TRANSFORMACIÓN AUTOMÁTICA DE TEXTO A GRAFOS CONCEPTUALES Sonia Ordoñez ...

139 Pages·2011·2.41 MB·English

TRANSFORMACIÓN AUTOMÁTICA DE TEXTO A GRAFOS
CONCEPTUALES

Sonia Ordoñez Salinas

Universidad Nacional de Colombia
Facultad Ingenieria, Departamento de Sistemas e Industrial
Doctorado en Ingeniería Sistemas y Computación
Ciudad, Colombia
2011
TANSFORMACIÓN AUTOMÁTICA DE TEXTO A GRAFOS
CONCEPTUALES

Sonia Ordoñez Salinas

Tesis o trabajo de investigación presentada como requisito parcial para optar al
título de:
Doctor en Ingnería de Sistemas y Computación

Director:
Ph.D., Alexander Gelbukh

Línea de Investigación:
Procesmiento de Lenguaje Natural y Lingüística Computacional

Universidad Nacional de Colombia
Facultad Ingeniería, Departamento Sistemas e Industrial
Doctorado en Ingeniería de Sistemas y Computación
Ciudad, Colombia
2011
A quienes me han apoyado incondicional-
mente, mi compañero y amigo de vida Alvaro,
mis adorados hijos Sebastian y Laura, a mi
amada madre y hermanos.
Agradecimientos VI

Agradecimientos
Agradezco la asesoría y colaboración del profesor Alexander Gelbukh, director del
proyecto, ya que sin su ayuda no hubiera sido posible la realización de esta
investigación. Quiero de manera especial resaltar su empeño y dedicación hacia la
investigación y la transmisión del conocimiento.

De manera muy especial quiero reconocer el gran apoyo brindado por el profesor
Luis Fernando Niño, quien con su desinteresada colaboración a todos los
estudiantes ha permitido la consolidación del doctorado y los procesos de
investigación en la Universidad.

De igual forma agradezco el cuerpo de Docentes entre los que me gustaria destacar
al profesor Fabio Gonzalez. Quiero hacer extensivo estos agradecimientos al
cuerpo administrativo de la facultad y de la Universidad en General.

Por último quiero expresar mi sentido de gratitud a la Universidad Distrital F.J.C
por la comisión de estudios que me fue otorgada y que me permitió dedicarme a
desarrollar esta investigación y al Instituto Politécnico Nacional de México por
permitirme realizar la pasantía.
Resumen y Abstract VII

Resumen
Dentro de las estructuras computacionales utilizadas para el procesamiento del
lenguaje natural, se encuentran los grafos conceptuales (GCs) que por sus ventajas
se pueden convertir en un instrumento eficiente para la representación formal del
significado del texto. Usualmente los GCs son creados utilizando una estructura
sintáctica que es modificada hasta obtener los GCs, lo que involucra dos procesos
costosos: el análisis sintáctico y la transformación al los GCs. Esta tesis propone
dos soluciones más simples para la transformación directa de texto a grafos
conceptuales, sin involucrar una estructura intermedia.

Una solución es a través de la construcción de una gramática especializada. Dicha
gramática se crea de forma automática a partir de un recurso léxico existente
construido para otro fin.

Otra solución propuesta, es a través del desarrollo de un analizador sintáctico
basado en un método estadístico no supervisado y pobre en conocimiento. El
método usa las estadísticas de coocurrencia de las palabras en un corpus grande (o
en Internet) y permite obtener estructuras simplificadas de GCs. Cabe mencionar
que para su entrenamiento no se requiere ningún trabajo manual previo ya que se
basa en un corpus no preparado, más aún, sólo se requieren las estadísticas de
coocurrencia y no se requiere el acceso al corpus mismo, lo que es importante en el
caso del uso de los motores de búsqueda en Internet como la fuente de información
estadística.

Palabras clave: Procesamiento de lenguaje natural, Lingüística
computacional, Grafos conceptuales, Análisis sintáctico no supervisado,
Gramática especializada.
VIII Transformación automática de texto a Grafos conceptuales

Abstract
One of the computational structures used in natural language processing is the
Conceptual Graphs (CGs), which thanks to their advantages can become an
efficient tool for formal representation of the meaning of the text. GCs are usually
created using some syntactic structure that is modified to obtain the CGs. This
involves two costly processes: parsing and transformation to the CGs. This thesis
proposes two simpler solutions for converting text to conceptual graphs directly,
without involving an intermediate structure.

One solution is through the construction of a specialized grammar. This grammar
is automatically created from an existing lexical resource that has been built for
another purpose.

The other proposed solution is through the development of a parser based on a
knowledge-poor unsupervised statistical method. The method uses co-occurrence
statistics of words in a large corpus (or Internet) and generates simplified CG-like
structures. It should be mentioned that the training process does not require any
previous manual work because it is based on a raw text corpus. Moreover, it only
requires the co-occurrence statistics and does not require access to the corpus
itself, which is important for the use of Internet search engines as the source of
statistical information.

Keywords: Natural language processing, Computational linguistics,
Conceptual graphs, unsupervised parsing, Specialized grammar.
Contenido IX

Contenido
1.INTRODUCCIÓN 1
1.1 HIPÓTESIS _______________________________________________________________________________________ 2
1.2 ESTRUCTURA DEL DOCUMENTO ___________________________________________________________________ 3
2.ESTADO DEL ARTE Y MARCO TEÓRICO 4
2.1 ESTRUCTURAS COMPUTACIONALES EN EL PLN _____________________________________________________ 5
2.1.1 Estructuras básicas ........................................................................................................................... 5
2.1.2 Estructuras avanzadas ...................................................................................................................... 8
2.1.3 Estructuras conceptuales estandarizadas ........................................................................................ 11
2.2 GRAFOS CONCEPTUALES (GCs) ____________________________________________________________________ 16
2.2.1 Características de los GCs ............................................................................................................. 16
2.2.2 Herramientas para generar grafos conceptuales ............................................................................. 17
2.2.3 Recuperación automática de grafos conceptuales .......................................................................... 22
3.MÉTODO BASADO EN REGLAS SINTÁCTICAS Y SEMÁNTICAS 25
3.1 INTRODUCCIÓN __________________________________________________________________________________ 25
3.2 TRABAJO PREVIO ________________________________________________________________________________ 25
3.2.1 La tarea principal no corresponde a la Creación de los GC ........................................................... 26
3.2.2 La tarea es restringida a un vocabulario controlado ....................................................................... 26
3.2.3 Se crean reglas sobre estructuras sintácticas .................................................................................. 27
3.2.4 Uso de recursos .............................................................................................................................. 27
3.3 TRABAJO PROPUESTO ____________________________________________________________________________ 27
3.3.1 Los grafos conceptuales y las estructuras sintácticas ..................................................................... 28
3.3.2 Gramática para los grafos conceptuales (gramática-GC) ............................................................... 33
3.3.3 Parsing cic-ipn ............................................................................................................................... 38
3.3.4 Validación los grafos conceptuales ................................................................................................ 40
X Trasnformación automática de texto a grafos conceptuales

4.MÉTODO ESTADÍSTICO NO SUPERVISADO 47
4.1 “PARSING” PROBABILÍSTICOS ____________________________________________________________________ 47
4.1.1 Modelo de Caroll y Charniak ........................................................................................................ 48
4.1.2 Modelo de Paskin y Yuret ............................................................................................................. 49
4.1.3 Modelo de Klein y Mannning ........................................................................................................ 49
4.2 LAS ESTRUCTURAS DE DEPENDENCIA Y LOS GRAFOS CONCEPTUALES _______________________________ 49
4.3 ASOCIACIONES POR CO-OCURRENCIAS ____________________________________________________________ 51
4.4 ESTRUCTURA SIMPLIFICADA DE GRAFOS CONCEPTUALES __________________________________________ 52
4.5 PARSING PARA GENERAR UNA ESTRUCTURA SIMPLIFICADA DE GC __________________________________ 56
4.5.1 Método ........................................................................................................................................... 56
4.5.2 Algoritmo voraz ............................................................................................................................. 58
4.5.3 Resultados experimentales del parsing .......................................................................................... 58
5.RESULTADOS DE LA INVESTIGACIÓN 60
5.1 CONCLUSIONES Y TRABAJO FUTURO ______________________________________________________________ 60
5.2 APORTES _______________________________________________________________________________________ 60
5.3 PRODUCTOS ENTREGABLES ______________________________________________________________________ 61
5.4 PUBLICACIONES _________________________________________________________________________________ 62