 73,9 42,0 53,6 58,6 75,6 54,1 59,8
PN_S 75,4 91,0 82,5 31,2 83,1 45,4 73,8 44,1 55,2 58,6 75,4 54,3 61,0
PN_I 78,8 91,7 84,8 39,3 82,2 53,1 75,9 52,8 62,3 62,0 76,7 59,6 66,7
PN_T 79,0 91,7 84,9 40,0 82,1 53,8 76,0 53,3 62,7 62,6 76,3 60,5 67,1
HM 80,5 92,0 85,9 41,7 80,9 55,1 75,6 57,3 65,2 63,1 75,0 61,4 68,7
O ph 81,1 91,9 86,1 42,3 80,5 55,5 75,4 59,8 66,7 63,2 75,0 61,6 69,4
P oC 82,3 91,9 86,8 43,2 79,6 56,0 74,6 64,1 68,9 63,0 74,7 61,4 70,6
PRO 82,6 92,4 87,2 46,0 80,8 58,7 77,5 65,8 71,2 66,8 77,9 66,2 72,4
LinkP 84,1 94,1 88,8 62,9 84,8 72,2 83,4 71,0 76,7 81,7 84,9 82,6 79,2
Gl
S ons - - - 14,6 100 25,4 71,7 11,0 19,1 50,0 28,4 36,3 14,8
AOne 96,6 86,0 91,0 97,1 53,9 69,3 9,0 82,7 16,2 50,0 21,6 30,1 58,8
HMb 21,1 90,5 34,2 20,2 97,5 33,5 74,1 14,3 24,0 51,3 74,7 39,1 30,6
HMP 81,9 89,8 85,7 44,1 83,6 57,7 70,0 53,5 60,6 61,3 76,5 57,9 68,0
S M 77,1 90,6 83,3 36,5 86,7 51,4 75,1 45,5 56,6 58,9 76,9 53,7 63,8
NP_C 77,6 90,7 83,6 37,2 86,7 52,1 75,2 46,2 57,3 59,2 77,0 54,3 64,3
PN_S 79,0 90,9 84,6 39,1 86,2 53,8 75,6 48,8 59,3 59,7 77,0 55,1 65,9
PN_I 83,1 91,5 87,1 46,7 85,3 60,4 76,7 57,8 66,0 62,5 77,5 59,5 71,1
PN_T 83,3 91,5 87,2 48,2 85,3 61,6 76,9 58,6 66,5 63,2 77,9 60,5 71,8
HM 84,6 91,6 87,9 49,8 84,4 62,6 76,8 62,0 68,6 63,4 77,5 60,8 73,1
O ph 84,7 91,3 87,9 49,9 83,9 62,6 76,8 63,2 69,4 63,3 77,3 60,8 73,3
P oC 84,7 91,3 87,9 49,1 83,9 62,6 76,8 63,2 69,4 63,3 77,3 60,8 73,3
PRO 86,9 92,5 89,6 60,7 86,8 71,4 82,8 72,2 77,1 73,6 82,0 73,9 79,4
LinkP 89,0 94,6 91,7 72,9 88,4 79,9 87,6 76,6 81,7 82,7 85,8 83,4 84,4
Tabela 8.5: Resul ados de LinkPeople (gold men ions) compa ados com as baselines em Po uguês (P ), Galego (Gl)
e Espanhol (Es). LinkP são os esul ados da execução do sis ema comple o.