Teme de licenta 2012 - Universitatea Alexandru Ioan Cuza

Universitatea „Alexandru Ioan Cuza” Iaşi
Facultatea de Informatică
Grupul de Tehnologii ale Limbajului Natural (FII-­‐NLP)
Teme de licenţă – sesiunea 2012
A. Tehnologii de prelucrare a limbajului natural
A.1 Etichetare aproximativă la parte de vorbire
Mă interesează să realizăm un program capabil să eticheteze la parte de vorbire un
text cu erori. Seria de procesări este următoarea:
Intrare: o carte => se scanează => un fișier tif sau pdf => se OCR-­‐izează (Optical
Character Recognition) => un fișier txt în care multe cuvinte sunt eronate => program
lematizor (există) + etichetare la parte de vorbire (pos=part of speech; program
bazat pe optimizarea unor lanţțuri Markov; există): cuvintele necunoscute vor primi
una sau mai multe etichete cu diverse grade de încredere => se compară cuvintele
necunoscute cu o listă exhaustivă de cuvinte ale limbii (există) => variante probabile
(cu diverse probabilităţți asociate) => se aleg variantele de de
probabilitate combinată maximă (aici este contribuţția dumneavoastră).
Ideea este de a propune mai multe variante de încadrări contextuale din care să se
extragă tripletul cel mai probabil: de exemplu contexte semantice. Proiectul combină
tehnologii ale prelucrării limbajului natural cu statistică.
Ne interesează să adaptăm pentru Sketch Engine (http://www.sketchengine.co.uk/)
o foarte importantă colecţție de texte românești, care au fost folosite drept surse
bibliografice la realizarea marelui Dicţționar Tezaur al Limbii Române, lucrare
monumentală a Academiei Române (36 volume, tipărite între 1914 și 2010). În acest
dicţționar, fiecare sens al fiecărui cuvânt este exemplificat cu citate din literatura
romană scrisă. Aceste citate sunt culese din aprox. 3000 de volume. Într-­‐un proiect
încheiat recent s-­‐a realizat varianta electronică a Dicţționarului și scanarea a
aproximativ jumătate din aceste cărţți, care sunt acum plasate într-­‐o bibliotecă
online. Cum crearea dicţționarului a durat un secol, timp în care multe cuvinte au
rămas în urmă faţță de evoluţția limbii, Academia dorește actualizarea lui. Desigur
această etapă de actualizare trebuie să fie mult mai rapida și să fie făcută cu metode
lexicografice moderne. Vor fi adăugate noi surse bibliografice, dar se are în vedere și
folosirea celor existente (publicate recent) din care să se extragă colocaţții pentru
cuvintele incluse în dicţționar în primele volume tipărite.
Îndrumare: Dan Cristea, cu ajutor din partea Monicăi Macoveiciuc
Lecturi și sisteme: Adam Kilgarriff: Sketch Engine, Monica Macoveiciuc: Analiză de
corpus românesc folosind Sketch Engine (lucrare de licenţță FII).

A2. Extragerea de opinii din texte
Se dorește realizarea unui program capabil să depisteze și să expliciteze aprecieri
calitative asupra unor entităţți (companii, produse, persoane, regiuni geografice etc.).
Se intenţționează recuperarea tripletelor de forma ,
în care marchează un nume de entitate, marchează o
proprietate (tehnologie, produs, serie de fabricaţție, brand etc.) asupra căreia textul
emite o apreciere, iar precizează aprecierea (pozitivă ori negativă, cu
diverse grade de intensificare ori negare).
De exemplu, în fraza: „Vodafone România oferă cea mai bună conectivitate pentru
serviciile de date dintre toate reţțelele mobile GSM/ UMTS/ CDMA din România.”
= “Vodafone România”
= “conectivitate”
= “cea mai bună”
Metodologia de lucru este aproximativ următoarea:
1. Se adnotează XML (folosind adnotatorul Palinka) un mic corpus la: entităţți
(ne), categorii (cat) și valori (value). Un face legatura între o entitate
() și o categorie (). De exemplu:
Vodafone România oferă cea mai bună conectivitate pentru
serviciile de date dintre toate reţțelele mobile GSM/ UMTS/ CDMA din
România.
Mai sus nu există confuzii datorate id-­‐urilor identice pt ca sunt în domenii diferite
de elemente XML.
2. Se vor recunoaște în text și adnota grupurile nominale de interes pentru
aplicaţție (NP-­‐chunker; tehnologie internă FII).
3. Se recuperează automat din text numele de entităţți (ne). Se va utiliza un
recunoscător de nume de entităţți (tehnologie GATE open source).
4. Vor fi recuperate legăturile de natură anaforică din text (datorate pronumelor)
cu RARE (Robust Anaphora Resolution Engine; tehnologie internă FII). Acest lucru
va face ca aprecierile pe care textul le exprimă asupra acelorași entităţți să fie
toate grupate împreună.
5. Se va face o analiză sintactică a textului, utilizând un parser FDG (Functional
Dependency Grammar; tehnologie internă FII).
6. Se vor scrie expresii regulate pt recunoașterea valorilor, a modificatorilor și a
categoriilor de interes, deocamdată fără a preciza conectorii din valori care leagă
entităţțile de categorii.

7. Pe arborii sintactici generaţți se vor scrie un alt set de expresii regulate care să
recupereze legăturile dintre entităţți, categorii și valori.
8. Se va scrie o interfaţță care va pune în evidenţță fie scoruri globale atașate
entităţților, fie, la cerere -­‐ valori specifice pe categorii. Se vor gândi strategii de
micșorare a timpului de calcul pt tot acest lanţț de procese (rulări în background,
distribuirea calculului în grid etc.).
Îndrumare: Dan Cristea (procesare texte), grupul Inteligentics (probleme de interfaţță
și servicii client).
A3. Extragerea de informații etno-culturale din texte
Programul trebuie să fie capabil să prelucreze texte din registrul literar al descrierilor
de călătorii, în care să caute menţțiuni de localităţți, populaţții, amănunte privind
vestimentaţția locuitorilor, originea și starea lor socială, animale, agricultură, ocupaţții,
cutume religioase și ale comunităţții, detalii arhitectonice ale locuinţțelor etc., pe care
să le interpreteze ca atare (etichetare XML). O a doua fază se va ocupa de crearea
unei biblioteci de imagini din care să se selecteze și să se așeze pe o hartă creată în
mediul Google Earth schiţțe ale așezărilor, cu diferite grade de detalii, care să
„reconstituie” cât mai fidel comunităţțile umane descrise în text. Întreaga aplicaţție ar
urma să creeze ilustraţții dinamice la texte, de natură etno-­‐culturală, în folosul
muzeelor digitale.
Îndrumare în echipă: Dan Cristea (prelucrări textuale), Daniela Dumbravă (istorie și
etnografie), cu ajutor din partea Aneimaria Ciucanu (tehnologia Google Earth) și
Georgianei Cărăușu (extrageri de informaţții din texte).
A4. Reconstituirea lanţțurilor de importuri etimologice
Se urmărește recreerea parcursurilor etimologice ale cuvintelor pe un teritoriu
(Europa Centrală și de Est) și un interval (de stabilit). Un cuvânt se poate transforma
prin derivare și împrumuta dintr-­‐o limbă într-­‐alta. Vor fi stabilite o seamă de
transformări elementare pe care le pot suferi cuvintele și conceptele (import cu
păstrarea sensului, import cu deviaţție de sens, calchiere, etc.) și modul în care
transformările pot modifica cuvintele și sensurile lor.
Vor fi parametrizate și etichetate tipurile de importuri. Se va face apel la dicţționare,
cu precădere etimologice, ale unui număr de limbi din zona studiată pentru a se
stabili importurile și tipurile lor. Se dorește detectarea unui număr extrem de mare
de astfel de legături, stabilirea de trasee etimologice. Rezultatul trebuie să fie trasee
etimologice pe cuvinte ori global, pe limbi, vizualizate pe hărţți și perioade de timp.
Cercetarea se face în colaborare cu un student de la Facultatea de Litere și cu
cercetători de la Institutul de Literatură Română Alexandru Philippide din Iași.
Îndrumare: Dan Cristea (prelucrări textuale) și Gabiela Haja (etimologie, lexicografie).

A5. Integrarea morfologiei flexionare româneşti în browserele eDTLR: indexarea în
surse a variantelor lexicale (forme vechi ale cuvintelor)
În cadrul colectivului FII-­‐NLP s-­‐a dezvoltat un program capabil să flexioneze orice
cuvânt al limbii române. Există în derulare un proiect care adaugă la funcţționalitatea
menţționată şi capacitatea de generare a formelor vechi ale cuvintelor româneşti.
Marele dicţționar tezaur (eDTLR) include extrem de multe variante de cuvinte
româneşti care au o răspândire regională ori constituie forme arhaice. Se doreşte ca
accesul în dicţționar să se poată face prin orice formă flexionată, indiferent dacă ea
este una aflată în uzul curent al limbii sau este una de circulaţție restrânsă. Aceasta
presupune reconstituirea formei de bază plecând de la forma flexionată şi corelarea
acesteia cu intrarea corespunzătoare din eDTLR. Proiectul va urmări realizarea de
algoritmi de detectare a similarităţții între cuvinte, urmat de aplicarea lor la regăsirea
paradigmelor complete ale cuvintelor din eDTLR.
Bibliografie: Cosman, 2001; Cristea&Răschip, 2008.
Îndrumare: Dan Cristea
A6. Model de centru de prelucrări lingvistice
Se va continua un proiect finalizat în 2010 (Florin Serediuc,
florin.serediuc@info.uaic.ro), care-­‐şi propunea configurarea, din punct de vedere
tehnic şi informaţțional, a un centru capabil să prelucreze mulţținea textelor
româneşti care se tipăresc zilnic în România. Se presupune că o lege obligă editurile
să depună o copie electronică a tuturor tipăriturilor, înainte de publicarea propriu-­zisă.
Proiectul ar trebui să implementeze tehnici de prelucrare on-­‐line a textelor
româneşti:
-­‐ adnotări: formate XML (v. TEI-­‐P5), header-­‐e în care trebuie îmbrăcate
documentele;
-­‐ prelucrări cu destinaţție de cercetare: determinarea formei lemă a cuvintelor,
inventarul lemelor, identificarea cuvintelor străine, identificarea sensurilor cuvintelor
în context, statistici, tipuri de acces în colecţție;
-­‐ modele de business: utilizări comerciale în beneficiul contribuabililor.
Bibliografie: Cristea, 2010.
Îndrumare: Dan Cristea
Pot fi formulate și alte lucrări din zona prelucrării limbajului natural și al
inteligenţței artificiale.

Referinţțe
Cosman, C. 2001. Morfologia paradigmatică a limbii române. Mediu de dezvoltare /
actualizare. Teză de disertaţție. Facultatea de Informatică.
Cristea, D. (2010). Very large language resources? At our finger! In Proceedings of
the Workshop Language Resources: From Storyboard to Sustainability and LR
Lifecycle Management, LREC 2010, Malta.
Cristea, D., Răschip, M. (2008): Linking A Digital Dictionary Onto Its Sources, FASSBL
Proceedings, Dubrovnik.