Análisis sintáctico conducido por un diccionario de patrones de ...

Creación de la gramática generativa experimental
Por el otro lado, si se quiere mejorar la cobertura, se tiene que aumentar el
número de reglas. Cuando una gramática alcanza un tamaño considerable, cada vez es
más difícil de controlar y extender, ya que las nuevas reglas entran en interacciones
complejas con las anteriores. Por lo que oraciones que antes no presentaban
problemas producen varios análisis equivocados, es decir, aumenta la ambigüedad y
decrece la precisión.
La gramática que necesitamos en este caso, dado que no es el método más
importante, no requiere condiciones óptimas en cuanto a cobertura y precisión.
Nuestra gramática pretende considerar las construcciones más comunes, que nos
permita identificar el elemento rector en cada grupo y las relaciones sintácticas para el
orden de palabras usual.
Para verificar la gramática, los elementos que más contribuyen son el marcaje
de características morfológicas y la gramática misma, las cuales detallamos a
continuación.
Marcas morfológicas
El marcaje de partes del habla o de categorías gramaticales (en inglés POS
tagging) es útil para el análisis sintáctico. Conocer esta marca para una palabra
específica ayuda a descartar la posibilidad de que esa misma palabra tenga otra
categoría gramatical. La ambigüedad en categoría gramatical se refiere a que una
palabra puede tener varias categorías sintácticas, por ejemplo ante puede ser una
preposición o un sustantivo. La desambiguación de este marcaje es muy útil para
reducir la cantidad de ambigüedad que tiene que enfrentar el analizador sintáctico.
El marcaje de partes del habla es la subárea del procesamiento lingüístico de
textos por computadora que considera el estudio de métodos y algoritmos para reducir
el porcentaje de ambigüedad de categorías. Los métodos que se han empleado se
pueden clasificar en tres tipos: lingüísticos, estadísticos y aprendizaje mediante
máquina. La mejor precisión en métodos lingüísticos corresponde a [Voutilainen, 94]
con 99.3% aunque no todas las palabras están completamente desambiguadas, su
defecto es la gran cantidad de tiempo que consume el desarrollar un buen modelo del
lenguaje puesto que se requieren muchos años de recursos humanos. Los resultados
producidos mediante métodos estadísticos han logrado entre 95% y 97% [Ludwig, 96]
de palabras marcadas correctamente. Su defecto es la dificultad de estimar con
precisión el modelo del lenguaje, puesto que es necesario estimar los parámetros del
modelo como en las siguientes formas: la probabilidad de que cierta palabra aparezca
con cierta marca o la probabilidad de que una marca sea seguida por otra marca
específica.
Existen métodos híbridos que combinan diferentes aproximaciones, como ya
habíamos mencionado, por ejemplo el uso de recursos basados en estadísticas y en
conocimiento. En el tipo de aprendizaje mediante máquina los autores emplean
185