Treebanks : estado de la cuestión y desarrollo del treebank CLiC-TALP

4-6 febrero 2002 IWCL02 1

Treebanks: estado de la cuestión

y desarrollo del treebank CLiC-TALP

Montserrat CivitNúria Bufí

Mª Antònia Martí


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


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


Metodología

Anotación manualAnotación semi-automática:

Gramática etiquetación corrección / validaciónmanual

Gramática aetiquetación

corrección / validaciónmanual

Gramática b


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)


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 + +


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


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)


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


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)


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


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


AuxS

PERDIÓ(pred)


(objeto)

EN(AuxP)

REAL_MADRID(adv)

.(AuxK)

EL(atrib)

PDT (6)

ATS:AuxS

PERDIÓ(pred)


(objeto)

EN(AuxP)

REAL_MADRID(adv)

EL(atrib)

.(AuxK)

LA(atrib)


PERDER

EMILIOactor TITULARIDAD

patient

REAL_MADRIDlocative

PDT (6)

REAL_MADRIDprep= endet=elADV

PERDIÓtiempo=paspers=3núm=sg

TGTS:


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


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:


El corpus CLiC-TALP:

• etiquetación morfológica(MACO + RELAX)• chunking sintáctico(TACAT + gramática chunks)

Punto de partida:

Anotación sintáctica manual


(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. 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?


9. Algunas subordinadas adverbiales:a) estructuras paralelas?b) estructuras de tipo ADJUNTO?


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


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?


16. Establecer distintos tipos de oración(a nivel sintáctico)


17. Elementos textuales


18. C. Predicativo:

marcaje de la relación con el sujeto / OD ?

19. Modalidades oracionales

20. etc.


Jerarquía de funciones (complementos verbales)

Complementos

Argumentos Adjuntos

C.Ag

CD

CI

Sujeto

CPred

CReg

Atributo

Tiempo Modo

Lugar



Complementos

Argumentos Adjuntos

C.Ag

CD

CI

Sujeto

CPred

CReg

Atributo

Tiempo Finalidad

Lugar Causa

Modo



Complementos

Argumentos Adjuntos

C.Ag

CD

CI

Sujeto

CPred

CReg

Atributo

TiempoFinalidad

Lugar CausaModo

Compañía

CantidadInstrumento


Jerarquía de oraciones

S

Principal Subordinada

Finita No-finita

Relativa

Completiva

Adverbial

S Sfr Sfc SfaSnf


Jerarquía de oraciones

S

Principal Subordinada

Finita No-finita

S Sfr

Sfq

SfaSnf

Sfi

Relativa

Completiva

Adverbial

que Interrog



Complementos

Argumentos Adjuntos

C.Ag

CD

CI

Sujeto

CPred

CReg

Atributo

TiempoFinalidad

Lugar CausaModo

Compañía

CantidadInstrumento


[[ 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:


-¿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?


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


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


S

Pero el Real_Madrid de anoche eratan terrenal, tan rural incluso,

que despertaba ese sucedáneode la piedad que llamamossimpatía


Si la señora Aguirre quiere castigar la suciedad de Madrid en generalseñora Aguirre

Sujeto

¿Qué te gustaría ser cuando seas mayor?te

OI

Sujeto


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


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


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


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


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,


antes de nada, amo, admiro y respeto a Cayetana_de_Alba

Sintagma sin núcleo: (PDT)

grup-verb

verbo verbo verbocoord

amo admiro y respeto


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]]


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)


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

Treebanks : estado de la cuestión y desarrollo del treebank CLiC-TALP

Documents

Transcript of Treebanks : estado de la cuestión y desarrollo del treebank CLiC-TALP