Assumptions

Faatz e Steinmetz (2002) elaboraram uma abordagem de enriquecimento de uma ontologia já existente onde também se servem de documentos da web para construírem e compararem estatísticas de uso de palavras de um corpus com a estrutura da ontologia. Usando as palavras e frases associadas a cada conceito, eles calculam métricas de similaridade. Esse método pode ser suma- rizado nas seguintes fases:

• Constituição do corpus. Buscam-se na web documentos que se relacio- nam à ontologia estudada;

• Detecção de candidatos a conceitos. Estatísticas são calculadas no corpus e uma lista de co-ocorrências (termos que ocorrem em conjunto) é gerada para cada palavra no corpus. Novas palavras são extraídas baseadas em função de distância semântica e consideradas então como candidatas a novos conceitos;

• Seleção de conceitos. A lista criada é proposta para um especialista do domínio que então decide a relevância dos novos conceitos para o domí- nio e se eles devem ou não ser incorporados na ontologia.

3.3 Abordagens baseadas em Aprendizado de Má-

quina

Pesquisadores da área de aquisição de conhecimento têm explorado possíveis conexões entre métodos tradicionais de aquisição de conhecimento e técnicas de aprendizado de máquina. Tipicamente essas técnicas são usadas para com- plementar abordagens baseadas em técnicas lingüísticas.

Hwang (1999) estabeleceu uma abordagem para tratamento e pesquisa de informações contidas em grandes bases de dados de texto que se baseia na organização de uma ontologia em taxonomias mais simples, a partir das quais conceitos são identificados e procurados nos documentos da base de dados. O método é composto basicamente das seguintes tarefas:

• Especialistas no domínio fornecem algumas palavras que servirão de se- mentes para representar os conceitos. Coletam-se da web documentos com consultas (queries) construídas com base nessas palavras;

• Os documentos resultantes das pesquisas são tratados e deles se extraem as frases que contenham as palavras sementes. Estabelecem-se conceitos

3.3 Abordagens baseadas em Aprendizado de Máquina 33

que são então inseridos na ontologia e oferecidos ao especialista humano como novos conceitos. Baseados nessa iteração, novos candidatos para palavras-sementes são então escolhidos automaticamente e novas itera- ções de busca de textos e descoberta de conceitos são feitas. Todos os documentos e as linhas de texto que serviram à construção de conceitos são mantidos indexados e disponíveis, juntamente com algumas métri- cas de freqüência;

• Executa-se a extração de relações. Através do uso de características (fea- tures) lingüísticas, relações do tipo ‘is-a’, ‘part-of’, ‘owned-by’, ‘produced- by’, etc. são extraídas. Utiliza-se então a relação ‘assoc-with’ (de associa- ted with) para todas as relações descobertas que não são do tipo ‘is-a’; • Ao final de cada iteração o especialista humano é consultado sobre a ade-

quação dos conceitos descobertos.

Kietz, Volz e Maedche (2000) estabeleceram uma abordagem genérica para o refinamento de ontologias de domínio já existentes a partir de fontes hetero- gêneas em um processo semi-automático onde os algoritmos de aprendizado e o especialista do domínio cooperam. A premissa básica da abordagem é que os documentos escolhidos como base do processamento contém os conceitos a serem incluídos na ontologia. O método é sumarizado a seguir:

• Seleção das fontes de informação. A primeira tarefa consiste na seleção de uma ontologia genérica (também chamada de top-level) que deverá conter os conceitos genéricos e os conceitos de domínio que já tiverem sido elencados;

• Em seguida o usuário deve especificar os documentos que servirão de base ao processo de extensão e refinamento da ontologia fornecida. Ape- sar de parecer trivial, a decisão de quais documentos utilizar é a que mais influência tem sobre a qualidade do resultado final;

• Identificação de conceitos. Nesta atividade busca-se descobrir novos conceitos baseado na análise da freqüência dos termos, usando-se a hipó- tese de que os termos que são mais freqüentes no corpus específico do domínio do que em corpus genéricos devem ser propostos ao especia- lista como candidatos a novos conceitos;

3.3 Abordagens baseadas em Aprendizado de Máquina 34

• Poda de domínio. Nesta atividade a ontologia criada é podada para re- moção de conceitos demasiadamente genéricos de maneira que o resul- tado seja focado no domínio estudado;

• Aprendizagem de relações. Utiliza-se uma análise de freqüências para identificação de relações existentes entre os conceitos do domínio, usando a hipótese de que a co-ocorrência freqüente de pares de conceitos pode expressar relações relevantes para a ontologia. Para essa identificação é utilizado o algoritmo de associação proposto por Agrawal e Srikant (1995);

• Avaliação. Nesta etapa o usuário especialista avalia a ontologia resul- tante e decide se uma nova iteração é necessária.

35

4

Processamento de Linguagem

Natural

Este trabalho propõe predominantemente a utilização de processamentos lin- güísticos nos textos como base para a construção semi-automática de uma on- tologia para um domínio qualquer. Assim, são apresentados a seguir alguns dos tópicos de lingüística computacional e algumas das técnicas utilizadas para processamento de linguagem natural.

4.1 Áreas de Estudo das Linguagens Naturais

A seguir são apresentados diferentes áreas de estudo da linguagem: morfolo- gia, sintaxe, semântica e pragmática.

4.1.1 Morfologia

A morfologia estuda a estrutura e a constituição das palavras que formam a expressão de uma língua. Por exemplo, palavras como livros ou desconsiderar podem ser divididas em unidades menores, quando se identificam sufixos e prefixos. A essas unidades que compõem as palavras dá-se o nome de mor- fema.

A morfologia, além de analisar essas estruturas, também estuda a clas- sificação das palavras em diferentes categorias, como substantivos, adjetivos, verbos, advérbios e preposições. Esse tipo de classificação é conhecida também como part-of-speech ou POS, por objetivar justamente classificar as palavras em partes do discurso.

Essas categorias de palavras são comumente associadas a processos mor- fológicos, tais como a formação do plural a partir da forma singular de um dado substantivo, ou a inflexão de um verbo na terceira pessoa do singular no presente. Inflexões são modificações sistemáticas da forma raiz de uma pala-

4.1 Áreas de Estudo das Linguagens Naturais 36

vra com a adição de prefixos, sufixos ou outras marcas. São esses processos morfológicos que nos permitem identificar palavras novas, que nunca havía- mos visto antes. Os processos morfológicos são particularmente importantes para a PLN em línguas onde a inflexão é muita usada. Em Russo, Finlandês ou Latim, por exemplo, um verbo pode assumir uma grande quantidade de formas distintas. Todas as formas de inflexão de uma palavra são comumente agrupadas como manifestações de um mesmo lexema.

Além da inflexão, outros processos morfológicos comuns são a derivação e a composição. Através da derivação consegue-se uma mudança na categoria sintática e, em geral, uma mudança semântica. Um exemplo é a derivação do advérbio rapidamente a partir do adjetivo rápido. Já a composição acontece quando agrupamos duas ou mais palavras para formar outra. Caminhão-pipa é um exemplo desse processo.

A classificação morfológica é interessante na medida em que as palavras de uma mesma categoria tendem a contribuir de modo semelhante para o si- gnificado da frase. Substantivos (ou nomes), por exemplo, são usualmente as- sociados a conceitos ou objetos, enquanto verbos demonstram ações feitas ou sofridas por tais objetos, relações entre esses conceitos. É importante notar que essas palavras podem também ser usadas como base de um grupo para formar os chamados sintagmas.

Esse tipo de análise é bastante importante e básica em um sistema que processe linguagem natural já que vários outros tratamentos subseqüentes de- pendem desse conhecimento a respeito das categorias das palavras.

4.1.2 Sintaxe

As línguas tem restrições a respeito da ordem em que as palavras aparecem nas sentenças. As palavras são organizadas em frases, conjuntos de palavras que funcionam juntas para expressar idéias. O estudo das regularidades e restrições na ordem das palavras e na estrutura da frase é chamada de sintaxe. Essa estrutura sintática é normalmente regida por um conjunto finito de regras e princípios que possibilitam que escritores e leitores possam produzir e reconhecer sentenças que nunca foram criadas antes: a gramática.

Em português, tanto como em inglês, uma sentença normalmente se es- creve como um sintagma nominal seguido de um sintagma verbal. Sintagmas nominais são unidades sintáticas nas quais se demonstram informações sobre

4.1 Áreas de Estudo das Linguagens Naturais 37

um nome (ou seja, um substantivo). Sintagmas nominais são normalmente os argumentos de verbos, os participantes de ações ou estados descritos pelos verbos. Ex.: “O homem que eu ajudei ontem a subir no ônibus ficou muito agrade- cido”. Sintagmas verbais são unidades encabeçadas pelo verbo, que em geral organiza sintaticamente os elementos da sentença. Por exemplo: Ele estava tentando manter a calma.

Substantivos, verbos intransitivos, transitivos diretos, indiretos, orações subordinadas e complementos, entre outros, são partes integrantes da análise sintática a que se submetem as sentenças do texto em estudo. Esse tipo de avaliação é direcionado a situações em que estruturas são sintaticamente bem formadas, ou seja, são “gramaticais”. A frase abaixo é um exemplo de uma sentença não gramatical.

“Crianças dormem as.”

É importante, porém, distinguir sentenças não gramaticais de sentenças anormais. A famosa frase a seguir (em uma tradução livre do original inglês) é um exemplo de uma sentença gramatical que não faz sentido e não permite uma interpretação coerente.

“idéias verdes sem cor dormem furiosamente.”

A análise sintática colabora, assim, também na interpretação da frase. O exemplo a seguir é clássico no estudo de ambigüidade em lingüística e de- monstra como a estrutura da frase e a interpretação que damos a ela estão conectadas:

“O homem viu o menino com o telescópio.”

A ambigüidade estrutural da frase permite uma primeira interpretação em que o telescópio caracteriza a ação de ver (viu com o telescópio) mas também uma segunda, onde o telescópio caracteriza o menino visto (o menino com o telescópio).

É importante notar que, da mesma forma que a análise sintática depende dos resultados da análise morfológica, subseqüentes análises de interpretação do texto dependem, por sua vez, dos resultados da análise sintática.

4.1.3 Semântica e Pragmática

A semântica está ligada ao estudo do significado das expressões da linguagem natural, e isso, independentemente de quem as utiliza. Por sua vez a pragmá-