P opos a ecebida em Ab il 2018 e acei e pa a publica¸c˜ao em Junho 2019.
Uma U ilidade pa a o Reconhecimen o de Top´onimos
em Documen os Medie ais
A Tool o Toponym Recogni ion in Medie al Documen s
Xa ie Canosa
CiTIUS / Uni . de San iago de Compos ela
[email p o ec ed]
Pablo Gamallo
CiTIUS / Uni . de San iago de Compos ela
[email p o ec ed]
Xa ie Va ela
ILG / Uni . de San iago de Compos ela
[email p o ec ed]
Jos´e ´
Angel Taboada
CiTIUS / Uni . de San iago de Compos ela
[email p o ec ed]
Paulo Ma ´ınez Lema
ILS / Uni . de San iago de Compos ela
[email p o ec ed]
Ma cos Ga cia
G upo LyS, Dp o. de Le as / Uni . da Co unha
[email p o ec ed]
Resumo
Es e a igo ap esen a o m´e odo de cons u¸c˜ao
duma e amen a pa a a ano a¸c˜ao de en idades ge-
og ´a icas mencionadas em ex os medie ais. A no a
e amen a oi desen ol ida a pa i dos m´odulos de
l´ıngua con empo ˆanea do LinguaKi , paco e mul ilin-
gue de e amen as de PLN. Uma cole¸c˜ao de co po a
ano ados manualmen e se iu de ecu so pa a elabo-
a uma lis a de op´onimos medie ais (gaze ee s) e
obse a pad ˜oes pa a a melho a e implemen a¸c˜ao de
no as eg as de econhecimen o dos nomes de luga .
Depois da lis a de en idades geog ´a icas, os a i ado-
es con ex uais ( igge s) o am o ecu so de e mi-
nan e na melho a da ab angˆencia. Pa a o p odu o
inal, ize am-se amb´em ajus es meno es na p ocu a
de ecolhe os elemen os mais comuns do l´exico e os
con ex os g ama icais das en idades geog ´a icas men-
cionadas. Ainda que mui o abalho ica po aze na
elabo a¸c˜ao de lis as pa a en idades n˜ao geog ´a icas,
na cons u¸c˜ao dum modelo de l´ıngua medie al e um
lexicon espec´ı ico, o no o m´odulo pode se u ilizado
pa a ano a ex os e mos a uma melho a signi ica i a
a espei o dos m´odulos p e iamen e exis en es.
Pala as cha e
en idades geog ´a icas mencionadas, NERC, opon´ımia
Abs ac
This pape desc ibes a me hod o build a ool ai-
med a ecognizing geog aphical named en i ies in me-
die al ex s. The new ool has been de eloped using
he co esponding modules o con empo a y langua-
ges con ained in LinguaKi , a sui e o NLP ools. A
collec ion o manually anno a ed co po a se ed as a
esou ce o build a gaze ee o medie al oponyms
and ind pa e ns o imp o e and implemen new u-
les o he ecogni ion o place names. In addi ion o
he gaze ee , a lis o igge s was he mos de e -
minan ac o o imp o e ecall. Final adjus men s
conside ed he mos equen e ms o he lexicon and
g amma ical con ex s o geog aphical named en i ies.
In he p ocess o building a model o medie al lan-
guage and a speci ic lexicon, he a ailable ool can
al eady be used o anno a e ex s and shows a sig-
ni ican imp o emen when compa ed wi h p e ious
modules. Howe e , mos wo k emains o be done in
e ms o adding speci ic gaze ee s o en i ies o he
han geog aphical.
Keywo ds
geog aphical named en i ies, NERC, place names
1 In odu¸c˜ao
O econhecimen o au om´a ico de op´onimos oi
a endido nas ´ul imas duas d´ecadas como pa e do
p oblema NERC (Named En i y Recogni ion and
Classi ica ion) amb´em chamado de REM (Re-
conhecimen o de En idades Mencionadas) den o
do P ocessamen o da Linguagem Na u al (PLN).
Dado que os op´onimos mais comuns apa ecem
sis ema izados em nomencla o es e a las j´a di-
gi alizados, o uso de lis as de en idades (gaze -
ee s) sob e os que e e ua pesquisas po s ing
ma ch apa ece como uma p imei a solu¸c˜ao pa a
a ano a¸c˜ao au om´a ica. Po ´em, a ambiguidade
que se p oduz na l´ıngua (ex. San iago como ci-
dade ou como nome de pessoa) e a necessidade
DOI: 10.21814/lm.11.1.291
This wo k is Licensed unde a
C ea i e Commons A ibu ion 4.0 License
Linguam´
a ica — ISSN: 1647–0818
Vol. 11 N´um. 1 2019 - P´ag. 3–15
de ma ca op´onimos meno es ou menos comuns
(ex. mic o op´onimos, geog a ias ex´o icas e menos
habi uais) p ecisa de u ilidades com capacidade
de desambigua¸c˜ao e an´alise do con ex o pa a p e-
e os casos de o mas desconhecidas nas lis as.
Duas ap oxima¸c˜oes con ibu´ı am pa a da o p o-
blema como esol ido com um n´ı el sa is a ´o io
de e ic´acia: a aplica¸c˜ao de heu ´ıs icas (especial-
men e eg as que especi iquem um con ex o mo -
ossin ´a ico) e o eino a pa i de g andes o-
lumes de co po a de onde se in e em eg as de
ipo es a ´ıs ico. A ano a¸c˜ao NERC passou as-
sim a o ma pa e dos paco es de u ilidades de
PLN mais comuns na a ualidade, acili ando o
p ocessamen o de ex os pa a o econhecimen o
de op´onimos.
Dado que as e amen as NERC o am de-
sen ol idas a pa i de co po a con empo ˆaneos
(Won e al.,2018), a aplica¸c˜ao em a ieda-
des his ´o icas da l´ıngua ˆe comp ome ido o de-
sempenho em un¸c˜ao da di e gˆencia a espei o
dos usos lingu´ıs icos a uais. No caso galego-
po uguˆes medie al, ainda conse ando uma es-
u u a g ama ical e egula idade mo ol´ogica
p ´oxima `as solu¸c˜oes con empo ˆaneas, a di icul-
dade em dada pelo g ande n´ume o de a ian-
es dos op´onimos, limi ando a aplicabilidade das
lis as (ex. as o mas Mondodnedo, Mondonedo,
Mondonnedo, Mondo˜nedo apa ecem odas num
mesmo co pus). O ecu so a con ex os sin ´a icos
ac i ados po pala as cha e ( igge s) que con-
ibuem pa a a de e¸c˜ao da en idade geog ´a ica
com maio p ecis˜ao, amb´em se ˆe condicionado
pelo en´omeno da a ia¸c˜ao (ex. eeg esia, igleSia,
ig essia, ig esya, ig igia, ig isia. . . a ´e 438
a ian es o am achadas pa a o mesmo ipo ge-
og ´a ico). Quan o meno seja a aplicabilidade de
lis as de en idades e de a i ado es, mais limi a¸c˜ao
nos ecu sos da e amen a e maio dependˆencia
na especi icidade das eg as ou no eino es-
a ´ıs ico. Po ´em, pa a consegui eg as mais es-
pec´ı icas, necessi a-se um maio n´ı el de PLN,
pa icula men e lema iza¸c˜ao e e ique agem mo -
ossin ´a ica que, da sua pa e, eque o uso de
lexicons espec´ı icos pa a a a iedade de l´ıngua.
Numa solu¸c˜ao es a ´ıs ica, o eino de modelos
necessi a de g andes co po a, com um olume
su icien e como pa a se em es a is icamen e e-
le an es. Pa a al´em de que es e ipo de ecu sos
s˜ao cus osos e eque em a en¸c˜ao expe a, exis e
ainda o p oblema de que a eno me p odu i i-
dade da a ia¸c˜ao, acen uada po a o es ais qual
´epoca, ´a ea geog ´a ica, ipologia ex ual e ainda
usos indi iduais, az com que as a ian es se mul-
ipliquem e eduzam as equˆencias dos e mos.
Mesmo que um sis ema NERC pa a ex os medi-
e ais possa se desenha com a mesma ecnologia e
p ´a icas u ilizadas pa a a l´ıngua con empo ˆanea,
a adap a¸c˜ao duma e amen a eque a disponibi-
lidade de ecu sos adicionais que comp ome em
o desempenho do p odu o inal. A nossa p inci-
pal con ibui¸c˜ao ´e a c ia¸c˜ao de ecu sos pa a o
galego-po uguˆes medie al e a sua in eg a¸c˜ao e
adap a¸c˜ao a uma e amen a de NERC j´a exis-
en e pa a a l´ıngua con empo ˆanea.
Mais p ecisamen e, nes e a igo ap esen amos
uma me odologia que analisa os componen es do
paco e de u ilidades PLN LinguaKi (Gamallo
& Ga cia,2017) com maio ele ˆancia pa a a
ano a¸c˜ao de op´onimos em ex os medie ais do
dom´ınio galego-po uguˆes. Pa indo dum con-
jun o de co po a com op´onimos ano ados ma-
nualmen e, p epa amos uma s´e ie de es es pa a
a alia o desempenho da e amen a con o me
se o am adicionando ou modi icando compo-
nen es, nomeadamen e lis as de en idades e a i-
ado es, a ´e desen ol e mos um no o m´odulo
NERC de LinguaKi adap ado a ex os medie-
ais do galego-po uguˆes. Mesmo se es e m´odulo
´e apenas uma p imei a e s˜ao a melho a , o e ece
um inc emen o mui o no ´a el na ab angˆencia e
medida-F pa a as en idades geog ´a icas a espei o
dos m´odulos de l´ıngua con empo ˆanea. O m´odulo
con ´em amb´em um okenizado , um lema izado
e um e ique ado mo ossin ´a ico, ainda em ase
de p o ´o ipo, odos eles adap ados pa a o galego-
po uguˆes medie al. O conjun o de m´odulos pa a
a l´ıngua his ´o ica, chamado de his gz, es ´a in e-
g ado em LinguaKi , com licen¸ca li e GPL 31.
Pa a al´em da in odu¸c˜ao, o es o do a igo
es ´a o ganizado como p ossegue. Na Sec¸c˜ao 2
mencionamos es a ´egias de ap oxima¸c˜ao a ex-
os his ´o icos pa a o econhecimen o de en idades
mencionadas e e emos o desempenho de e a-
men as NERC pa a o caso pa icula de en ida-
des geog ´a icas mencionadas em po uguˆes. A
Sec¸c˜ao 3desc e e os co po a u ilizados nos es es
e in oduz LinguaKi , a e amen a sob e a que
se ob ´em a no a u ilidade, cujas ases de desen-
ol imen o s˜ao a endidas na Sec¸c˜ao 4. A segui ,
a aliam-se os esul ados, com a en¸c˜ao pa icula
a alsos posi i os e alsos nega i os que apon am
pa a melho as mais imedia as e abalho u u o,
ecolhido, jun o com as conclus˜oes, na Sec¸c˜ao 6.
2 T abalho elacionado
A di iculdade de econhece en idades geog ´a icas
mencionadas em ex os an igos a o ece a
ano a¸c˜ao manual, mais ou menos auxiliada po
ambien es que acili em o labo expe o e possibi-
li em o abalho em equipa. Na p ocu a de maio
1h ps://gi hub.com/ci iususc/Linguaki
4– Linguam´
a ica Xa ie Canosa e al.
au oma iza¸c˜ao, em-se eco ido a sis emas inici-
almen e concebidos pa a o p ocessamen o de ex-
os con empo ˆaneos, com duas linhas de a ua¸c˜ao,
seja pela adap a¸c˜ao dos ecu sos u ilizados pela
e amen a, pa icula men e lis as de en idades,
ou adap ando o ex o, aplicando es a ´egias de
no maliza¸c˜ao com o obje i o de minimiza a a-
ia¸c˜ao lingu´ıs ica e ap oxima a l´ıngua his ´o ica
ao pad ˜ao con empo ˆaneo (Hend ickx & Ma qui-
lhas,2011;Ma quilhas & Hend ickx,2014)
As m´e icas mais comuns pa a a a alia¸c˜ao de
e amen as NERC s˜ao a p ecis˜ao, a ab angˆencia
e a medida-F que combina as duas p imei-
as (San os e al.,2007;Pin o e al.,2016).
Na d´ecada passada celeb a am-se e en os em
que co po a p e iamen e ano ados se iam de
pad ˜oes dou ados pa a medi o desempenho
de u ilidades NERC. Especialmen e ele an es
pa a o po uguˆes con empo ˆaneo o am as com-
pe i¸c˜oes do HAREM (San os & Ca doso,2007;
Mo a & San os,2008;F ei as e al.,2010). Os
melho es esul ados pa a a ca ego ia de Lu-
ga si ua am-se em 68,03% de p ecis˜ao e 73%
de ab angˆencia no p imei o e en o (San os &
Ca doso,2007) e p ecis˜ao 72,12%, ab angˆencia
80,17% no segundo (Cha es,2008).
Ainda no dom´ınio do pad ˜ao con empo ˆaneo,
es ado no co pus Bosque (A onso e al.,2002),
o sis ema NERC que deu luga aos m´odulos co -
esponden es de LinguaKi a ingiu 85% de p e-
cis˜ao e 57% de ab angˆencia (68% medida-F) na
ca ego ia de Luga (Gamallo & Ga cia,2011).
Es e mesmo sis ema oi amb´em adap ado pa a
a a iedade lingu´ıs ica galega, com esul ados de
medida-F de en e 74,5% e 80,4%, em un¸c˜ao do
ipo de a alia¸c˜ao ealizada (Ga cia e al.,2012).
Tes es mais ecen es, u ilizando os mesmos
co po a que o HAREM, o e ece am esul ados
mais baixos, de 62% p ecis˜ao e 66% ab angˆencia
pa a a mesma ca ego ia de Luga (Ama al e al.,
2014), o qual ´e indica i o de que n˜ao hou e um
a an¸co signi ica i o na esolu¸c˜ao do p oblema.
Em ela¸c˜ao com o econhecimen o de en-
idades em ex os an igos, a maio pa e dos
abalhos ˆem implemen ado es a ´egias de e -
min´ıs icas que combinam lis as de en idades com
heu ´ıs icas pa a cada ipo de en idade. Tan o
as ca a e ´ıs icas des e ipo de documen os, mui-
as ezes digi alizados median e OCR, como o
seu amanho azem com que a implemen a¸c˜ao
de sis emas es a ´ıs icos seja mais cus osa. Exis-
em, con udo, sis emas baseados em ap endiza-
gem au om´a ica, ais como By ne (2007), que
eina um modelo de m´axima en opia o ien ado
p incipalmen e `a iden i ica¸c˜ao de en idades que
se sob ep˜oem.
Den o dos m´e odos de e min´ıs icos as ap o-
xima¸c˜oes mais equen es s˜ao cen adas no docu-
men o (i.e., u iliza-se in o ma¸c˜ao de odo o ex o
pa a classi ica uma en idade, e n˜ao s´o o con ex o
da men¸c˜ao espec´ı ica a analisa ). Assim, Jones
& C ane (2006) classi icam 10 ipos de en idades
num jo nal ame icano do s´eculo XIX, com alo-
es de p ecis˜ao de en e 57% e 99% em un¸c˜ao
da classe. Bo in e al. (2007) analisam as en i-
dades mencionadas num co pus de li e a u a su-
eca do XIX, melho ando os esul ados com um
m´odulo de simila idade que compu a a dis ˆancia
de edi¸c˜ao en e as men¸c˜oes desconhecidas e as
lis as de en idades. Tamb´em median e m´aquinas
de es ados ini os e um conjun o de lis as (no-
mes, apelidos, e c.), G o e e al. (2008) iden i i-
cam en idades geog ´a icas e nomes de pessoa em
ex os pa lamen a es b i ˆanicos dos s´eculos XVII
a XIX.
De modo simila a es es ´ul imos, a me odolo-
gia emp egada no p esen e abalho adap a os
conjun os de a i ado es e de lis as de en ida-
des e implemen a eg as espec´ı icas pa a melho-
a o desempenho dum sis ema NERC em ex o
medie al.
Ainda que o n´ume o de abalhos de
ano a¸c˜ao de op´onimos aumen a pa icula men e
no campo das humanidades digi ais, s˜ao pou-
cos ainda os es udos espec´ı icos pa a a com-
pa a¸c˜ao do desempenho de e amen as NERC
em ex os his ´o icos. Canosa (2017) compa ou
o desempenho de e amen as pa a um co pus
em inglˆes do s´eculo XVII a ingindo esul ados
do 68% na medida-F com uma e amen a es-
a ´ıs ica einada em co po a mode nos e do 62%
com um sis ema de eg as p o is o duma lis a
espec´ı ica. Resul ados simila es, com a melho
medida-F p ´oxima a 70%, o am de no o ob idos
na compa a i a de cinco e amen as NERC con-
empo ˆaneas sob e c´o po a his ´o icos amb´em do
inglˆes em Won e al. (2018). Es es mesmos au-
o es ap esen am um expe imen o no idoso em
que se combinam as ano a¸c˜oes das dis in as e -
amen as NERC pa a escolhe o mais p o ´a el
em caso de di e gˆencia, a ingindo um 73,3% na
medida-F como melho esul ado.
3 Ma e iais e e amen as
Nes a sec¸c˜ao, ap esen amos os ecu sos ex uais
(co po a) e a e amen a de p ocessamen o da
l´ıngua na u al u ilizados na expe imen a¸c˜ao (Lin-
guaKi ).
Uma U ilidade pa a o Reconhecimen o de Top´onimos em Documen os Medie ais Linguam´
a ica – 5
3.1 Co po a
Como ma e ial de abalho pa a o eino
duma no a e amen a e a alia¸c˜ao de esul a-
dos u ilizou-se uma pa e dos ex os medie ais
ecolhidos ac ualmen e no Co pus in o ma izado
Galego-Po uguˆes An igo2(CGPA) (Va ela Ba -
ei o e al.,2016).
C´odigo co pus Tokens Top´onimos
Mens 18711 381
Toxosou os 44001 2945
Toxosou os gl 5138 295
CDMACM5 267965 2626
CDMACM5 gl 105172 844
Mens TX CD gl 128992 5760
Tabela 1: C´odigos dos co po a u ilizados pa a
ex a¸c˜ao de op´onimos e amanho dos co po a e
lis as ob idas.
O CGPA ´e o esul ado de euni numa pla-
a o ma conjun a co po a his ´o icos do galego,
do po uguˆes, do la im e do cas elhano elabo-
ados na Galiza, Po ugal e B asil. O n´ucleo
de ex os da Galiza o ma-o o co pus plu il´ıngue
Xelm´ı ez,Co pus ling¨u´ıs ico da Galiza medie al3
(Va ela Ba ei o,2009) do Ins i u o da Lingua
Galega (USC), em que es ˜ao in eg ados ex os e-
digidos em galego-po uguˆes (TMILG), em la im
(TMILL) e em cas elhano (TMILC). Os ex os
de Po ugal e do B asil n˜ao con ˆem ob as em la-
im ou cas elhano e es ˜ao ep esen ados po duas
ias. Po pa e po uguesa conco e o Co pus
In o ma izado do Po uguˆes Medie al4(CIPM)
(Xa ie ,2000) e po pa e b asilei a o Co pus
His ´o ico do Po uguˆes Tycho B ahe5(Gal es,
2018). Pelo momen o o g ande alo do CGPA
´e aze poss´ı el, po meio de pesquisa ´unica, o
acesso `a o alidade dos co po a in eg ados.
Os ex os do CGPA selecionados pa a es e
p ojec o pa icula de desen ol imen o duma e -
amen a de ano a¸c˜ao de en idades geog ´a icas
mencionadas ˆem a pa icula idade de con a-
em com a e ique agem dos op´onimos, po
quan o o am u ilizados an e io men e no In en-
a io Topon´ımico da Galiza Medie al6(ITGM)
(Va ela Ba ei o & Ma ´ınez Lema,2009). O
ITGM ´e um p ojec o lan¸cado em 2005 com
o in ui o de aze acess´ı el de o ma g adual
a o alidade do ma e ial opon´ımico p esen e
2h p://ilg.usc.gal/CGPA
3h p://sli.u igo.gal/xelmi ez/
4h ps://cipm. csh.unl.p /
5h p://www. ycho.iel.unicamp.b /~ ycho/
co pus/
6h p://ilg.usc.gal/i gm
na documen a¸c˜ao galega medie al, compilada e
codi icada no co pus Xelm´ı ez. No p ocesso
de ecupe a¸c˜ao da in o ma¸c˜ao, as ag upa¸c˜oes
de op´onimos ob i e am-se pela aplica¸c˜ao de
c i ´e ios lingu´ıs icos ( ela i os undamen almen e
ao p ocesso de lema iza¸c˜ao) e/ou de c i ´e ios
geog ´a ico-adminis a i os. No seu es ado ac-
ual, o ITGM acolhe 17.640 egis os opon´ımicos,
que emi em a um o al de 3.086 op´onimos
e ou os an os lemas. Des es ´ul imos, 2.876
(93% do conjun o) es ˜ao e e enciados com maio
ou meno ma gem de ce eza, no en an o ape-
nas pa a 7% (os 210 es an es) ca ecemos de
qualque pa ˆame o geog ´a ico-adminis a i o de
a ibui¸c˜ao.
A abela 1mos a os ex os p oceden es do
ITGM, ca ac e izados po an o po e em os
op´onimos ano ados manualmen e, que o am se-
lecionados pa a a ase de ecolhida de dados e
es es no p esen e p ojec o. Cada co pus e-
colhe ex os medie ais com uma mesma o igem
documen al, acess´ı el no CGPA em que apa e-
cem com c´odigo e e e ˆencia bibliog ´a ica indi-
idual. As ob as do CGPA escolhidas pa a o
desen ol imen o o am a Colecci´on diplom´a ica
do mos ei o de San iago de Mens (Zapico Ba -
bei o,2005), Os documen os do ombo de Toxos
Ou os (Rod ´ıguez & Ja ie ,2004)eaColecci´on
diplom´a ica medie al do A qui o da Ca ed al de
Mondo˜nedo (Cal Pa do,1999). Dado que nos
co po a iniciais h´a amb´em documen os em la-
im e cas elhano, ge ou-se uma segunda e s˜ao
s´o com os ex os em galego-po uguˆes (iden i i-
cada com a ex ens˜ao gl). Nos expe imen os inais
ag upam-se odos os documen os num ´unico a -
qui o (MensTXCDgl), a soma de seleciona s´o os
documen os galego-po ugueses dos ˆes co po a.
Na ase inal de a alia¸c˜ao u ilizou-se um no o co -
pus, o Li o de No as de ´
Al a o P´e ez (LNAP)
(Ta o Plaza,1999), sem ano a¸c˜ao de op´onimos
nenhuns na e s˜ao o e ecida pa a es e p oje o.
3.2 LinguaKi
LinguaKi ´e um paco e li e de e amen as mul-
il´ıngues pa a o p ocessamen o da linguagem
na u al que pode aplica -se ao po uguˆes, ga-
lego, inglˆes e espanhol. Con ´em m´odulos de
an´alise, ex a¸c˜ao, ano a¸c˜ao e co e¸c˜ao lingu´ıs ica.
LinguaKi pe mi e ealiza um amplo conjun o
de a e as, en e as quais se encon am: seg-
men a¸c˜ao em ases e okeniza¸c˜ao, lema iza¸c˜ao,
e ique agem mo ossin ´a ica, econhecimen o e
classi ica¸c˜ao de en idades mencionadas (NERC),
an´alise sin ´a ica de dependˆencias, esolu¸c˜ao de
co e e ˆencia a n´ı el de en idade, ex a¸c˜ao de e -
mos e de ela¸c˜oes semˆan icas, an´alise de sen i-
6– Linguam´
a ica Xa ie Canosa e al.
Figu a 1: A qui e u a u ilizada pelo His gz e p incipais modi ica¸c˜oes a espei o dos m´odulos j´a exis-
en es no LinguaKi .
men os, ano a¸c˜ao concei ual com liga¸c˜ao a e-
cu sos enciclop´edicos (en i y linking), co e¸c˜ao e
a alia¸c˜ao de l´exico e sin axe (s´o pa a o galego),
conjuga¸c˜ao e bal au om´a ica (exce o inglˆes), e-
sumo au om´a ico, iden i ica¸c˜ao de l´ıngua e isua-
liza¸c˜ao de conco dˆancias (pala as cha e em con-
ex o). O p esen e abalho oca-se nas a e as
elacionadas com o NERC, al e como mos a a
igu a 1, desc i a mais `a en e, na sec¸c˜ao 4.
O LinguaKi es ´a dispon´ı el como um se i¸co
web7e ´e acess´ı el ia REST ul API4.8O
c´odigo on e es ´a publicado sob licen¸ca GPL 3 e
acess´ı el desde eposi ´o io de Gi Hub (C . no a
de odap´e 1).
4 M´e odos e p ocedimen o
O abalho de adap a¸c˜ao do LinguaKi pa a o e-
conhecimen o de op´onimos medie ais ealizou-se
aplicando uma me odologia expe imen al. Con-
side ado um pa ´ame o, aplica am-se es es so-
b e os co po a pa a obse a como con ibui
pa a a ano a¸c˜ao dos op´onimos. P imei amen e
a endeu-se `a incidˆencia da lis a de op´onimos e a
lis a de a i ado es. As eg as e ajus es meno es
nos ecu sos de ipo mo ossin ´a ico ocupa am o
es ´adio inal. Os co po a o am in oduzidos no
7h ps://www.linguaki .com
8h ps://ma ke .mashape.com/linguaki /
linguaki -na u al-language-p ocessing-in- he-
cloud
desen ol imen o g adualmen e, de al modo que
uma ez conclu´ıda a necessidade de inclui um
componen e de melho a no m´odulo, se adiciona a
um no o co pus pa a a no a olda de expe imen-
os. As adap a¸c˜oes, ajus es, modi ica¸c˜oes e su-
plemen os elabo ados nos sucessi os ensaios o-
am implemen ados na a qui e u a do LinguaKi
como m´odulo independen e, chamado de His gz
(galego-po uguˆes his ´o ico). A igu a 1mos a
g a icamen e as p incipais modi ica¸c˜oes do no o
m´odulo a espei o dos m´odulos p ´e ios u ilizados
como base pa a o desen ol imen o. O His gz in-
clui an o a e as b´asicas de an´alise (segmen a¸c˜ao
em ases, okeniza¸c˜ao e queb a de con a¸c˜oes
ou sepa ado ), quan o p ocessos mais comple-
xos: e ique a¸c˜ao mo ossin ´a ica (PoS agging)
e NERC. As p incipais modi ica¸c˜oes o am eali-
zadas no NEC (que o ma pa e do NER) e no
e ique ado . O NEC ´e a a e a inal que classi ica
as en idades e pe mi e econhece os op´onimos.
4.1 Ex a¸c˜ao e elabo a¸c˜ao de lis as de
op´onimos
Pa a acili a os labo es de alida¸c˜ao das
ano a¸c˜oes ob idas po p ocedimen os au-
om´a icos, c ia am-se duas e s˜oes dos co po a:
uma s´o ex o, com os op´onimos sem ano a ,
pa a se usada como inpu pela e amen a
NERC, e ou a com os op´onimos ma cados
segundo a ano a¸c˜ao manual acili ada pela
Uma U ilidade pa a o Reconhecimen o de Top´onimos em Documen os Medie ais Linguam´
a ica – 7

Lis a de
op´onimos
Sem lis a
medie al
Sem lis a
medie al
lis a ac escen ada
com Lis a Mens
Lis a
ac escen ada com
Lis a Mens
En idade
geog ´a ica
mencionada
Ve dadei o
posi i o se
coincide
exa amen e com
a ano a¸c˜ao
manual
Ve dadei os
posi i os a pa i
do nome p ´op io
Ve dadei o
posi i o se
coincide
exa amen e com
a ano a¸c˜ao
manual
Ve dadei os
posi i os a pa i
do nome p ´op io
P ecis˜ao 57,53% 76,88% 72,97% 93,24%
Ab angˆencia 17,95% 23,99% 45,3% 57,89%
Medida-F 27,36% 36,57% 55,9% 71,43%
Tabela 2: Compa a i a de esul ados da ano a¸c˜ao do LinguaKi (com o m´odulo base em galego) sob e
o co pus Mens segundo lis a e c i ´e io de alida¸c˜ao dos e dadei os posi i os das en idades geog ´a icas
mencionadas.
equipa do ITGM que se i ´a de pad ˜ao dou-
ado e ecu so pa a a ex a¸c˜ao de op´onimos
e lis as pa a adiciona ao LinguaKi . As lis as
de op´onimos ob idas elacionam-se na ´ul ima
coluna da abela 1.
A lis a ´ul ima ´e a soma das lis as de
op´onimos ob idas dos co po a en ol idos no
dese ol imen o do m´odulo NERC medie al,
Lis a Mens TX CD ( abela 1) e apa ece in e-
g ada na lis a de en idades geog ´a icas do His gz
acess´ı el no eposi ´o io de Gi Hub (C . no a 1).
Os es es ealizados nas ases de desen ol imen o
u iliza am as lis as p og essi amen e, pa a dis-
ingui o e ei o da inclus˜ao de cada no a lis a
segundo se p ocessa a e ensaia a sob e um no o
co pus. Es e e ei o mos a-se na abela 2com
os esul ados do LinguaKi em galego condicio-
nados pelo uso ou n˜ao da lis a de en idades ge-
og ´a icas. As m´e icas mos am o limi e de ca-
pacidade do m´odulo quando a lis a con ´em odos
os op´onimos p esen es no ex o. Na a alia¸c˜ao
dos esul ados apa eceu amb´em como ele an e
o c i ´e io u ilizado pa a de ini o op´onimo. O
pad ˜ao dou ado ano a como op´onimos ases do
ipo “o ´ıo de Tallo”, “no Es o” ou o a igo
mesmo quando n˜ao oi g a ado com mai´uscula
“o Es o”, po ´em a lis a de en idades limi a o
op´onimo ao nome p ´op io. Nas p imei as a a-
lia¸c˜oes disc iminou-se en e os esul ados que
coincidiam plenamen e com as ano a¸c˜oes manu-
ais (s´o se a alia como e dadei o posi i o quando
se ano a exa amen e igual ao pad ˜ao, assim
“o ´ıo de Tallo”, “no Es o”) ace `aqueles em
que o nome p ´op io ´e su icien e pa a conside a
a ano a¸c˜ao como e dadei o posi i o (“Tallo”,
“Es o”). Es e ´ul imo c i ´e io, mais adequado
`as expec a i as eais de desempenho duma e a-
men a NERC, se ´a o que se aplique nos sucessi os
expe imen os.
Os expe imen os da abela 2mos am como,
mesmo com uma lis a que con ´em odos os
op´onimos p esen es no co pus, ainda ob endo
uma p ecis˜ao mui o al a, apenas se ecupe am
57,89% das en idades geog ´a icas mencionadas.
As eg as u ilizadas pelos m´odulos de l´ıngua con-
empo ˆanea p ecisam, po an o, melho as pa a
al´em das lis as que, con udo, esul am de e mi-
nan es pa a um bom desempenho (os esul a-
dos com a lis a s´o de op´onimos con empo ˆaneos
icam em apenas 36,57% na medida-F ace ao
71,43% ob ido ao ac escen a a lis a medie al).
4.2 Fil ado po l´ıngua
A an´alise dos p imei os es es, uma ez p oces-
sados os ex os e ex a´ıdos os op´onimos ano a-
dos manualmen e, mos a am as limi a¸c˜oes da
aplica¸c˜ao do m´odulo NERC mesmo com uma
lis a de op´onimos espec´ı ica. Po ´em, o p i-
mei o ac o a conside a pa a a melho a de e-
sul ados n˜ao ´e de ido ao paco e PLN, mas aos
p ´op ios ex os a ano a . Com e ei o, ao a-
balha com o conjun o dos co po a, apa ecem
ex os em la im e, em meno medida e em do-
cumen os mais a dios, espanhol, que necessa-
iamen e condicionam a e e i adade dos ecu -
sos e das heu ´ıs icas classi ica ´o ias, dependen es
duma sele¸c˜ao lingu´ıs ica p ´e ia (ex. illa ´e de-
mons a i o em la im, mas nome comum “ e a
odeada po ma ” em galego). Faz-se necess´a ia,
po an o, a disc imina¸c˜ao po idioma. Os co -
po a u ilizados nos indou os expe imen os (To-
xosou os e CDMACM5) o am p ocessados pa a
ob e apenas o ex o galego(-po uguˆes), iden i i-
cado com a ex ens˜ao gl nos c´odigos da abela 1.
8– Linguam´
a ica Xa ie Canosa e al.
P ecis˜ao Ab angˆencia Medida-F lis a com os
op´onimos do co pus
Lis a de
a i ado es
82,26% 25,67% 39,13% N˜ao N˜ao
96,22 59,73% 73,71% Sim N˜ao
77,5% 36,41% 49,54% N˜ao Sim
90,31% 62,58% 73,93% Sim Sim
Tabela 3: Compa a i a de esul ados segundo o uso de lis a de a i ado es e op´onimos no co pus Mens
(596 en idades geog ´a icas ano adas no ex o pad ˜ao).
A i ado es
Lis a de a i ado es
expandida po combina ´o ia
de ca ac e es
Lis a de a i ado es ecupe ada po
inspe¸c˜ao de conco dˆancias no
CGPA
P ecis˜ao 76,74% 76,16%
Ab angˆencia 32,76% 33,06%
Medida-F 45,92% 46,11%
Tabela 4: Compa a i a de esul ados a iando a lis a de a i ado es sob e o co pus
Mens TX CDMACM5 gl (3.373 en idades geog ´a icas ano adas no co pus pad ˜ao).
4.3 Lis a de a i ado es
O p imei o componen e conside ado pa a a
melho a do desempenho do m´odulo uma ez
comp o ada a limi a¸c˜ao da lis a de op´onimos
oi a lis a de a i ado es pa a en idades ge-
og ´a icas (TwLOC). Da inspec¸c˜ao expe a de
conco dˆancias dos op´onimos ex a´ıdos do p i-
mei o co pus usado nos es es (Mens) ob e e-se
manualmen e uma lis a de 38 e mos geog ´a icos,
con ando como unidades dis in as odas as a-
ian es dum mesmo e mo. Assim, na mesma
lis a apa ecem odas as a ian es achadas no co -
pus associ´a eis a eg esia ( eges´ıa, ijgles´ıa, ij-
g es´ıa, jg es´ıa, leg es´ıa, ijgues´ıa, ig es´yas),
mos ei o (moes ei o, moes ey o, mos ei o, mos-
ei os), ila ( ila, illa, jla) jun o com e mos
geog ´a icos com uma ´unica oco ˆencia ( en¸ca).
Dado que uma boa pa e dos e mos s˜ao a-
ian es do mesmo ipo, expe imen ou-se com a
expans˜ao da lis a de a i ado es median e a com-
bina ´o ia de ca ac e es equi alen es (ex. na-
sal pala al nn,nh,nj,ni,jn,yn,in,˜n,gn;
ogais simples e geminadas o,oo; ogais na-
sais e e mina¸c˜oes ˜o,om,on; sibilan es, la e al
pala al, e c.).
Pa alelamen e ez-se um le an amen o manual
de e mos geog ´a icos a pa i das lis as de ipos
ex a´ıdas do CGPA de onde se ob ˆem 1.900 e -
mos geog ´a icos (dispon´ı eis na pas a de a i ado-
es do p ´op io m´odulo His gz de LinguaKi ).
Os esul ados da aplica¸c˜ao da lis a de e mos
expandidos a i icialmen e n˜ao p opo ciona am
um inc emen o sob e a lis a manual ( abelas 3e
4) e, oda ez que es a con ´em as o mas o iginais
dos co po a, icou es a ´ul ima como a solu¸c˜ao i-
nalmen e adop ada pa a o no o m´odulo.
Ao empo que se elabo ou a no a lis a de a i-
ado es com e mos geog ´a icos, ecolhe am-se
e mos adicionais com alo de a i ado em con-
ex os mais espec´ı icos, ag upados em uma lis a,
nongeo, compos a p incipalmen e po ´ı ulos, ex.
a cebispo, ei. Recolhe 686 e mos, com um al o
n´ume o de a ian es pa a o mesmo ipo.
4.4 Reg as classi ica ´o ias
O m´odulo NERC aplica a lis a de a i ado es po
meio de eg as que p io izam a classi ica¸c˜ao numa
classe den o das qua o ca ego ias de en idades
mencionadas (PER Pessoa, LOC Luga , ORG
O ganiza¸c˜ao e MISC Miscelˆanea). Um exemplo
de eg a ´e aquela que classi ica um nome p ´op io
como en idade geog ´a ica mencionada quando
n˜ao se acha em nenhuma das lis as de en ida-
des e o e mo p eceden e o a p eposi¸c˜ao em.
Ou a classi ica como nome de pessoa odo nome
p ´op io amb´ıguo em ausˆencia de ou os condici-
onan es. Assim, se uma exp ess˜ao apa ece em
ambas as lis as de pessoas e op´onimos, se ´a con-
side ada PER e n˜ao LOC po quan o os an-
op´onimos s˜ao mais equen es do que os no-
mes de luga . Resul a ´ob io que as eg as ˆem
um endimen o pe cen ual e n˜ao ep esen am o
100% dos casos (ex. Penso em Ruy da ia e o
com a p imei a eg a ci ada da p eposi¸c˜ao em,
eSan iago se ia classi icado semp e como nome
de pessoa se es i e em ambas as duas lis as de
en idades LOC e PER e n˜ao hou esse con ex o
nenhum pa a a desambigua¸c˜ao).
Uma U ilidade pa a o Reconhecimen o de Top´onimos em Documen os Medie ais Linguam´
a ica – 9
Reg as complemen a es, como a aplica¸c˜ao de
con ex os g ama icais e as lis as de a i ado es,
pe mi em co igi pa cialmen e os e os de i a-
dos das eg as mais gen´e icas. Como o p o-
blema ´e classi ica ´o io, quan o melho se disc i-
minem as ou as ca ego ias, melho es esul a-
dos se ob e ˜ao na classe de en idades geog ´a icas.
Po ´em, dado que nes a adap a¸c˜ao de LinguaKi
o oco de es udo o am os op´onimos, as eg as
ca ac e ´ıs icas do m´odulo conside am exclusi a-
men e as en idades geog ´a icas, desambiguando
os con ex os g ama icais e p ecisando o mas es-
pec´ı icas da l´ıngua medie al (caso das con a¸c˜oes
da p eposi¸c˜ao em, ex. enno). O ecu so a lis-
as de ca ego ias n˜ao geog ´a icas az-se quando
´e poss´ı el c ia uma eg a que melho e a ecu-
pe a¸c˜ao de op´onimos. Assim uma lis a de a i-
ado es pa a en idades da ca ego ia pessoa (ex.
bispo,empe a iz, ainha, ei, e c.), ex a´ıda ao
empo que se ecolhe am os a i ado es geo, pe -
mi e classi ica como nomes de pessoa os nomes
p ´op ios p ecedidos dos e mos que assinalam a
en idade pessoa (PER) em casos como:
bispo <PER>Payo Rod igues</PER>
No en an o, an e p eposi¸c˜ao em ou de e, opci-
onalmen e, a igo, as eg as aplicam a lis a pa a
econhece uma en idade geog ´a ica:
bispo de <LOC>Mondonedo</LOC>
Idealmen e, o sis ema de ia amb´em econhe-
ce e classi ica bispo de Mondonedo como pes-
soa mas o abalho p esen e es ´a ocado no eco-
nhecimen o de op´onimos e a e amen a de ex-
a¸c˜ao n˜ao oi con igu ada pa a iden i ica en i-
dades den o da exp ess˜ao duma ou a en idade.
4.5 Lexicon e modelo de l´ıngua
Pa a a e ique agem mo ossin ´a ica p ´e ia `a clas-
si ica¸c˜ao das en idades mencionadas, LinguaKi
usa um lexicon que egis a o lema ou lemas e alo-
es g ama icais de cada exp ess˜ao. Na aussˆencia
dum co pus lema izado e e ique ado mo ossin-
amen e que pe mi isse cap u a ecu sos e ei-
na um modelo espec´ı ico de l´ıngua medie al,
jun a am-se os lexicons de galego e po uguˆes
ac escen ados com um no o dicion´a io c iado a
pa i dos e mos de maio equˆencia (m´ınimo 20
oco ˆencias) nos co po a usados na ase de desen-
ol imen o ( abela 1). Pa a a desambigua¸c˜ao da
e ique a mo ossin ´a ica (ex. e a: nome comum
eminino singula ou e bo impe ei o indica i o
da p imei a ou e cei a pessoa), u ilizou-se o mo-
delo de galego, p e e ido po quan o man ´em os
p onomes encl´ı icos ligados ao e bo sem ma ca
nenhuma. Pa e dos ex os medie ais ano a-
dos au oma icamen e nos es es mencionados nas
sec¸c˜oes an e io es o am e is os pa a se em u i-
lizados num eino m´ınimo de big amas de o-
kens adicionado ao modelo con empo ˆaneo. O
modelo c iado ´e u ilizado po um desambigua-
do bayesiano pa a le a a cabo a e ique agem
mo ossin ´a ica al como desc e e Ga cia & Ga-
mallo (2015).Mais conc e amen e, es e m´odulo ´e
um classi icado bayesiano baseado em big amas
de pa es < oken, e ique a >. Pa a pode a i-
bui uma ma ca (ou e ique a mo ossin ´a ica) a
um oken, o classi icado calcula a p obabilidade
de cada ma ca dado o oken al o omando em
con a o con ex o `a esque da e `a di ei a, nomea-
damen e omando em con a as e ique as imedia-
amen e `a esque da e `a di ei a do oken al o. O
algo i mo desambigua de esque da `a di ei a, de
al manei a que o con ex o esque do dum oken
amb´ıguo ´e um ou o oken j´a desambiguado, ´e di-
ze , ao qual j´a oi a ibu´ıdo uma ´unica e ique a.
4.6 Ajus es inais
A aplica¸c˜ao do m´odulo sob e os co po a de de-
sen ol imen o ep esen a uma ap oxima¸c˜ao ao
que se ia o limi e m´aximo de ano a¸c˜ao do no o
m´odulo quando ope a nas condi¸c˜oes id´oneas
de ab angˆencia o al da lis a de en idades ge-
og ´a icas e ex os com op´onimos cujos ipos ge-
og ´a icos apa ecem ecolhidos na lis a de a i ado-
es. A abela 5mos a o esul ado de a ia es-
es componen es com as eg as a ualizadas. Nas
melho es condi¸c˜oes, mesmo com uma lis a que
con ´em odos os op´onimos do co pus a ano a ,
a ab angˆencia m´axima apenas a inge o 60%.
Os ´ul imos es es se i am pa a con i ma a
con igu a¸c˜ao ´o ima a espei o dos pa ˆame os em
que a di e en¸ca no desempenho esul ou se me-
no (expans˜ao da lis a de a i ado es e eg as es-
pec´ı icas) e ealiza co e¸c˜oes meno es e pon u-
ais em casos de ambiguidades que, sendo mui o
espec´ı icas dos documen os u ilizados no eino,
podiam a e a nega i amen e o desempenho nou-
os ex os.
5 A alia¸c˜ao
Pa a a a alia¸c˜ao da con igu a¸c˜ao inal do m´odulo
His gz u ilizou-se o co pus LNAP, p esen e na
cole¸c˜ao do CGPA, mas n˜ao u ilizado nas ases
de desen ol imen o. O ex o amb´em n˜ao em
nenhuma ano a¸c˜ao de op´onimos e apenas eque-
eu um p ´e-p ocessamen o b´asico pa a se en i-
ado como inpu pa a o LinguaKi . Pa a a a-
lida¸c˜ao dos e dadei os e alsos posi i os e nega-
10– Linguam´
a ica Xa ie Canosa e al.
Top´onimos Sem lis a de
op´onimos
Com lis a de
op´onimos
A i ado es Sem lis a de
a i ado es
Com lis a de
a i ado es
P ecis˜ao 86,15% 85,12%
Ab angˆencia 14,2% 60,36%
Medida-F 24,38% 70,63%
Tabela 5: Con igu a¸c˜oes inais do His gz pa a a ano a¸c˜ao dos p ´op ios co po a usados no eino
Mens TX CDMACM5 gl (3.373 en idades geog ´a icas ano adas no pad ˜ao)
FALSOS NEGATIVOS
mo ado mo ado NCMS000
˜ena en+a SPS00+DA
eig esja eg esia NCFS000
de de SPS00
San a Co˜oba de R i˜ajo san a co˜oba de i˜ajo NP00SP0
En en SPS00
San Tom´e de o Ma san om´e de o ma NP00SP0
mo ado mo ado NCMS000
˜ena en+a SPS00+DA
di a di a NCFS000
S˜a s˜a NP00O00
Mjgell mjgell NP00V00
Tabela 6: Exemplos de a alia¸c˜oes com alsos nega i os sob e a ano a¸c˜ao do His gz. As e ique as
NP00SP0, NP00O00, NP00V00 ep esen am espe i amen e as classes PER(soa), ORG(aniza¸c˜ao) e
MISC(el´aneo).
i os ( abela 6) e i am-se odos os ou pu s ma-
nualmen e. Dado que es e ´e um abalho cus-
oso, u iliza am-se apenas os documen os iniciais
do co pus a ´e supe a os 2.000 okens (12 docu-
men os com 2.060 okens em o al). A abela 6
o e ece uma pequena amos a da sa´ıda de His gz,
onde cada unidade lexical do ex o de en ada se
di ide em ˆes colunas: oken, lema e e ique a. O
conjun o de e ique as emp egado em po ol a
de 250 e ique as mo ossin ´a icas e baseia-se nas
ecomenda¸c˜oes do G upo EAGLE.9
5.1 Resul ados
Vis o que n˜ao h´a e amen as espec´ı icas pa a
abalho com l´ıngua medie al, a a alia¸c˜ao de e-
sul ados cen a-se na melho a do no o m´odulo,
His gz, com os j´a exis en es pa a l´ıngua con-
empo ˆanea no p ´op io LinguaKi . O g ´a ico da
igu a 2mos a os esul ados ob idos pela a-
lida¸c˜ao manual das ano a¸c˜oes ob idas com as con-
igu a¸c˜oes dos m´odulos His gz (galego-po uguˆes
9h p://www.cis.uni-muenchen.de/~schmid/ ools/
T eeTagge /da a/Po uguese-Tagse .h ml
medie al), gl (galego) e p (po uguˆes) sob e o
ex o com os documen os do co pus LNAP. O
es e mos a o inc emen o do desempenho a es-
pei o dos m´odulos j´a exis en es no paco e do Lin-
guaKi pa a galego e po uguˆes a uais ( igu a 2).
A ab angˆencia, a medida que mais se ˆe condici-
onada pela adequa¸c˜ao da lis a de op´onimos ao
co pus (c . abelas 3,4e5), ´e a que mos a
um inc emen o mais no ´a el, ao n´ı el mesmo da
ob ida nos es es mais a o ´a eis du an e a ase
de desen ol imen o (c . abela 5). A p ecis˜ao
amb´em ob ´em um melho endimen o a espei o
das e s˜oes de l´ıngua con empo ˆanea, po ´em o
desempenho ´e meno que o ob ido nos es es de
desen ol imen o, mesmo nas si ua¸c˜oes mais ad-
e sas (c . abela 3). A compa a¸c˜ao com ou-
os sis emas ica o a dos obje i os p esen es,
po quan o o His gz ´e um p odu o ope a i o mas
em es ado mui o inicial e po se em os es es
ealizados sob e um ex o ainda que n˜ao u ili-
zado no eino, sim p esen e na mesma cole¸c˜ao
do CGPA a que pe encem os co po a usados
na ase de desen ol imen o. Apenas como e-
e ˆencia das expec a i as que se podem agua -
da dum sis ema de econhecimen o dis in o a
Uma U ilidade pa a o Reconhecimen o de Top´onimos em Documen os Medie ais Linguam´
a ica – 11