Treebanks estado de la cuestin y desarrollo del

Treebanks: estado de la cuestión y desarrollo del treebank CLi. C-TALP Montserrat Civit Núria Bufí Mª Antònia Martí 4 -6 febrero 2002 IWCL 02

Esquema de la presentación: • Qué es un treebank? • Utilidades de un treebank? • Metodologías de desarrollo • Estado de la cuestión • Dos ejemplos paradigmáticos • Propuesta para el español: problemas concretos 4 -6 febrero 2002 IWCL 02

Definición y utilidades de un treebank Definición corpus anotado con información de estructura de frase (Mc. Enery) Utilidades 1. inferencia / extracción de conocimiento lingüístico 2. aplicaciones PLN: inferencia de gramáticas aprendizaje para la desambiguación automática 4 -6 febrero 2002 IWCL 02

Metodología Anotación manual Anotación semi-automática: Gramática a etiquetación corrección / validación manual Gramática b 4 -6 febrero 2002 IWCL 02

Estado de la cuestión (1): Treebanks existentes (principales treebanks: listado no exhaustivo) 1. 2. 3. 4. 5. 6. 7. 8. NEGRA / TIGER (alemán; 350. 000 tokens) PDT: Prague Dependency Treebank (checo; 450. 000 tok. ) Corpus Le Monde (francés; 1. 000 tokens) TUT: Turin University Treebank (italiano; 1. 000 oraciones) Spanish Treebank (UAM) (1. 500 oraciones) ISST: Italian Syntactic-Semantic Treebank (300. 000 tok. ) Penn Treebank (inglés; 3 mill. / 2 mill) Susanne Corpus (inglés; 120. 000 tokens) 4 -6 febrero 2002 IWCL 02

Estado del Arte (2): conceptos básicos Nivel de anotación: morfología / sintaxis / (semántica) Sintaxis: Constit. Funcio. NEGRA (+) PDT + + Le Monde + + TUT 4 -6 febrero 2002 Depend. Mixto (+) + + + Spanish + ISST (+) Penn + + Susanne + + IWCL 02 (+) +

Dos ejemplos paradigmáticos PDT: dependencias 3 niveles de anotación -morfológico -ATS (analytical tree structure) -TGTS (tectogrammatical tree structure) NEGRA / Le Monde: constituyentes y funciones 3 niveles de anotación 4 -6 febrero 2002 -morfológico -constituyentes -funciones sintácticas IWCL 02

PDT (1) morfología: ATS: 3030 etiquetas 187 clases de ambigüedad • relaciones de dependencia superficiales • 60 etiquetas básicas (x 3: coord / apos. / parent. ) • 25 funciones analíticas • funciones para nodos auxiliares • estructura head -- modificador • problemas de la coordinación • se admiten dobles funciones (casos dudosos) 4 -6 febrero 2002 IWCL 02

PDT (2) ATS: representación • palabra / signo puntuación nodo • # nodos = [ # palabras / signos + 1 (root)] • no hay cruce de ramas • TAGs de cada nodo: • forma • etiqueta morfológica • etiqueta sintáctica 4 -6 febrero 2002 IWCL 02

PDT (3) Ejemplo de anotación ATS: Emilio perdió la titularidad en el Real_Madrid. Aux. S . (Aux. K) PERDIÓ (pred) EMILIO (sujeto) EN (Aux. P) TITULARIDAD (objeto) REAL_MADRID (adv) LA (atrib) 4 -6 febrero 2002 IWCL 02 EL (atrib)

PDT (4) TGTS: • representaciones subyacentes de la oración • sólo los nodos autosemánticos reciben tag • TAGs para cada nodo: • lema de la palabra autosemántica • gramatemas morfológicos (sgdo. categorías morfológicas) • functores: funciones tectogramaticales (actor, patient, etc. ) Ø Conversión ATS > TGTS: fase automática + fase manual 4 -6 febrero 2002 IWCL 02

PDT (5) ATS > TGTS: Proceso automático: a) asignación de atributos • modalidad oracional • sujeto verbos activos = ACTOR • símbolos gráficos > valores borrado b) cambios en la estructura del árbol • fusión formas verbales analíticas > lema autosemántico • fusión nodos preposiciones y conjunciones complejas • borrado nodos preps/conj previa conversión a gramatemas • cambio dirección algunas dependencias • borrado nodos auxiliares Proceso manual 4 -6 febrero 2002 IWCL 02

PDT (6) Aux. S ATS: . (Aux. K) PERDIÓ (pred) EMILIO (sujeto) EN (Aux. P) TITULARIDAD (objeto) REAL_MADRID (adv) LA (atrib) 4 -6 febrero 2002 IWCL 02 EL (atrib)

PDT (6) TGTS: PERDIÓ tiempo=pas pers=3 núm=sg PERDER EMILIO actor 4 -6 febrero 2002 TITULARIDAD patient IWCL 02 REAL_MADRID locative REAL_MADRID prep= en det=el ADV

4 -6 febrero 2002 IWCL 02

NEGRA (1) Anotación sintáctica de: • estructura sintáctica (parentización) • categorías sintácticas (etiquetas para constituyentes) • funciones gramaticales No hay categorías vacías Estructuras totalmente planas (X’’ y X 0) Se permite el cruce de ramas 4 -6 febrero 2002 IWCL 02

4 -6 febrero 2002 IWCL 02

Le Monde chunker clustering léxico parser marcaje constituyentes no recursivos tagger funcional asignación funciones sintácticas Marcaje de constituyentes: <NP> Marie </NP> <VN> aime </VN> <NP> les fraises </NP> <COORD> et <NP> Paul </NP> <NP> les bananes </NP> </COORD> 4 -6 febrero 2002 IWCL 02

El corpus CLi. C-TALP: Punto de partida: • etiquetación morfológica (MACO + RELAX) • chunking sintáctico (TACAT + gramática chunks) Anotación sintáctica manual 4 -6 febrero 2002 IWCL 02

(algunos) Problemas concretos (1): 1. Sistema teóricamente neutro? Sí: NEGRA / Le Monde No: PDT, Penn. TB 2. Niveles de anotación a) constituyentes b) constituyentes y funciones (NEGRA, Le Monde) c) dependencias (PDT, ISST) 3. Contenido de la anotación de funciones a) complementos nominales y verbales? b) distinción argumentos / adjuntos? c) sujeto = argumento? 4 -6 febrero 2002 IWCL 02

(algunos) Problemas concretos (2): 4. Subespecificación de funciones? 5. Categorías vacías y elipsis: a) qué casos? b) coindización? c) tipos de coindización d) alcance de la recuperabilidad de la categoría elíptica? 6. Categoría predicado o sintagma verbal? 7. Alteración del orden superficial de las oraciones? 8. Elementos discontinuos? 4 -6 febrero 2002 IWCL 02

(algunos) Problemas concretos (3): 9. Algunas subordinadas adverbiales: a) estructuras paralelas? b) estructuras de tipo ADJUNTO? 10. Tratamiento de dobles funciones sintácticas? 11. Tratamiento de las formas no personales del verbo 12. Distinción distintos tipos de sujeto? 13. Argumentos no realizados sintácticamente (caso particular de elipsis) 14. La coordinación y los sintagmas sin núcleo 4 -6 febrero 2002 IWCL 02

(algunos) Problemas concretos (4): 15. Las ambigüedades en el attach: a) hacer una por defecto (la más alta)? b) (además) marcar b 1 - el otro posible attach? b 2 - que es ambiguo? 16. Establecer distintos tipos de oración (a nivel sintáctico) 4 -6 febrero 2002 IWCL 02

(algunos) Problemas concretos (5): 17. Elementos textuales 18. C. Predicativo: marcaje de la relación con el sujeto / OD ? 19. Modalidades oracionales 20. etc. 4 -6 febrero 2002 IWCL 02

Jerarquía de funciones (complementos verbales) Complementos Argumentos Adjuntos Tiempo Atributo Sujeto Lugar CReg CD CI CPred C. Ag 4 -6 febrero 2002 IWCL 02 Modo

Jerarquía de funciones (complementos verbales) Complementos Argumentos Adjuntos Tiempo Finalidad Atributo Sujeto Lugar CReg CD CI CPred Modo C. Ag 4 -6 febrero 2002 Causa IWCL 02

Jerarquía de funciones (complementos verbales) Complementos Argumentos Adjuntos Finalidad Tiempo Atributo Lugar Sujeto Causa Modo CReg CD CI CPred Instrumento C. Ag 4 -6 febrero 2002 Cantidad Compañía IWCL 02

Jerarquía de oraciones S Principal Subordinada No-finita Finita Relativa Adverbial Completiva Snf S 4 -6 febrero 2002 Sfr Sfc IWCL 02 Sfa

Jerarquía de oraciones S Principal Subordinada No-finita Finita Relativa Adverbial Completiva S 4 -6 febrero 2002 Sfr que Interrog Sfq Sfi IWCL 02 Snf Sfa

Jerarquía de funciones (complementos verbales) Complementos Argumentos Adjuntos Finalidad Tiempo Atributo Lugar Sujeto Causa Modo CReg CD CI CPred Instrumento C. Ag 4 -6 febrero 2002 Cantidad Compañía IWCL 02

[[ Mi marido lesi había hecho un gran favor a aquella pobre gente i ] y [ Ø i querían agradecérselo]] referente más cercano? : [[ Mi marido les había hecho un gran favor a aquella pobre gente i ] y [ Ø i querían agradecérselo]] sujeto elíptico: -¿ Øm Quieresm un refresco? [[ Mi marido les había hecho un gran favor a aquella pobre gente i ] y [ Øi/m querían m agradecérselo]] 4 -6 febrero 2002 IWCL 02

-¿Quieres un refresco? - He tomado tres en casa - ¿Un helado, entonces? Se rebasa el límite oracional en la búsqueda del referente? NO se rebasa el límite oracional en la búsqueda del referente? 4 -6 febrero 2002 IWCL 02 -¿ Øi Quieresj un refresco? - He tomado tres en casa - ¿ Øi Øj Un helado, entonces? -¿ Quieres un refresco? - He tomado tres en casa - ¿Un helado, entonces?

Me gusta la cultura del pelotazo porque sacrifica la búsqueda de lo útil en favor del cultivo de lo admirable Sintagma verbal o Predicado: [verbo > argumentos > adjuntos] alteración orden superficial [la cultura del pelotazo]i Me gusta []i porque sacrifica la búsqueda de lo útil en favor del cultivo de lo admirable . . . y que se crease [ algo parecido a un ataque interior] para equilibrar las cosas con Sabas 4 -6 febrero 2002 IWCL 02

Oraciones condicionales, concesivas, comparativas, consecutivas. Pero el Real_Madrid de anoche era tan terrenal, tan rural incluso, que despertaba ese sucedáneo de la piedad que llamamos simpatía. S S 1 S 2 Pero el Real_Madrid de anoche era tan terrenal, tan rural incluso, 4 -6 febrero 2002 IWCL 02 que despertaba ese sucedáneo de la piedad que llamamos simpatía

S Pero el Real_Madrid de anoche era tan terrenal, tan rural incluso, que despertaba ese sucedáneo de la piedad que llamamos simpatía 4 -6 febrero 2002 IWCL 02

Si la señora. Aguirre quiere castigar la suciedad de Madrid en general Sujeto ¿Qué te gustaría ser cuando seas mayor? OI Sujeto 4 -6 febrero 2002 IWCL 02

Tengo que ganar dinero para mantener a mis hijos S grup-verb grup-sp-ADJFIN sn-OD prep Snf v-nofin Tengo que ganar dinero para mantener a mis hijos Øi 4 -6 febrero 2002 IWCL 02 sp-OI

Tengo que ganar dinero para mantener a mis hijos S grup-verb grup-sp- ADJFIN sn-OD prep sn-inf infinitiu Tengo que ganar 4 -6 febrero 2002 dinero para IWCL 02 mantener sp-OI a mis hijos

Eran cuatro hermanas y todas fueron separadas Los actuales 20. 000 cascos azules habrán de ser sustituidos por fuerzas armadas para señalar que se dan, mundo adelante, excesos folletinescos en las informaciones se les hizo una sola pregunta La entrometida decencia impediría hacer esos regalos El problema está en que el presupuesto del común de los mortales no admite grandes despilfarros 4 -6 febrero 2002 IWCL 02

a) argumentos / adjuntos b) realización argumentos el que la derriba ha ido de la insatisfacción a la violencia a veces un peón va a caballo a ver a la novia aturdida por el miedo de la oportunidad que se le iba el cuerpo de Clanton iba en el primer coche ira bb en ir de de aa a en enc cc 4 -6 febrero 2002 IWCL 02

antes de nada, amo, admiro y respeto a Cayetana_de_Alba Sintagma con núcleo: (Le Monde) grup-verbo grup-verb-coord verbo amo 4 -6 febrero 2002 , admiro IWCL 02 coord verbo y respeto

antes de nada, amo, admiro y respeto a Cayetana_de_Alba Sintagma sin núcleo: (PDT) grup-verbo coord verbo amo admiro y respeto 4 -6 febrero 2002 IWCL 02

Impersonales Hace años, antes de que subieran allí arriba, en diciembre no Ø llovía Sujeto elíptico sin referente oracional -¿ Øm Quieresm un refresco? Sujeto elíptico con referente oracional (indización doble? ? ? ) [[ Mi marido les había hecho un gran favor a aquella pobre gente i ] y [ Øi/m querían m agradecérselo]] 4 -6 febrero 2002 IWCL 02

Es que, doña Laurita, no sabe qué penalidades nos van cercando Pero esto, con ser mucho, no fue todo. Sin_embargo, ahora te vemos distinto Etiqueta especial: E(lementos) T(extuales) Inesperadamente, los límites de su vida se habían reducido a la mínima expresión 4 -6 febrero 2002 IWCL 02

4 -6 febrero 2002 IWCL 02

4 -6 febrero 2002 IWCL 02

La misma decisión tiene efectos distintos: La facultad de aprender (aprender y reaccionar (reaccionar) y reaccionar) ante nuevas situaciones Ø Dada la coordinación, generalizar no implica error ni pérdida de información Vi (Vi) (al alalhombre) hombre con el telescopio Ø Hacer el attach al nodo más alto puede implicar error 4 -6 febrero 2002 IWCL 02