Correferências Pronominais na 3ª Pessoa do Singular INF2915 Prof.: Ruy Milidiu Guylerme Velasco, Roberta Claudino, Thiago Ribeiro.

Apresentação em tema: "Correferências Pronominais na 3ª Pessoa do Singular INF2915 Prof.: Ruy Milidiu Guylerme Velasco, Roberta Claudino, Thiago Ribeiro."— Transcrição da apresentação:

1 Correferências Pronominais na 3ª Pessoa do Singular INF2915 Prof.: Ruy Milidiu Guylerme Velasco, Roberta Claudino, Thiago Ribeiro

2 Objetivo Conseguir bons resultados para o problema de resolução de anáforas na 3ª pessoa do singular.

3 Descrição do Problema Resolução de co-referência é o processo de determinar expressões no texto que se referem à mesma entidade no mundo real. O processo de encontrar o antecessor apropriado a cada expressão no texto é chamado de resolução de anáfora. Tal resolução é muito importante porque sem a mesma o texto não estaria completamente e corretamente compreendido. Enquanto os seres humanos conseguem solucionar este problema de forma fácil e rápida, esta é uma tarefa difícil computacionalmente.

4 Definição do Problema Anáfora pronominal: é aquela em que a relação anafórica é tecida através do uso de pronomes (ele, ela, eles, elas). A função pronominal, nesses casos, é apenas estabelecer a ancoragem com um termo antecedente, como mostramos a seguir no exemplo: Lula é o atual presidente do Brasil. Ele já foi reeleito. (Ele se refere a Lula)

5 Método Proposto SVM - Support Vector Machine

6 Definição de SVM Aprendizado supervisionado Utilizado em problemas de classificação e regressão

7 Corpus http://pandeiro.learn.fplf.org.br/inf2915/image s/9/9b/Wsj15-16_coref.zip Mr._NNP_O_B-NP_O Stone_NNP_PER_I-NP_A+ told_VBD_O_B-VP_O his_PRP$_O_B-NP_O story_NN_O_I-NP_O._._O_O_O EOS_EOS_EOS_EOS_O He_PRP_O_B-NP_C1- talked_VBD_O_B-VP_O about_IN_O_B-NP_O 20_CD_O_I-NP_O minutes_NNS_O_I-NP_O._._O_O_O EOS_EOS_EOS_EOS_O When_WRB_O_B-ADVP_O he_PRP_O_B-NP_C1- was_VBD_O_B-VP_O through_IN_O_B-ADJP_O

8 Estratégia adotada Gerar features a partir do corpus Escolher boas features Gerar arquivo de entrada do SVM Fazer validação cruzada Evitar o overtrainning Evitar criação excessiva de Support Vector Minimizar o erro de classificação

9 Features utilizadas Se pronome é He ou She Quantidade de sentenças entre o pronome e o nome referenciado Quantidade de nomes entre o pronome e o nome referenciado Se o nome é masculino ou feminino

10 Implementação do software Lê o corpus etiquetado Separa a parte que será usada para treino e para teste Para cada texto do grupo de treino e teste Para cada pronome encontrado Verifica se é He ou She Contabiliza a quantidade de sentenças entre o pronome e sua referência Contabiliza a quantidade de nomes entre o pronome e sua referência Verifica se o nome ao qual faz referência é masculino ou feminino Gera regras certas associando o pronome à sua referência correta Gera regras erradas associando o pronome aos demais nomes no texto Fim-Para

11 Arquivo de entrada para o SVM.=. :... : #.=. +1 | -1 | 0 |.=. | "qid".=..=. 1 1:9 3:1 4:0 5:0 6:0 8:1 1 2:10 3:2 4:0 5:0 6:0 8:1 1 1:11 3:0 4:0 5:0 6:0 9:1 -1 1:23 3:2 4:0 5:0 6:0 11:1 -1 1:23 3:10 4:2 5:0 6:0 11:1 -1 1:23 3:12 4:3 5:0 6:0 11:1

12 Verificação dos Resultados Textos para treino = 120 (5 grupos de 24) Textos para teste = 63 Cross Validation Ingênuo Busca pelo nome anterior mais próximo

13 Resultados obtidos

14 Conclusões Corpus bastante homogêneo Maior parte dos nomes e pronomes masculinos Pequena quantidade de nomes entre o pronome e sua referência

15 Referências Marin Dimitrov A Light-weight Approach to Coreference Resolution for Named Entities in Text University of Sofia "St. Kliment Ohridski" http://citeseer.ist.psu.edu/dimitrov02lightweight.html Judita Preiss Choosing a Parser for Anaphora Resolution Computer Laboratory http://www.cl.cam.ac.uk/~jp233/publications/daarc02.pdf Shalom Lappin and Michael McCord ANAPHORA RESOLUTION IN SLOT GRAMMAR IBM T. J. Watson Research Center http://citeseer.ist.psu.edu/shalom90anaphora.html Shalom Lappin An Algorithm for Pronominal Anaphora Resolution SOAS, University of London http://acl.ldc.upenn.edu/J/J94/J94-4002.pdf Natalia N. Modjeska, Katja Markert, Malvina Nissim Using the Web in Machine Learning for Other-Anaphora Resolution Proceedings of the 2003 Conference on Emprical Methods in Natural Language Processing http://acl.ldc.upenn.edu/acl2003/emnlp/pdfs/Modjeska.pdf Niyu Ge, John Hale and Eugene Charniak A Statistical Approach to Anaphora Resolution Dept. of Computer Science, Brown University http://acl.ldc.upenn.edu/W/W98/W98-1119.pdf