Autor(es): Fukova, Tetyana
Data: 2016
Identificador Persistente: http://hdl.handle.net/10400.1/8633
Origem: Sapientia - Universidade do Algarve
Assunto(s): Russo; Expressões idiomáticas verbais; Léxico-gramática; Identificação automática; Processamento de linguagem natural; Russian; Verbal idioms; Lexicon-grammar; Automatic identification; Natural language processing
Esta dissertação descreve um projeto em curso para construir um Léxico-Gramática de expressões idiomáticas verbais da língua russa, para processamento de linguagem natural. O objectivo é produzir um recurso linguístico que poderá ser utilizado para identificar automaticamente essas expressões nos textos que estas ocorrem naturalmente. Tal recurso também pode ser útil para diversas áreas de pesquisa, como a aquisição da linguagem, no ensino e aprendizagem de línguas, em processamento de linguagem natural, entre outros. A identificação automática das unidades de significado em textos envolve a delimitação e identificação corretas das expressões idiomáticas. Usando recursos linguísticos disponíveis e a plataforma de desenvolvimento linguístico Unitex, juntamente com o léxico computacional (machine-readable dictionary) distribuído com este software, pretendemos determinar a informação linguística relevante necessária para processar este tipo de expressões e formalizá-la num banco de dados de expressões idiomáticas. Para este trabalho, foram coletadas 1.000 expressões idiomáticas verbais russas, a partir de dicionários de fraseologia e de outras fontes, que foram classificadas usando o quadro teórico-metodológico do Léxico-Gramática. As expressões foram codificadas num formato tabular, com o objetivo de processamento computacional e identificação automática destas expressões em textos. A fim de recuperar automaticamente a partir de textos as expressões idiomáticas representadas no léxico-gramática num formato tabular, usamos o Unitex, uma plataforma de desenvolvimento linguístico em código aberto (open-source). Uma das suas funcionalidades é a possibilidade de interseção de matrizes de dados com transdutores de estados finito, os quais podem então ser usados para reconhecer e etiquetar padrões complexos em textos. Isso é feito construindo em primeiro lugar um grafo de referência para cada classe de construções. Nesse grafo os elementos lexicais do léxico-gramática são representados por variáveis que se referem à coluna correspondente em que esses elementos aparecem na matriz. Procedeu-se a uma avaliação preliminar do léxico-gramática e dos correspondentes transdutores de estados finito, construídos para a identificação automática das construções fixas em textos, aplicando-os a dois corpora, propositadamente coletadas para este estudo, constituidos por frases obtidas a partir do Corpus Nacional Russo (RNC) on-line, disponível gratuitamente. Os resultados para as classes C1, CP1 e C1P2, isto é, as classes de expressões idiomáticas com maior número de elementos no léxico-gramática, mostram alta abrangência e precisão em ambas as experiências. Foi, de seguida, realizada uma detalhada análise de erros, e algumas melhorias foram feitas, tanto no léxico-gramática como nos grafos de referência.
