Os possíveis elementos numa UTR: .Palavras (o caso mais comum) .Caracteres .Etiquetas Morfossintácticas Também chamada MWU (Multiword Unit), a UTR.

Apresentação em tema: "Os possíveis elementos numa UTR: .Palavras (o caso mais comum) .Caracteres .Etiquetas Morfossintácticas Também chamada MWU (Multiword Unit), a UTR."— Transcrição da apresentação:

1

2

3 Os possíveis elementos numa UTR: .Palavras (o caso mais comum)
.Caracteres .Etiquetas Morfossintácticas Também chamada MWU (Multiword Unit), a UTR com palavras é uma sequência de palavras que corresponde a um nome próprio, a uma frase idiomática ou a uma colocação com categoria gramatical.

4

5 Primeiras experiências: Frequências dos bigramas e tetragramas por ordem decrescente
Freq. Bigrama Freq. Tetragrama O Notícias breves da A Notícias breves da actualidade Estados Unidos A bolsa de Jan do Banco de Portugal De acordo ministro dos negócios estrangeiros Agência Lusa Notícias breves da Banco de Notícias breves da actualidade Conselho de De acordo com o De acordo com a Libertação Nacional por cento do que Irlanda do disse à Agência Lusa Câmara de na africa do Sul com o objectivo de Nacional de

6 15 Câmara dos do campeonato português de Comissão Nacional Ministro dos Negócios Estrangeiros Com o A Camara Municipal Carvalho da presidente de Camara Municipal Cabo Verde por cento para o Bósnia e face às principais divisas Associação disse hoje à Agência As conversações de final da Taça da Santa Casa da Mês Cultural México e visita oficial de dois Mário Tomé visa protestar contra a Municipalizados de vila franca do campo Municipal e vice-ministro dos negócios estrangeiros Mundo dos verde deverá continuar a Ministério de venda e do transkei Minas Gerais valores estavam hoje a Este critério penaliza o comprimento da sequência; e não existe um limiar natural na frequência para decidir quais os n-grams que são unidades.

7 UTRs obtidas após a inclusão dos filtros de Justeson e Katz f(w1 w2) w1 w Padrão f(w1 w2) w1 w Padrão New York A N Middle East A N United States A N Saddam Hussein N N Los Angeles N N Soviet Union A N last year A N White House A N Saudi Arabia N N United Nations A N last week A N York City N N vice president A N oil prices N N Persian Gulf A N next year A N San Francisco N N chief executive A N President Bush N N real estate A N Este critério necessita de informação morfo-sintáctica. As longas sequências continuam a ser penalizadas pelo critério da frequência . Critério com boa precisão mas muito dependente da língua !

8

9

10

11

12

13

14

15

16

17

18