Onto.PT: Towards the Automatic Construction of a Lexical Ontology ...

Resumo
Não há grandes dúvidas que a existência de uma base de conhecimento léxicosemântico
de grande cobertura tem um impacto positivo no processamento computacional
da língua a que é dedicada. É isto que acontece com a WordNet de
Princeton, para o inglês que, desde a sua criação, tem sido utilizada num amplo
leque de tarefas ligadas ao processamento de linguagem natural. No entanto, a
WordNet é um recurso criado manualmente, por especialistas. Assim, apesar de se
garantir um recurso altamente confiável, a sua criação é dispendiosa e morosa, o que
se reflecte ao nível da cobertura e crescimento do recurso.
Para o português, existem várias bases de conhecimento léxico-semanântico, sem
que, no entanto, nenhuma tenha alcançado o sucesso que a WordNet teve para
o inglês. Além disso, todos os recursos anteriores têm limitações, tais como não
lidarem com diferentes sentidos da mesma palavra ou terem uma cobertura limitada
(p.e. apenas substantivos ou relações de sinonímia) até restrições ao nível da
sua disponibilização e utilização.
Desta forma, definimos como o principal objectivo desta investigação a
construção automática do Onto.PT, uma ontologia lexical para o português, estruturada
de forma semelhante à WordNet. A Onto.PT contém synsets – grupos de
palavras sinónimas que são lexicalizações de um conceito – e relações semânticas,
entre synsets. Para tal, tiramos partido de técnicas de extracção de informação e
focámo-nos no desenvolvimento de ferramentas computacionais para a extracção e
organização de conhecimento lexico-semântico, com base em informação textual.
Começamos por explorar recursos textuais para a obtenção de relações, que
ligam itens lexicais de acordo com os seus possíveis sentidos. Os dicionários foram a
nossa primeira escolha, por se encontrarem estruturados em palavras e significados,
e também por cobrirem uma parte considerável do léxico. Mas como a língua é
ambígua, um simples item lexical, identificado pela sua forma ortográfica, é muitas
vezes insuficiente para referir um conceito. Por isso, num segundo passo, utilizamos
como ponto de partida um tesauro baseado em synsets, e criado manualmente para
o português. Os synsets desse tesauro são aumentados com novos sinónimos obtidos
no primeiro passo, e novos synsets são descobertos através da identificação de
agrupamentos de palavras (vulgo clusters) nas relações de sinonímia que sobram.
No último passo, tiramos partido de todas as relações extraídas para associar os
argumentos de cada relação ao synset mais adequado, tendo em conta o sentido do
argumento envolvido na relação.
Nesta tese, descrevemos cada um dos passos anteriores, e apresentamos os resultados
obtidos, juntamente com a sua avaliação, quando aplicados para o português.
Cada passo é uma contribuição para a construção e enriquecimento automáticos de
bases de conhecimento léxico-semântico, e resulta num novo recurso, nomeadamente:
uma rede lexical; um tesauro baseado em synsets difusos e um tesauro simples; e o