Post on 16-Jan-2016
description
4-6 febrero 2002 IWCL02 1
Treebanks: estado de la cuestión
y desarrollo del treebank CLiC-TALP
Montserrat CivitNúria Bufí
Mª Antònia Martí
4-6 febrero 2002 IWCL02 2
Esquema de la presentación:
• Qué es un treebank?• Utilidades de un treebank?• Metodologías de desarrollo• Estado de la cuestión• Dos ejemplos paradigmáticos• Propuesta para el español: problemas concretos
4-6 febrero 2002 IWCL02 3
Definición y utilidades de un treebank
1. inferencia / extracción de conocimiento lingüístico2. aplicaciones PLN:
inferencia de gramáticasaprendizaje para la desambiguación automática
Utilidades
corpus anotado con información de estructura de frase(McEnery)
Definición
4-6 febrero 2002 IWCL02 4
Metodología
Anotación manualAnotación semi-automática:
Gramática etiquetación corrección / validaciónmanual
Gramática aetiquetación
corrección / validaciónmanual
Gramática b
4-6 febrero 2002 IWCL02 5
Estado de la cuestión (1): Treebanks existentes
(principales treebanks: listado no exhaustivo)
1. NEGRA / TIGER (alemán; 350.000 tokens)2. PDT: Prague Dependency Treebank (checo; 450.000 tok.)3. Corpus Le Monde (francés; 1.000.000 tokens)4. TUT: Turin University Treebank (italiano; 1.000 oraciones)5. Spanish Treebank (UAM) (1.500 oraciones)6. ISST: Italian Syntactic-Semantic Treebank (300.000 tok.)7. Penn Treebank (inglés; 3mill. / 2 mill)8. Susanne Corpus (inglés; 120.000 tokens)
4-6 febrero 2002 IWCL02 6
Estado del Arte (2): conceptos básicos
Nivel de anotación:morfología / sintaxis / (semántica)
Sintaxis: Constit. Funcio. Depend. Mixto
NEGRA (+) (+) +
PDT + + +
Le Monde + +
TUT +
Spanish +
ISST (+) (+) (+) +
Penn + +
Susanne + +
4-6 febrero 2002 IWCL02 7
Dos ejemplos paradigmáticos
PDT: dependencias
NEGRA / Le Monde: constituyentes y funciones
3 niveles de anotación
-morfológico-ATS (analytical tree structure)-TGTS (tectogrammatical tree structure)
3 niveles de anotación-morfológico-constituyentes-funciones sintácticas
4-6 febrero 2002 IWCL02 8
PDT (1)
morfología: 3030 etiquetas 187 clases de ambigüedad
ATS:• relaciones de dependencia superficiales• 60 etiquetas básicas (x 3: coord / apos. / parent.)• 25 funciones analíticas• funciones para nodos auxiliares• estructura head -- modificador
• problemas de la coordinación• se admiten dobles funciones (casos dudosos)
4-6 febrero 2002 IWCL02 9
PDT (2)
ATS: representación
• palabra / signo puntuación nodo• # nodos = [ # palabras / signos + 1 (root)]• no hay cruce de ramas• TAGs de cada nodo:
• forma• etiqueta morfológica• etiqueta sintáctica
4-6 febrero 2002 IWCL02 10
PDT (3)
Ejemplo de anotación ATS:Emilio perdió la titularidad en el Real_Madrid .
AuxS
PERDIÓ(pred)
EMILIO(sujeto) TITULARIDAD
(objeto)
EN(AuxP)
REAL_MADRID(adv)
EL(atrib)
.(AuxK)
LA(atrib)
4-6 febrero 2002 IWCL02 11
PDT (4)
TGTS:
• representaciones subyacentes de la oración• sólo los nodos autosemánticos reciben tag• TAGs para cada nodo:
• lema de la palabra autosemántica• gramatemas morfológicos (sgdo. categorías morfológicas)• functores: funciones tectogramaticales (actor, patient, etc.)
Conversión ATS > TGTS: fase automática + fase manual
4-6 febrero 2002 IWCL02 12
PDT (5) ATS > TGTS:
Proceso automático:a) asignación de atributos
• modalidad oracional• sujeto verbos activos = ACTOR• símbolos gráficos > valores borrado
b) cambios en la estructura del árbol• fusión formas verbales analíticas > lema autosemántico• fusión nodos preposiciones y conjunciones complejas• borrado nodos preps/conj previa conversión a gramatemas• cambio dirección algunas dependencias• borrado nodos auxiliares
Proceso manual
4-6 febrero 2002 IWCL02 13
AuxS
PERDIÓ(pred)
EMILIO(sujeto) TITULARIDAD
(objeto)
EN(AuxP)
REAL_MADRID(adv)
.(AuxK)
EL(atrib)
PDT (6)
ATS:AuxS
PERDIÓ(pred)
EMILIO(sujeto) TITULARIDAD
(objeto)
EN(AuxP)
REAL_MADRID(adv)
EL(atrib)
.(AuxK)
LA(atrib)
4-6 febrero 2002 IWCL02 14
PERDER
EMILIOactor TITULARIDAD
patient
REAL_MADRIDlocative
PDT (6)
REAL_MADRIDprep= endet=elADV
PERDIÓtiempo=paspers=3núm=sg
TGTS:
4-6 febrero 2002 IWCL02 15
4-6 febrero 2002 IWCL02 16
NEGRA (1)
Anotación sintáctica de:
• estructura sintáctica (parentización)• categorías sintácticas (etiquetas para constituyentes)• funciones gramaticales
No hay categorías vacías
Estructuras totalmente planas (X’’ y X0)
Se permite el cruce de ramas
4-6 febrero 2002 IWCL02 17
4-6 febrero 2002 IWCL02 18
Le Monde
chunker clustering léxicoparser marcaje constituyentes no recursivostagger funcional asignación funciones sintácticas
<NP> Marie </NP> <VN> aime </VN> <NP> les fraises </NP> <COORD> et
<NP> Paul </NP> <NP> les bananes </NP>
</COORD>
Marcaje de constituyentes:
4-6 febrero 2002 IWCL02 19
El corpus CLiC-TALP:
• etiquetación morfológica(MACO + RELAX)• chunking sintáctico(TACAT + gramática chunks)
Punto de partida:
Anotación sintáctica manual
4-6 febrero 2002 IWCL02 20
(algunos) Problemas concretos (1):
1. Sistema teóricamente neutro?Sí: NEGRA / Le MondeNo: PDT, PennTB
2. Niveles de anotacióna) constituyentesb) constituyentes y funciones (NEGRA, Le Monde)c) dependencias (PDT, ISST)
3. Contenido de la anotación de funcionesa) complementos nominales y verbales?b) distinción argumentos / adjuntos?c) sujeto = argumento?
4-6 febrero 2002 IWCL02 21
(algunos) Problemas concretos (2):
4. Subespecificación de funciones?
5. Categorías vacías y elipsis:a) qué casos?b) coindización?c) tipos de coindizaciónd) alcance de la recuperabilidad de la categoría elíptica?
6. Categoría predicado o sintagma verbal?
7. Alteración del orden superficial de las oraciones?
8. Elementos discontinuos?
4-6 febrero 2002 IWCL02 22
9. Algunas subordinadas adverbiales:a) estructuras paralelas?b) estructuras de tipo ADJUNTO?
(algunos) Problemas concretos (3):
10. Tratamiento de dobles funciones sintácticas?
11. Tratamiento de las formas no personales del verbo
12. Distinción distintos tipos de sujeto?
13. Argumentos no realizados sintácticamente (caso particular de elipsis)
14. La coordinación y los sintagmas sin núcleo
4-6 febrero 2002 IWCL02 23
15. Las ambigüedades en el attach:a) hacer una por defecto (la más alta)?b) (además) marcar
b1- el otro posible attach?b2- que es ambiguo?
(algunos) Problemas concretos (4):
16. Establecer distintos tipos de oración(a nivel sintáctico)
4-6 febrero 2002 IWCL02 24
17. Elementos textuales
(algunos) Problemas concretos (5):
18. C. Predicativo:
marcaje de la relación con el sujeto / OD ?
19. Modalidades oracionales
20. etc.
4-6 febrero 2002 IWCL02 25
Jerarquía de funciones (complementos verbales)
Complementos
Argumentos Adjuntos
C.Ag
CD
CI
Sujeto
CPred
CReg
Atributo
Tiempo Modo
Lugar
4-6 febrero 2002 IWCL02 26
Jerarquía de funciones (complementos verbales)
Complementos
Argumentos Adjuntos
C.Ag
CD
CI
Sujeto
CPred
CReg
Atributo
Tiempo Finalidad
Lugar Causa
Modo
4-6 febrero 2002 IWCL02 27
Jerarquía de funciones (complementos verbales)
Complementos
Argumentos Adjuntos
C.Ag
CD
CI
Sujeto
CPred
CReg
Atributo
TiempoFinalidad
Lugar CausaModo
Compañía
CantidadInstrumento
4-6 febrero 2002 IWCL02 28
Jerarquía de oraciones
S
Principal Subordinada
Finita No-finita
Relativa
Completiva
Adverbial
S Sfr Sfc SfaSnf
4-6 febrero 2002 IWCL02 29
Jerarquía de oraciones
S
Principal Subordinada
Finita No-finita
S Sfr
Sfq
SfaSnf
Sfi
Relativa
Completiva
Adverbial
que Interrog
4-6 febrero 2002 IWCL02 30
Jerarquía de funciones (complementos verbales)
Complementos
Argumentos Adjuntos
C.Ag
CD
CI
Sujeto
CPred
CReg
Atributo
TiempoFinalidad
Lugar CausaModo
Compañía
CantidadInstrumento
4-6 febrero 2002 IWCL02 31
[[ Mi marido lesi había hecho un gran favor a aquella pobre gente i ]y [ Ø i querían agradecérselo]]
[[ Mi marido les había hecho un gran favor a aquella pobre gente i ]y [ Ø i querían agradecérselo]]
referente más cercano?:
-¿ Øm Quieresm un refresco?
[[ Mi marido les había hecho un gran favor a aquella pobre gente i ]y [ Øi/m querían m agradecérselo]]
sujeto elíptico:
4-6 febrero 2002 IWCL02 32
-¿Quieres un refresco?- He tomado tres en casa- ¿Un helado, entonces?
-¿ Øi Quieresj un refresco?- He tomado tres en casa- ¿ Øi Øj Un helado, entonces?
Se rebasa el límite oracionalen la búsqueda del referente?
NO se rebasa el límite oracionalen la búsqueda del referente?
-¿ Quieres un refresco?- He tomado tres en casa- ¿Un helado, entonces?
4-6 febrero 2002 IWCL02 33
Me gusta la cultura del pelotazo porque sacrifica la búsqueda de lo útil en favor del cultivo de lo admirable
Sintagma verbal o Predicado:[verbo > argumentos > adjuntos]
alteración orden superficial
[la cultura del pelotazo]i
Me gusta []i porque sacrifica la búsqueda de lo útil en favor del cultivo de lo admirable
... y que se crease [ algo parecido a un ataque interior] para equilibrar las cosas con Sabas
4-6 febrero 2002 IWCL02 34
Pero el Real_Madrid de anoche era tan terrenal, tan rural incluso, que despertaba ese sucedáneo de la piedad que llamamos simpatía.
Oraciones condicionales, concesivas, comparativas, consecutivas.
S
S1 S2
Pero el Real_Madrid de anoche eratan terrenal, tan rural incluso,
que despertaba ese sucedáneode la piedad que llamamossimpatía
4-6 febrero 2002 IWCL02 35
S
Pero el Real_Madrid de anoche eratan terrenal, tan rural incluso,
que despertaba ese sucedáneode la piedad que llamamossimpatía
4-6 febrero 2002 IWCL02 36
Si la señora Aguirre quiere castigar la suciedad de Madrid en generalseñora Aguirre
Sujeto
¿Qué te gustaría ser cuando seas mayor?te
OI
Sujeto
4-6 febrero 2002 IWCL02 37
Tengo que ganar dinero para mantener a mis hijos
mantener a mis hijos
Snf
S
Tengo que ganar dinero para
grup-verb sn-OD grup-sp-ADJFIN
prep
v-nofin sp-OI
Øi
4-6 febrero 2002 IWCL02 38
Tengo que ganar dinero para mantener a mis hijos
S
Tengo que ganar dinero para
grup-verb sn-OD grup-sp- ADJFIN
prep
a mis hijos
sn-inf
mantener
infinitiu sp-OI
4-6 febrero 2002 IWCL02 39
Eran cuatro hermanas y todas fueron separadas
Los actuales 20.000 cascos azules habrán de ser sustituidos por fuerzas armadas
para señalar que se dan, mundo adelante, excesos folletinescos en las informaciones
se les hizo una sola pregunta
La entrometida decencia impediría hacer esos regalos
El problema está en que el presupuesto del común de los mortales no admite grandes despilfarros
4-6 febrero 2002 IWCL02 40
el que la derriba ha ido de la insatisfacción a la violencia
a veces un peón va a caballo a ver a la novia
aturdida por el miedo de la oportunidad que se le iba
el cuerpo de Clanton iba en el primer coche
a) argumentos / adjuntosb) realización argumentos
ir de a a b en cde a a b en c a b en c ir
4-6 febrero 2002 IWCL02 41
antes de nada, amo, admiro y respeto a Cayetana_de_Alba
Sintagma con núcleo: (Le Monde)
grup-verb
verbo
verbo
grup-verb-coord
verbocoord
grup-verb-coord
amo admiro respetoy,
4-6 febrero 2002 IWCL02 42
antes de nada, amo, admiro y respeto a Cayetana_de_Alba
Sintagma sin núcleo: (PDT)
grup-verb
verbo verbo verbocoord
amo admiro y respeto
4-6 febrero 2002 IWCL02 43
Hace años, antes de que subieran allí arriba, en diciembre no Ø llovía
-¿ Øm Quieresm un refresco?
Impersonales
Sujeto elíptico sin referente oracional
Sujeto elíptico con referente oracional (indización doble???)
[[ Mi marido les había hecho un gran favor a aquella pobre gente i ]y [ Øi/m querían m agradecérselo]]
4-6 febrero 2002 IWCL02 44
Inesperadamente, los límites de su vida se habían reducido a la mínima expresión
Pero esto, con ser mucho, no fue todo.
Es que, doña Laurita, no sabe qué penalidades nos van cercando
Sin_embargo, ahora te vemos distinto
Etiqueta especial: E(lementos) T(extuales)
4-6 febrero 2002 IWCL02 45
4-6 febrero 2002 IWCL02 46
4-6 febrero 2002 IWCL02 47
La facultad de aprender y reaccionar ante nuevas situaciones
Vi al hombre con el telescopio
Dada la coordinación, generalizar no implica error ni pérdida de información
Hacer el attach al nodo más alto puede implicar error
La misma decisión tiene efectos distintos:
(reaccionar)(aprender y reaccionar)
(al hombre)(Vi) al hombre