Representación del conocimiento textual mediante técnicas lógico ...

2.2 Representación textual sin contenido lingüístico 21
En este modelo, las unidades básicas de representación son los términos
de las palabras (su raíz), considerando que las palabras de parada no
quedan representadas. La raíz de una palabra guarda cierta similitud
con su lema, aunque no son exactamente la misma cosa. El lema de una
palabra se corresponde con la forma no marcada (forma estándar) de
la palabra, mientras que la raíz es fruto del resultado de aplicar una
heurística a las palabras para eliminar sus desinencias morfológicas obteniendo
de este modo un término que se aproxima a su lema pero que
es más representativo de la palabra. Este término es la raíz o stem. Para
obtener la raíz de las palabras se utiliza el algoritmo de Porter (1980),
la técnica de stemming más común en sistemas de PLN, que permite
obtener la forma canónica de cada palabra. Por ejemplo, las palabras
analyzing, analyzer y analysis tienen la misma forma canónica, siendo
ésta (la raíz) analy. El ejemplo 1 muestra una representación siguiendo
este modelo.
(1) Frase: The story of Mr. Fly and the Emergency Rescue
Committee who saved thousands in Marseille.
Representación: La tabla 2.1 detalla la representación
de la frase siguiendo este modelo.
Término (raíz) Peso
stori 1.84449
fly 6.19484
emerg 6.47296
rescu 6.19484
committe 4.08194
save 3.06725
thousand 2.33944
marseil 5.13363
Tabla 2.1. Ejemplo de representación según el modelo de bolsa de palabras
Este modelo de representación del texto no tiene en cuenta aspectos
naturales de la oración como, por ejemplo, la secuencialidad de palabras
ni las relaciones sintácticas. Por ejemplo, las frases “Federer hit the
ball” y “The ball hit Federer” tendrían la misma representación en este
modelo cuando, desde el punto de vista lógico y semántico, representan
cosas claramente diferenciadas.
2.2.2 Modelo de n-gramas
El modelo de representación de n-gramas (Caropreso et al. , 2001),
(Lewis, 1992), (Mladenic & Grobelnik, 1998) está formado a través de