Carlos Augusto Prolo, Dr. (U. of Pennsylvania) ... Processamento de Linguagem Natural Carlos Augusto Prolo, Dr. (U. of Pennsylvania) ...

Linguagem Natural versus Linguagem Artificial Aberta, não completamente definida Estrutura formal não pré-definida Inerentemente ambígua Muito complexa Não é concebida para se adequar aos métodos de parsing eficientes conhecidos

PLN é multidisciplinar Linguística Psicolinguística Neurologia Engenharia Elétrica Computação Linguagens Formais: autômatos, gramáticas Algoritmos (e.g. de parsing) (Outros) Modelos Formais: matemáticos, estatísticos INTELIGÊNCIA ARTIFICIAL  MACHINE LEARNING (Aprendizado de Máquina) Curiosidade: Paper do Knuth sobre LR [1965?]

Aplicações do PLN Correção de textos e aconselhamento (Apoio à) Tradução (Semi-) Automática Interfaces de usuário Entrada de comandos em LN Aplicativos como para reservas de vôos Comunicação com “robôs” Direcionadores de chamadas Sistemas de perguntas e respostas Recuperação de Informação/Documentos Sumarização Extração de Informação ... Muitos outros ... Corretores de prova automâticos ...

É difícil? MUITO!!!! Linguística: Ninguém sabe como modelar formalmente (e.g. com GLC, etc.) o conhecimento linguístico “completo” Psicolinguística, ciência cognitiva: Ninguém sabe como funcionam os processos cognitivos humanos ligados à manipulação da linguagem (interpretação, geração, e muito menos AQUISIÇÃO da linguagem) Neurologia:Ninguém sabe exatamente como o cérebro reage à linguagem (Mas há grandes progressos recentes na área !!!) Engenharia Elétrica: Vários desafios em speech recognition

É difícil? MUITO!!!! Computação: Comparação com aritmética Não se conhece o modelo real do proceso Não se conhece modelo computacional behaviorally equivalent Comparação com aritmética Há um processo cognitivo por trás da maneira como humanos manipulam quantidades Não se conhece o processo cognitivo por trás Mas se descobriu um modelo computacional, mecânico, behaviorally equivalent que todos aprendem na escola

É difícil? MUITO!!!! Considere o diálogo: Quero comprar um laptop que vi anunciado por mil e duzentos reais. Já tem o dinheiro? Tenho 537 no banco. E a mãe disse que me dá até 680. Vai dá ...

É difícil? MUITO!!!! Como você raciocinou durante a interpretação? Não se sabe reproduzir este mecanismo por computador Mas ... Se conhece um método mecânico que chega às mesmas conclusões, e aliás, MUITO EFICIENTE! Infelizmente isto não acontece com o processamento da linguagem.

Como fazer computacionalmente Baseado em observação do comportamento cognitivo humano e.g., Fodor (MUITO DIFÍCIL) PASSADO Baseado em resultado. Métodos completamente dissociados da realidade cognitiva SÃO CLARAMENTE LIMITADOS NO LONGO PRAZO PRESENTE

Como fazer computacionalmente Baseado em observação do comportamento cognitivo humano e.g., Fodor (MUITO DIFÍCIL) PASSADO LINGÜÍSTICA Baseado em resultado. Métodos completamente dissociados da realidade cognitiva SÃO CLARAMENTE LIMITADOS NO LONGO PRAZO PRESENTE

Lingüística ANEDOTA: “Cada vez que eu demito um lingüista o desempenho do meu sistema melhora.” [atribuído a Fred Jelinek quando estava na IBM](http://www.lrec-conf.org/lrec2004/doc/jelinek.pdf) FATO: Qualquer abordagem para PLN requer algum conhecimento lingüístico (em maior ou menor grau)

Níveis de Conhecimento Lingüístico Fonético e Fonológico: fala Morfológico: estrutura das palavras Sintático: estrutura das sentenças sintagmas, funções gramaticais Semântico: Significado ... Das palavras Dos sintagmas Das sentenças Pragmático: Uso das sentenças em diferentes situações. O que as sentenças realmente informam. Discurso: Estrutura do texto, interpretação de pronomes, correferências. Nível de conhecimento do mundo COMPOSICIONALIDADE

Conhecimento Morfológico O João vendeu para o Pedro o seu velho computador de mesa

Conhecimento Morfológico O João vendeu para Maria o seu velho computador de mesa O  det (determinador/artigo) João  pn (nome próprio) vendeu  v (verbo) para  prep (preposição) o  pn Pedro  pn o  det seu  adj (?? Adjetivo? pronome (adjetivo) ??) velho  adj computador  n (nome, substantivo comum) de  prep Mesa  n0 Vendeu  v: finito (indicativo), passado (perfeito), 3ª pessoa, sing

Conhecimento Morfológico O/det João/pn vendeu/v para/prep o/det Pedro/pn o/det seu/adj velho/adj computador/n de/prep mesa/n Categorias léxicas ou parts-of-speech (pos) Qual o sistema de (pos) tags mais adequado? Qual a pos correta de uma palavra?  convenção !! Aliás, o que fazer com “do”, “das”, “cannot”, “wanna”

Conhecimento Sintático NP VP det [o] pn [João] v [vendeu] PP NP prep [para] NP det [o] adj? [seu] sdj [velho] n [computador] PP det [o] pn [Pedro] prep [de] NP n [mesa] O João vendeu para o Pedro o seu velho computador de mesa

Conhecimento Sintático NP VP det pn v PP NP prep NP det adj? sdj n PP det pn prep NP n O João vendeu para o Pedro o seu velho computador de mesa

Formas de Representação da Estrutura Sintática NP det O pn João VP v vendeu PP prep para det o pn Pedro adj seu adj velho n computador prep de n mesa [S [NP [det O] [pn João] ] [VP [v vendeu] [PP [prep para] [NP [det o] [pn Pedro] ] ] [NP [det o] [adj seu] [adj velho] [n computador] [PP [prep de] [n mesa] ] ] ] ]

Conhecimento Sintático Qual a estrutura mais adequada do texto? Há construções standard e outras que os lingüistas não tem posição definida/adequada/estável a respeito Estas últimas são MUITO MAIS FREQÜENTES DO QUE SE IMAGINA !!! (lingüística de corpus) Como representar o conhecimento sintático? Teoria X-BAR Government and Binding (GB) Transformational Grammars Minimalismo Influência muito forte de Noam Chomsky! Gramáticas Livres de Contexto (CFG)? GPSG – Generalized Phrase Structure Grammars? HPSG – Head-driven Phrase Structure Grammars? LFG – Lexicalized Functional Grammars? TAG – Tree Adjoining Grammars?  A melhor de todas

Syntactic Nuts Extraposição: Longa distância: [S [NP Uma reunião [PP para escolher o diretor] ] [VP foi feita ontem] ] [S [NP Uma reunião] [VP foi feita ontem] <---???--> [PP para escolher o diretor] ] ??? Onde colocar o PP ??? Longa distância: João [comprou a bola]. O que [João comprou]? Quem [comprou a bola]?

Conhecimento Semântico Cada palavra tem significado Cada sintagma tem significado, que é definido pela COMPOSIÇÃO dos significados dos sintagmas CONSTITUINTES  COMPOSICIONALIDADE O aluno da frente chamou o aluno de trás da/prep + frente/n  indica adiantamento aluno + [ind. de adiantamento]  restringe a um aluno específico e assim por diante ... Papéis temáticos: O aluno da frente  agente O aluno de trás  paciente Representação lógica: predicados CHAMOU (alunodafrente, alunodetras)

Conhecimento Pragmático Vera, você sabe que horas são?

Conhecimento Pragmático Vera, você sabe que horas são? Grice: pessoas são colaborativas Por favor, me alcance o livro em cima da mesa. Qual das mesas? Como assim, em cima da mesa? Só tem uma mesa. OK, pensei que pudesse ser na mesa da sala ao lado, ou na mesa do escritório lá de casa.

Conhecimento Pragmático Vera, você sabe que horas são? Grice: pessoas são colaborativas Por favor, me alcance o livro em cima da mesa. Qual das mesas? Como assim, em cima da mesa? Só tem uma mesa. OK, pensei que pudesse ser na mesa da sala ao lado, ou na mesa do escritório lá de casa. (Este é um tipo comportamento non-Gricean, que é a base de todas as piadas)

Conhecimento do Discurso Considere o seguinte trecho: (A) João pediu um bife. (B) O bife estava duro. (C) Por isso ele desistiu, (D) pagou a conta, (E) e saiu. Estrutura: RAZÃO SEQÜENCIA SEQÜENCIA A B C D E

Conhecimento do Discurso Correferência: O João vendeu para o Pedro o seu velho computador de mesa. Quem é “seu”: João ou Pedro? O João pediu emprestado ao Pedro o seu notebook. E agora, quem é “seu”: João ou Pedro? Saiu do caminhão. Entrou no carro. Fechou a porta. A porta do caminhão ou do carro?

Conhecimento de mundo Vai no jogo do Inter domingo? “Provavelmente” eu não estou falando do Inter de Milão. Dado que o jogo é um GreNal, há também “grandes chances” que eu seja colorado.

É difícil processar linguagem natural computacionalmente? MUITO !!!!! Vou focar um aspecto: AMBIGUIDADE (A taxonomia é minha) Ambigüidade Real Pseudo-ambigüidade Ambigüidade Local

Ambigüidade das palavras: das sentenças/construções/sintagmas: banco: diferentes significados, mesma categoria léxica (nome) a: artigo e preposição das sentenças/construções/sintagmas: João viu a Maria com o telescópio. Quem estava com o telescópio? A sentença acima tem ambigüidade REAL

Pseudo-ambigüidade Considere: João viu a Maria de saia. Maria estava de saia Compare com: João viu a Maria de manhã. Não é a Maria que estava “de manhã.” Ele a “viu” de manhã. João comprou um computador com alta velocidade. o computador tinha alta velocidade João comprou um computador com o dinheiro da mesada Não é o computador que tem o dinheiro da mesada. A compra é que foi feita com o dinheiro da mesada. João dirigia o carro em alta velocidade ele dirigia em alta velocidade NÃO HÁ AMBIGÜIDADE REAL NAS SENTENÇAS MAS CLARAMENTE HÁ DUAS ESTRUTURAS POSSÌVEIS HÁ MUITO MAIS AMBIGÜIDADE DO QUE SE CONSEGUE PERCEBER NO DIA-A-DIA

AMBIGÜIDADE LOCAL Tirei a grana do banco e dei a ela. Tirei a toalha do banco. Ele latiu [PP como cachorro]. Eu [VP como cachorro] quando estou na China. Tente achar as várias outras possíveis “ambigüidades locais” nas sentenças acima. Como fazer para achar a estrutura sintática correta?!!!!

Como é a arquitetura de um sistema de PLN (interpretação) Análise é em geral “bottom-up” Segue mais ou menos os níveis de conhecimento da linguagem primeiro pos-tagging, depois parsing, etc. embora, na verdade eles são inter-dependentes ... Abordagem cognitiva: “Mmmm, acho que devo fazer a análise da esquerda para à direita ...” Abordagens não cognitivas: “Eu não ligo para a direção da análise e tenho um parser mais acurado que o teu!”

Abordagens da análise da PLN Handrafted: Tipicamente baseada em regras “principled” linguisticamente motivada baixa taxa de cobertura das construções baixa eficácia (accuracy: precision, recall) Vocês não fazem idéias de como tem construções estranhas nas sentenças do dia-a dia um jornal!

Abordagens da análise da PLN A partir dos anos 90: Proliferação de corpora anotado um corpus é uma coleção de sentenças/ textos um corpus anotado é uma tal coleção em que as sentenças aparecem já com análise linguística. [S [NP [det O] [pn João] ] [VP [v vendeu] [PP [prep para] [NP [det o] [pn Pedro] ] ] [NP [det o] [adj seu] [adj velho] [n computador] [PP [prep de] [n mesa] ] ] ] ]

Abordagens da análise da PLN Baseada em corpus Tipicamente usa técnicas de aprendizado de máquina (machine learning) / “Inteligência Artificial”. O computador analisa o corpus anotado e gera um sistema de decisão, utilizando análise estatística e modelos probabilísticos. O sistema de decisão é então usado para fazer a análise das novas sentenças. Mesmo com modelos com conhecimento linguístico MUITO PUERIL, se consegue resultados em geral melhores que na abordagem handcrafted. Alta cobertura. DESAFIO/TENDÊNCIA: Integração do conhecimento linguístico com os métodos probabilísticos

FINALMENTE: Diga-me para que você quer PLN ... E eu lhe digo quanto conhecimento você precisa!! Exemplo: Para classificar textos / information retrieval: verificação e comparação da freqüência de ocorrência de palavras nos documentos pesquisados levar em conta palavras que “co-ocorrem” com as palavras chave Mmm ... Será que vale a pena fazer parsing? Mmm ... E análise morfológica?

Derivações para uma sentença From Jurafsky & Martin 2000

PCFG From Jurafsky & Martin 2000

PCFG From Jurafsky & Martin 2000

Derivações da PCFG para uma sentença From Jurafsky & Martin 2000