Extração de expressões multipalavra em corpora técnicos

Abstract

Expressões multipalavra (EMPs) são um dos obstáculos para a obtenção de sistemas de PLN mais precisos. Particularmente, a falta de cobertura de EMPs em recursos lexicais pode impactar negativamente na performance de tarefas e aplicações, levando a perda de informação ou erros de comunicação. Isso é especialmente problemático em domínios técnicos, onde uma parte significativa do vocabulário é composta de EMPs. Este trabalho tem por objetivo investigar o uso de diferentes métodos para a identificação de EMPs em corpora técnicos. São usadas diversas fontes de dados, incluindo um corpus paralelo, utilizando textos em português e inglês de um corpus de Pediatria. Examina-se como uma segunda língua pode fornecer informações relevantes para essas tarefa. Este trabalho é uma extensão dos artigos abaixo: Statistically-Driven Alignment-Based Multiword Expression Identification for Technical Domains publicado no Workshop on Multiword Expressions: Identification, Interpretation, Disambiguation and Applications. Singapura, 2009. Identification of Multiword Expressions in Technical Domains: Investigating Statistical and Alignment-based Approaches publicado no 7th Brazilian Symposium in Information and Human Language Technology. A Hybrid Approach for Multiword Expression Identification aceito para o International Conference on Computational Processing of Portuguese Language. 2010, Porto Alegre.

Multiword Expressions (MWEs) are one of the stumbling blocks for more precise Natural Language Processing (NLP) systems. Particularly, the lack of coverage of MWEs in resources can impact negatively on the performance of tasks and applications, and can lead to loss of information or communication errors. This is especially problematic in technical domains, where a signi cant portion of the vocabulary is composed of MWEs. This work investigates the use of di erent approaches to the identi cation of MWEs in technical corpora. We look at the use of several sources of data, including a parallel corpus, using English and Portuguese data from a corpus of Pediatrics, and examining how a second language can provide relevant cues for this task. This is an extended version of the following papers: Statistically-Driven Alignment-Based Multiword Expression Identi cation for Technical Domains published at the Workshop on Multiword Expressions: Identfiication, Interpretation, Disambiguation and Applications. 2009, Singapore .Identification of Multiword Expressions in Technical Domains: Investigating Statistical and Alignment-based Approaches published at the 7th Brazilian Symposium in Information and Human Language Technology. 2009, S~ao Carlos. A Hybrid Approach for Multiword Expression Identi cation accepted for the International Conference on Computational Processing of Portuguese Language. 2010, Porto Alegre.