Anotação automática semissupervisionada de papéis semânticos para o português do Brasil

Abstract

A minha família, pelo seu amor, sua confiança e seu apoio em todos os caminhos que me proponho seguir. Sem eles não estaria aqui, confiante de que posso enfrentar qualquer desafio que se apresente. Sei que sempre posso contar com vocês, sem importar a distância que nos separe.Ao meu orientador, o Prof. João Rosa, pela oportunidade de pesquisar em umaárea muito interessante do processamento de língua natural, e a confiança depositada no meu trabalho durante o mestrado.A Profa. Mirella Lapata, minha supervisora durante o estágio na Universidade de Edimburgo, pela orientação e conselhos sobre como realizar boa pesquisa naárea, e as palavras motivadoras quando parecia que o estágio não cumpriria com os objetivos propostos.Aos membros do NILC, professores e alunos, pelas conversas, cafezinhos, festas, happy hours e, em geral, todos os momentos de convivência. Obrigado por terem compartilhado comigo a sua motivação e determinação por realizar pesquisa em umaárea tão desafiadora comoé PLN.Aos "nilcenses" e os meus amigos do ICMC, aqueles que conheci durante as aulas ou nas horas de lazer. Muito obrigado por terem sido minha família no Brasil, e terem me ajudado a emadurecer e me tornar uma melhor pessoa.A FAPESP (Fundação de Amparoà Pesquisa do Estado de São Paulo) pelo apoio financeiro durante o mestrado e o estágio no exterior.i Palavras-chave: Anotação de papéis semânticos. Aprendizado semissupervisionado. Processamento de língua natural.iii Abstract Semantic role labeling (SRL) is a natural language processing (NLP) task able to analyze part of the meaning of sentences through the detection of the events they describe and the participants involved, which is essential for computers to effectively understand the information coded in text. Most of the research carried out in SRL has been done for texts in English, considering the grammatical and semantic particularities of that language, which prevents those tools and results to be directly transported to other languages such as Portuguese. Most current SRL systems use supervised machine learning methods and require a big corpus of sentences annotated with semantic roles in order to learn how to perform the task properly. For Brazilian Portuguese, a lexical resource that provides this type of information has recently become available: PropBank.Br. However, in comparison with corpora for other languages such as English, the corpus provided by that project is small and it wouldn't allow a supervised classifier to perform the labeling task with good performance. To deal with this problem, in this dissertation we use a semi-supervised approach capable of extracting relevant information both from annotated and non-annotated data available, making it less dependent on the training corpus. We implemented the self-training algorithm with logistic regression (or maximum entropy) models as base classifier to label the corpus Bosque (section CETENFolha) from the Floresta Sintá(c)tica with the PropBank.Br semantic role tags. To the original algorithm, we incorporated balancing and...

Automatic Aspect Identification: The Case of Informative Microaspects in News Texts

“…Each collection has 2-3 documents on the same subject but from different sources. The collections were classified into 6 textual categories: Daily News (14), Sports (10), World (14), Politics (10), Money (1) and Science (1). In addition to the raw texts, CSTNews comprises 140 manually generated single-document abstractive summaries, 50 manually generated multi-document abstractive summaries and 50 manually generated multi-document extractive summaries.…”

“…The task of identifying which phrases act as arguments of a particular verb is called Semantic Role Labeling (SRL). For Brazilian Portuguese, [1] proposed a supervised classification system that consists of 3 phases: (1) target verb identification, (2) argument identification and (3) argument classification. Fig.…”

Estratégias de Construções de Comitês de Classificadores Multirrótulos no Aprendizado Semissupervisionado Multidescrição

“…O aprendizado semissupervisionado: emprega estratégia que estendem o aprendizado supervisionado ou não supervisionado para incluir informações adicionais do outro paradigma de aprendizagem. Por exemplo, a classificação semissupervisionado tem como objetivo treinar um classificador com dados rotulados e não rotulados, para obter um melhor classificador do que se fosse treinado só com dados rotulados [17].…”

Sumarização multidocumento com base em aspectos informativos

“…3. Classifica-se cada árvore/instância da sentença pelo anotador de papéis semânticos de Alva-Manchego (2013 Por último, a anotação de microaspectos será feita em nível sentencial (passo 6).…”

“…A seguir, descrevemse detalhadamente os sistemas de anotação automática de microaspectos.3.1. O sistema APSO sistema APS (Anotador de Papéis Semânticos) é composto por 2 subsistemas principais: o parser PALAVRAS(Bick, 2000) e o classificador de papéis semânticos(Alva-Manchego, 2013). Basicamente, o parser PALAVRAS gera as árvores sintáticas que servem de instâncias para que o classificador possa anotar as sentenças com os papéis semânticos correspondentes.…”