Tar antula - ara na - animal : asignaci on de - CORE
←
→
Transcripción del contenido de la página
Si su navegador no muestra la página correctamente, lea el contenido de la página a continuación
View metadata, citation and similar papers at core.ac.uk brought to you by CORE
provided by Repositorio Institucional de la Universidad de Alicante
Procesamiento del Lenguaje Natural, Revista nº 64, marzo de 2020, pp. 29-36 recibido 08-11-2019 revisado 15-01-2020 aceptado 18-01-2020
Tarántula –> araña –> animal : asignación de
hiperónimos de segundo nivel basada en métodos de
similitud distribucional
Tarantula –> spider –> animal: second level hypernymy
discovery based on distributional similarity methods
Rogelio Nazar, Javier Obreque, Irene Renau
Instituto de Literatura y Ciencias del Lenguaje
Pontifica Universidad Católica de Valparaı́so
rogelio.nazar@pucv.cl, j.obrequezamora@gmail.com, irene.renau@pucv.cl
Resumen: La asignación automática de hiperónimos sigue presentando problemas
para el procesamiento del lenguaje natural. En particular, los sustantivos polisémicos
se vinculan a distintos hiperónimos y por ello pueden causar problemas estructurales
en una taxonomı́a léxica. Por ejemplo, el sustantivo tarántula puede ser registrado
como hipónimo de araña y, como este es un sustantivo polisémico (puede denotar a
un ser vivo o a un tipo de lámpara), es necesario determinar cuál es el hiperónimo
siguiente en la cadena: animal o artefacto. En el presente artı́culo exploramos méto-
dos para resolver este problema utilizando el cálculo de la similitud entre sustantivos
utilizando como variable predictora los verbos con los que coocurren. Los mejores
resultados (84 % de acierto) se obtienen con un método simple que solo mide coocu-
rrencia, sin tener en cuenta información sintáctica.
Palabras clave: hiperonimia, polisemia, similitud distribucional, taxonomı́a
Abstract: Automatic hypernymy discovery continues to present challenges for na-
tural language processing. Polysemous nouns are linked to more than one hypernym
and can therefore cause structural damage on a lexical taxonomy. For instance, the
Spanish noun tarántula (‘tarantula’) is a hyponym of araña (‘spider’), but this is
also a polysemous noun, as it means ‘chandelier’ as well. It is thus necessary to
determine the next hypernym in the chain, that is animal (‘animal’) or artefacto
(‘artifact’). In this paper we explore methods to solve this problem using a simila-
rity measure that uses verb-noun co-occurrence as a predictor variable. Best results
(84 % success) are obtained with a simple method that only measures co-occurrence,
irrespective of any syntactic information.
Keywords: distributional similarity, hypernymy, polysemy, taxonomy
1 Introducción 2015; Klapaftis y Manandhar, 2010). Eso es
ası́, al menos, en el caso de las taxonomı́as se-
El establecimiento de relaciones de hiperoni- masiológicas, es decir, aquellas que se basan
mia entre unidades léxicas continúa siendo en unidades léxicas, como es usual en lexico-
un desafı́o en el campo del procesamiento del grafı́a, y no en conceptos, que es lo propio de
lenguaje natural. Actualmente, las estrate- las ontologı́as (Baldinger, 1977; Sager, 1990).
gias que existen alcanzan promedio de pre- La polisemia es el fenómeno por el cual
cisión que fluctúa en torno al 80 % (Velardi, una palabra tiene más de un significado, y
Faralli, y Navigli, 2013; Bordea, Lefever, y ocurre cuando uno de los significados da ori-
Buitelaar, 2016), lo cual deja un amplio mar- gen a otro u otros, por metáfora, metonimia
gen de mejora. u otro mecanismo, sin que el significado ori-
En el marco de la inducción automática de ginal se anule (Ullmann, 1972; Lyons, 1977;
taxonomı́as léxicas, es decir, las estructuras Kilgarriff, 1992; De Miguel, 2016). Ası́, de
que emergen de las relaciones de hiperonimia- araña ‘animal’ se deriva araña ‘lámpara’ por
hiponimia (Lyons, 1977), uno de los proble- la similitud formal entre ambas entidades.
mas pendientes es cómo tratar adecuadamen- En este trabajo se aborda especı́ficamen-
te el fenómeno de la polisemia (Bordea et al., te el problema de la herencia semántica en la
ISSN 1135-5948. DOI 10.26342/2020-64-3 © 2020 Sociedad Española para el Procesamiento del Lenguaje NaturalRogelio Nazar, Javier Obreque, Irene Renau
fuente del proyecto, implementado en el
lenguaje Perl, se encuentra disponible en
la página web que acompaña el artı́culo:
http://www.tecling.com/hat
2 La asignación automática de
hiperónimos
La hiperonimia es una de las relaciones
semánticas de inclusión que acontecen en la
Figura 1: Estructura taxonómica con un hi- estructura léxica de una lengua (Garcı́a y
perónimo de nivel 1 y 2 de nivel 2. Pascual, 2009). Leech (1985) la describió co-
mo el fenómeno por el cual una palabra inclu-
ye semánticamente a otra. Ası́, un hiperóni-
mo se define como una unidad léxica cuyo sig-
cadena de relaciones de hiperónimo-hipóni- nificado está en un nivel de abstracción más
mo en una taxonomı́a léxica. Con el fin de alto que el de su hipónimo.
ilustrar la problemática, imaginemos el caso Una taxonomı́a léxica debe presentar las
de un algoritmo de asignación de hiperónimos siguientes tres caracterı́sticas fundamentales:
que establece correctamente la relación de hi- 1. Herencia: un nodo inferior (hipónimo) he-
ponimia del sustantivo tarántula con respec- reda las propiedades de su nodo superior (hi-
to a araña. Tal como se muestra en la Figu- perónimo).
ra 1, serı́a necesario entonces determinar de 2. Asimetrı́a: una unidad léxica no puede ser
qué significado especı́fico del sustantivo araña superior (hiperónimo) e inferior (hipónimo)
se trata, ya sea el de animal (solución correc- de otra unidad léxica al mismo tiempo.
ta) o el de artefacto (solución incorrecta). En 3. Transitividad: si un hipónimo a tiene un
este trabajo, se llamará hiperónimo de nivel hiperónimo directo (a → b ) y este, a su vez,
1 al hiperónimo del tipo araña (inmediata- tiene otro (b → c), entonces el primero es
mente superior en la cadena hiperonı́mica al hipónimo del último (a → c).
hipónimo, en este caso tarántula), e hiperóni- En lingüı́stica computacional se utilizaron
mo de nivel 2 al hiperónimo del tipo animal términos como red semántica u ontologı́a pa-
o artefacto (de los cuales solo uno de ellos es ra referirse a estructuras de datos relaciona-
correcto, en este caso animal ). dos formalmente aplicadas al procesamiento
El objetivo de esta investigación es, enton- automático de grandes cantidades de datos
ces, proponer un algoritmo para resolver los (Sowa, 2000). Cabe aclarar, sin embargo, que
casos de ambigüedad de hiperónimos de nivel una taxonomı́a léxica es algo distinto a las
2. El método está basado en medidas de co- anteriores estructuras, ya que solo establece
ocurrencia léxica, a través de las cuales es po- relaciones de hiperonimia y además lo hace
sible seleccionar el significado correcto entre entre unidades léxicas, no entre conceptos.
los que ofrece un hiperónimo polisémico. Para Una ontologı́a no deberı́a presentar proble-
ello, en esta investigación empleamos la co- mas derivados de la polisemia porque pue-
ocurrencia sustantivo-verbo. Ası́, los verbos de identificar sus nodos conceptuales con un
con los que frecuentemente coocurre el sus- código arbitrario, tal como un identificador
tantivo tarántula proporcionarán pistas sobre numérico. Esto le permite, además, asociar
si se debe clasificar como animal o como arte- términos distintos para un mismo concepto,
facto. Consideramos que la conformación de con lo cual se evita también el problema de la
este método representa un avance en el mar- sinonimia, otra de las complicaciones de las
co de la inducción automática de taxonomı́as taxonomı́as semasiológicas.
y puede contribuir a solucionar el problema Los primeros intentos para construir taxo-
de la polisemia en hiperónimos de segundo nomı́as y ontologı́as se desarrollaron de for-
nivel. ma manual, en casos como los de CyC (Le-
A continuación, se presenta un breve es- nat, 1995), WordNet (Fellbaum, 1998), Euro-
tado de la cuestión (apartado 2), la me- WordNet (Vossen, 2004), Snomed (Stearns et
todologı́a (apartado 3), los resultados y al., 2001), entre otros. Por supuesto, el desa-
evaluación (apartado 4) y las conclusiones rrollo en forma manual de estas estructuras
y trabajo futuro (apartado 5). El código de datos presenta limitaciones. Por un lado,
30Tarántula -> araña -> animal: asignación de hiperónimos de segundo nivel basada en métodos de similitud distribucional
son propensas a inconsistencias, incluso con los verbos con los que están asociados sin-
protocolos rigurosos. Por otro lado, se vuel- tagmáticamente los sustantivos. Presentamos
ven obsoletas con relativa rapidez debido al primero la versión más básica del método y
dinamismo de la lengua, problema que se agu- luego una serie de variantes que van añadien-
diza en el caso de las taxonomı́as especializa- do complejidad.
das, que tienen una acelerada evolución ter- La sección abre con la descripción del pro-
minológica. ceso de selección de la muestra para experi-
Estas limitaciones han sido motivo sufi- mentación (3.1). Luego se presenta el méto-
ciente para emprender la tarea de la genera- do más básico, llamado binario, que utiliza
ción automática de taxonomı́as. Una prime- vectores binarios y solo mide la frecuencia de
ra lı́nea de investigación consistió en la ex- coocurrencia entre verbos y sustantivos (3.2).
tracción de relaciones de hiperonimia a través A continuación, se describe el resto de las va-
del procesamiento automático de diccionarios riantes del método: ponderado, que también
(Calzolari, 1984; Chodorow, Byrd, y Heidorn, utiliza vectores binarios pero con verbos se-
1985; Guthrie et al., 1990; Agirre et al., 1994). leccionados mediante una medida de asocia-
Estos trabajos se basan fundamentalmente ción (3.3); euclidiano, que en lugar de vecto-
en la elaboración de sistemas de reglas que res binarios utiliza números reales obtenidos
puedan analizar las definiciones y extraer pa- a partir de la medida de asociación (3.4) y, fi-
res hipónimo-hiperónimo. Una regla de este nalmente, dependencias, que utiliza vectores
tipo puede ser que el primer sustantivo en la binarios pero con verbos que se obtienen por
definición de un sustantivo será su hiperóni- relaciones de dependencia sintáctica (3.5).
mo.
Más tarde se aplicó una idea similar, es de- 3.1 Selección de la muestra para
cir, la utilización de listas de patrones prees- experimentación
tablecidos, no ya sobre diccionarios sino so- Con el objeto de obtener trı́adas como las
bre texto libre (Hearst, 1992). Se realizaron mostradas en la Figura 1 (es decir, hipóni-
múltiples variantes de este enfoque, tales co- mo + hiperónimo de nivel 1 + dos posi-
mo el intento de extraer estos patrones direc- bles hiperónimos de nivel 2), implementamos
tamente del mismo corpus de manera induc- un script Perl que interroga la base de da-
tiva (Snow, Jurafsky, y Ng, 2006). tos WordNet en castellano (Vossen, 2004). El
En la actualidad, la inducción de taxo- script detecta la presencia de sustantivos en
nomı́as sigue enfrentando, entre otros, pro- más de un synset, lo que puede ser interpreta-
blemas de estructura y polisemia. En este do como indicador de polisemia, y que mues-
marco, el presente estudio contribuye a me- tren a la vez por lo menos un hipónimo. Esto
jorar los resultados de la inducción de taxo- permitió encontrar 26 casos que satisficieran
nomı́as mediante una propuesta metodológi- el requerimiento de una frecuencia mı́nima de
ca que se fundamenta en dos ámbitos: por 100 ocurrencias en el corpus de trabajo (v.
una parte, en los principios de la semántica apartado 3.2.1). Como se puede ver en la Ta-
léxica, utilizando unidades léxicas de contex- bla 1, en cada trı́ada tenemos el hipónimo,
tos sintagmáticos de los sustantivos en estu- que es el sustantivo objetivo (como laucha),
dio; por otra parte, en la estadı́stica de corpus el sustantivo polisémico es el hiperónimo de
fundada, en nuestro caso, en la aplicación de primer nivel (ratón) y el resto son los candi-
una medida de similitud distribucional (Gre- datos a hiperónimo de nivel 2 (animal o arte-
fenstette, 1994; Lin, 1998) que permitirá ope- facto), entre los cuales el sistema debe elegir
racionalizar la similitud semántica entre pa- uno.
labras con el fin de obtener mediciones cuan-
tificables y comprobables empı́ricamente. 3.2 El método base: binario
3.2.1 Extracción de contextos de
3 Metodologı́a aparición de los sustantivos
En esta sección detallamos la propuesta me- Por cada sustantivo analizado tomamos una
todológica para asignar relaciones de hiper- muestra de contextos de aparición. Para ello
onimia de segundo nivel en los casos de poli- utilizamos el corpus esTenTen (Kilgarriff y
semia, utilizando para ello una medida de si- Renau, 2013), versión 2011 (9.500 millones
militud distribucional entre sustantivos. Co- de palabras). Hicimos muestreos aleatorios de
mo variable para la comparación, utilizamos un máximo de hasta 5.000 concordancias por
31Rogelio Nazar, Javier Obreque, Irene Renau
Sust. Hiper. Hiper. tivos analizados, como absolutismo, coocurre
objetivo nivel 1 nivel 2
asaltante ladrón humano — artefacto con frecuencia con el verbo abandonar, lo que
caniche perro animal — artefacto también sucede con el sustantivo caniche pe-
chimpancé mono animal — prenda ro no ası́ con tarántula.
laucha ratón animal — artefacto
tarántula araña animal — artefacto abandonar abarcar abogar ...
... ... ... absolutismo 1 0 0 ...
caniche 1 0 0 ...
tarántula 0 0 0 ...
... ... ... ... ...
Tabla 1: Ejemplos del tipo de trı́ada en estu-
dio, con la opción correcta en negrita.
Tabla 3: Ejemplificación de la matriz de co-
cada sustantivo, aunque en muchos casos la ocurrencia sustantivo-verbo.
muestra fue menor debido a que no todos tie-
nen tanta frecuencia de aparición en el cor- En esta variante del método optamos por
pus. Utilizamos una ventana de contexto de valores binarios, como se muestra en la Tabla
10 palabras a derecha e izquierda, teniendo en 3. El valor de la celda se define en (1), don-
cuenta la distancia variable en que se puede de la frecuencia de coocurrencia f r(i, j) debe
presentar la coocurrencia verbo-argumento y, superar un umbral u (u = 5).
en esta variante del método, nos limitamos a
1 f r(i, j) > u)
medir la frecuencia de coocurrencia. Para ello Mi,j = (1)
0 otherwise
basta el etiquetado morfosintáctico del cor-
pus EsTenTen. La Tabla 2 muestra un frag- 3.2.4 Formación de vectores clase
mento de contexto del sustantivo tarántula para hiperónimos de segundo
con el etiquetado del corpus. nivel
Forma Categorı́a gramatical Lema Los hiperónimos de segundo nivel utilizados
Si CSUBX si en la muestra (por ejemplo evento, animal,
una ART un máquina, etc.) resultan demasiado abstractos
tarántula NC tarántula
pica VLfin picar
para crear un vector de coocurrencia directa-
a PREP a mente como se explica en el apartado 3.2.3.
una ART un Esto motivó que la construcción de vectores
persona NC persona se llevara a cabo de manera indirecta, a través
... ... ...
de la suma de vectores de varios sustantivos
pertenecientes a esas categorı́as. La Tabla 4
Tabla 2: Ejemplo de contexto de aparición del muestra algunos ejemplos de dicha selección,
sustantivo tarántula. donde se ve la categorı́a y 10 sustantivos per-
tenecientes a ella. La selección de sustantivos
3.2.2 Extracción de los verbos es arbitraria, pero se trata en todos los casos
de miembros prototı́picos de cada categorı́a,
Por cada uno de los sustantivos analizados,
y que tendrán frecuencia alta en el corpus.
se recorrieron sus contextos de aparición re-
gistrando la frecuencia de los verbos con los Hiper. nivel 2 Hipónimos
que coocurren. De este modo, conservamos animal caballo, canario, canguro,
delfı́n, elefante, gorrión, jirafa,
los verbos en los que se observa una frecuen- león, lobo, ornitorrinco
cia de coocurrencia de mı́nimo 5 casos, um- máquina aspiradora, automóvil, cocina,
bral arbitrario sobre el que es más improba- cortadora, estufa, horno, ju-
guera, motocicleta, refrigera-
ble que la observación sea fruto de accidente dor, soldadora
o error. prenda blusa, calcetı́n, calzón, cami-
sa, chaleco, cinturón, corbata,
3.2.3 Conformación de una matriz de pantalón, polera, sudadera
coocurrencia con verbos ... ...
Una vez obtenidos los listados de coocurren-
cia sustantivo-verbo, se conformó una matriz
Tabla 4: Ejemplo de construcción de vectores-
Mi,j en la que los sustantivos son dispuestos
clase.
en las filas y los verbos con los que coocu-
rren en las columnas. La Tabla 3 muestra la Por cada sustantivo de estas categorı́as se
estructura de esta matriz. Uno de los sustan- extrajeron sus contextos de aparición tal co-
32Tarántula -> araña -> animal: asignación de hiperónimos de segundo nivel basada en métodos de similitud distribucional
mo se describe en (3.2.1) y se construyó una puede ser animal y V~Ci artefecto. Siempre se
matriz de coccurrencia sustantivo-verbo co- elige una de las opciones.
mo en (3.2.3). La Tabla 5 muestra la forma
en que se suman los vectores-miembro para
V ~Ck J(~o, V ~Ck ) > J(~o, V~Ci )
obtener un vector-clase. Al igual que en la h(~o) = (3)
Tabla 4, los sustantivos se disponen en las fi- V~Ci otherwise
las y los verbos en las columnas. La diferencia
aquı́ está en que estos sustantivos (Hi ) son
los diez miembros elegidos de cada categorı́a.
3.3 Aplicación de una medida de
La última fila, señalada con el sı́mbolo V C, asociación: la variante
representa el vector-clase, y consiste en la su- ponderada
ma de los vectores de cada uno de sus hipóni- Tal como anticipamos al comienzo de la sec-
mos. Esto significa que cada componente de ción, experimentamos con distintas variantes
V C tendrá valor 1 si existe al menos una del método principal con el fin de contrastar
celda con valor 1 en la columna correspon- resultados.
diente. De esta manera, por cada uno de esos La variante ponderada del método es muy
tipos semánticos más abstractos, obtenemos similar a la anterior, y sigue utilizando vecto-
un vector clase, representado por los verbos res binarios. La única diferencia es que aho-
con los que coocurren sustantivos hipónimos ra poblamos esos vectores mediante una me-
de estos hiperónimos más abstractos. jor selección de los verbos, utilizando para
V1 V2 V3 V4 V5 ... Vn
ello una medida de asociación sintagmática
H1 0 1 1 0 0 ... 0 (Ecuación 4). De forma similar a la Ecuación
H2 0 0 1 0 1 ... 0 1, solo tendrán valor 1 los pares sustantivo-
H3 0 1 1 0 0 ... 1
H4 0 0 1 0 1 ... 0
verbo que tengan una ponderación mayor a
... ... ... ... ... ... ... ... un umbral mı́nimo que, a diferencia del caso
Hn 0 1 1 0 0 ... 0 anterior, ahora tiene otro valor (u = 0,01).
VC 0 1 1 0 1 ... 1
f (s, v)
cooc(s, v) = p p (4)
f (s). f (v)
Tabla 5: Esquematización de la suma de vec-
tores para la conformación del vector-clase. El resto del procedimiento es idéntico al
método básico.
3.2.5 Cálculo de similitud entre
vectores 3.4 Uso de vectores con números
Una vez poblada la matriz de los sustantivos reales en lugar de binarios: la
objetivo (Tabla 3) y la de los vectores-clase variante euclidiana
(Tabla 5), el siguiente paso consiste en aplicar Esta tercera variante del método está basada
una medida de similitud entre el vector que en la anterior (ponderada), pero en lugar de
corresponde a este sustantivo objetivo (~o) y utilizar valores binarios ahora son vectores de
cada uno de los vectores-clase (V~C) que re- números reales, cuyos valores se obtienen de
presentan a los hiperónimos de segundo nivel. la ponderación definida en la Ecuación 4. El
Como medida de similitud aplicamos el ı́ndi- uso de valores reales en lugar de binarios obli-
ce de Jaccard (2), que es apropiado para la ga a hacer ajustes en el método básico, como
comparación de vectores binarios. Dados dos la conformación de los vectores-clase (apar-
vectores A y B, la similitud se obtiene opo- tado 3.2.4). En este caso, los valores de los
niendo la intersección a la unión. vectores-clase se obtienen sumando las pon-
|A ∩ B| deraciones de los verbos asociados a cada sus-
J(A, B) = (2) tantivo, como se indica en la Ecuación 5.
|A ∪ B|
|V C|
Ası́, en el caso de tarántula, la selección X
V Cj = Hi,j (5)
entre animal y artefacto (sus dos hiperóni- i=1
mos de segundo nivel) se realiza por medio
de una función h según el valor de similitud Otra de las diferencias en esta variante del
recién explicado, tal como se muestra en la método es que al utilizar vectores con núme-
Ecuación 3, donde ~o puede ser tarántula, V ~Ck ros reales podemos optar por otras medidas
33Rogelio Nazar, Javier Obreque, Irene Renau
Lı́nea Forma Lema POS Dep. Func.
de similitud. En este caso optamos por la uti- 93 Si si SCONJ 102 mark
94 una uno DET 95 det
lización de la distancia euclidiana, definida en 95 tarántula tarántula NOUN 102 nsubj
la Ecuación 6. 96
97
pica
a
pico
a
ADJ
ADP
95
99
amod
case
v 98 una uno DET 99 det
u n 99 persona persona NOUN 95 nmod
uX ... ... ... ... ... ...
d(A, B) = t (Ai − Bi )2 (6)
i=1
Tabla 6: Ejemplo de análisis de dependencias
Esta variante permite captar la idea según con UDPipe en que se produce un error en la
la cual un sustantivo objetivo o y un hiperóni- detección del verbo picar.
mo de segundo nivel V Ck correcto deberı́an
tener un similar perfil de coocurrencia con
verbos, siendo algunos verbos más significa- 4 Resultados
tivos que otros. Con esta medida se seleccio- La Tabla 7 muestra los resultados del método
na un hipónimo de la misma forma que en la en sus distintas variantes, sobre la muestra de
Ecuación 3, solo que en este caso el signo < sustantivos objetivo. La cobertura es igual a
se invierte a >, ya que se trata de una medida la precisión debido a que forzamos al sistema
de distancia en lugar de similitud. a elegir siempre una de las opciones.
3.5 Uso de un parser sintáctico Variante Precisión
para extraer relaciones binaria 69 %
ponderada 84 %
verbo-sustantivo: la variante euclidiana 73 %
dependencias dependencias 57 %
aleatoria 50 %
La última variante, y la más compleja, involu-
cra la utilización de un analizador de depen-
dencias sintácticas para determinar la fun- Tabla 7: Resultados del método en sus dis-
ción gramatical que se produce entre sustan- tintas variantes
tivos y verbos. El parser permite limitar la
selección a las parejas sustantivo-verbo que Los mejores resultados se obtuvieron con
efectivamente contraen una relación sintácti- la variante ponderada. Atribuimos este resul-
ca, como puede ser el caso de la relación tado a una mejor selección de los verbos co-
sujeto-verbo, verbo-objeto directo, etc. ocurrentes, a través de una medida de aso-
Utilizamos para ello UDPipe, uno de los ciación sintagmática. Esto suprimió el ruido
mejores y más recientes analizadores de de- que introducı́an en la variante binaria los
pendencias (Straka y Straková, 2017). La verbos que tienen alta frecuencia de coocu-
Tabla 6 muestra el resultado del análisis rrencia con muchos sustantivos diferentes. La
sintáctico del mismo fragmento de contexto variante euclidiana, con la incorporación de
del sustantivo tarántula que se mostró en la la medida de distancia euclidiana, también
Tabla 2. En este caso se produce un error, mejora la variante binaria, pero con resul-
ya que el verbo picar no es reconocido co- tados más modestos. Finalmente, la variante
mo tal (lı́nea 96) y se etiqueta como adjetivo, dependencias, que extrae los verbos median-
perdiéndose ası́ la información relativa a que te análisis sintáctico y es la de mayor com-
tarántula es el sujeto del verbo picar. Dada plejidad, tuvo el peor desempeño, con solo 7
la mayor complejidad de este tipo de análi- puntos por encima de una clasificación alea-
sis, cabe esperar que se produzca una alta toria. Esto puede ser atribuible al hecho de
tasa de error. Sin embargo, al mismo tiem- que los textos del corpus, tomados de pági-
po resulta razonable suponer también que la nas web, contienen una sintaxis y ortografı́a
gran cantidad de contextos de aparición de relajadas propias de los textos de Internet.
los sustantivos compense esta tasa de error. Solucionar este problema queda fuera del al-
En este caso optamos nuevamente por la cance de la presente investigación.
utilización de vectores binarios, pero no apli- La Tabla 8 muestra los resultados con las
camos un lı́mite de frecuencia por ser ya esta primeras 9 unidades analizadas por orden al-
variante muy selectiva. De este modo, si se fabético en el caso de la variante ponderada,
observa al menos una vez que existe una re- que fue la que produjo mejores resultados.
lación sintáctica entre un sustantivo y un ver- La primera columna indica la evaluación: 1
bo, el valor correspondiente a esa celda será 1. si el ensayo es exitoso y 0 si no lo es. La si-
34Tarántula -> araña -> animal: asignación de hiperónimos de segundo nivel basada en métodos de similitud distribucional
E d h1 h2 S Además del método básico, hemos ex-
1 absolutismo sistema concepto 16.46
máquina 8.47 plorado distintas variantes. Utilizamos vec-
0 acueducto canal institución 11.55 tores binarios que indican la coocurrencia
lugar 8.12 sustantivo-verbo, y también vectores con va-
0 albahaca planta lugar 14.15
servivo 11.09
lores reales; probamos el uso de simple fre-
1 ametrallador cañón arma 5.56 cuencia de coocurrencia y luego una medida
lugar 2.58 de asociación estadı́stica y, finalmente, hemos
1 asaltante ladrón humano 11.46 explorado también la posibilidad de extraer
artefacto 8.07
1 caniche perro animal 6.26 los verbos por medio de un analizador de de-
artefacto 3.84 pendencias sintácticas.
1 cencerro campana instr. musical 3.07
máquina 2.97 Nuestros resultados permiten concluir que
1 chimpancé mono animal 10.47 la mejor variante es la que utiliza vectores
prenda 5.75 binarios que miden frecuencia de coocurren-
1 dedo miembro parte cuerpo 11.39
humano 10.92
cia sustantivo-verbo, seleccionando los verbos
con una medida de asociación (la variante
Tabla 8: Ejemplos de resultados con la va- ponderado). Creemos que la tasa de éxito es
riante ponderada remarcable, teniendo en cuenta que se trata
de un método relativamente simple. No exis-
ten, que sepamos, propuestas similares para
la adjudicación de hiperónimos de segundo
guiente columna presenta el sustantivo obje-
nivel en casos de polisemia.
tivo (o), la siguiente el hiperónimo de primer
nivel (h1) y la siguiente los distintos hiperóni- En cuanto a trabajo futuro, es necesario
mos de segundo nivel (h2). La última colum- continuar introduciendo nuevas variantes me-
na (S) indica el valor obtenido con el ı́ndi- todológicas y reproducir los experimentos con
ce de Jaccard entre el vector de coocurren- muestras más grandes de datos, ya que esto
cia del sustantivo objetivo y, en cada caso, permitirı́a estudiar mejor cómo afectan a los
el hiperónimo de segundo nivel (el valor más resultados las diferencias de frecuencia y de
alto se presenta primero). Entre los 26 casos prototipicidad de cada significado, una varia-
estudiados hay 22 exitosos, lo que represen- ble que conviene controlar en un diseño de
ta un resultado estadı́sticamente significativo investigación de este tipo (por ejemplo, en el
(p = 0,0005). caso del sustantivo perro, el sentido de ani-
mal tendrá más peso que el de artefacto).
5 Conclusiones y trabajo futuro También serı́a necesario probar la utilización
de ventanas oracionales en lugar de venta-
En este trabajo hemos presentado una pro- nas de contexto simétricas. Otra posibilidad
puesta metodológica para desambiguar la re- serı́a reproducir el mismo método pero utili-
lación entre un sustantivo y un hiperónimo zando adjetivos o incluso sustantivos en lugar
polisémico en el contexto de la inducción au- de verbos. Finalmente, proyectamos reprodu-
tomática de taxonomı́as. El método, fundado cir los experimentos en otras lenguas (francés,
en una medida de similitud distribucional, se inglés, etc.) en el contexto de nuestro proyec-
basa en la idea según la cual las palabras que to KIND1 de taxonomı́as automatizadas en
aparecen en cotextos similares tienden a te- varias lenguas.
ner significados similares.
En la propuesta, se han restringido los co-
textos en función de los verbos con los que Agradecimientos
coocurren los sustantivos en estudio, ya que
Esta investigación ha sido posible gracias al
se trata de una clase abierta de palabras, pero
financiamiento del Proyecto Fondecyt Regu-
al mismo tiempo limitada (cerca de 6.000 ver-
lar 1191204 “Polisemia regular de los sustan-
bos aparecen con cierta frecuencia en el Es-
tivos del español: análisis semiautomático de
TenTen). Esta caracterı́stica convierte a los
corpus, caracterización y tipologı́a”, dirigido
verbos en predictores útiles para obtener in-
por Irene Renau. Agradecemos también a los
formación semántica acerca de los sustanti-
revisores por sus útiles comentarios.
vos con los que coocurren, ya que represen-
tan una matriz más manejable que una de
1
adjetivos o sustantivos. http://www.tecling.com/kind
35Rogelio Nazar, Javier Obreque, Irene Renau
Bibliografı́a Kilgarriff, A. y I. Renau. 2013. estenten, a vast
Agirre, E., X. Arregi, X. Artola, A. D. de Ila- web corpus of peninsular and american spa-
rraza, y K. Sarasola. 1994. A methodology nish. Procedia - Social and Behavioral Scien-
for the extraction of semantic knowledge from ces, 95:12 – 19.
dictionaries using phrasal patterns. En Pro- Klapaftis, I. P. y S. Manandhar. 2010. Taxonomy
ceedings of IBERAMIA’94. IV Congreso Ibe- learning using word sense induction. En Hu-
roamericano de Inteligencia Artificial, páginas man Language Technologies: The 2010 Annual
263–270, Caracas (Venezuela). Conference of the North American Chapter of
the ACL, páginas 82–90, Los Angeles, Califor-
Baldinger, K. 1977. Teorı́a semántica: hacia una nia, Junio. ACL.
semántica moderna. Coleccion Romania. Al-
cala. Leech, G. 1985. Semántica. Alianza Universal,
No. 197. Alianza.
Bordea, G., P. Buitelaar, S. Faralli, y R. Navigli.
2015. SemEval-2015 Task 17: Taxonomy ex- Lenat, D. 1995. Cyc: A large-scale investment
traction evaluation (texeval). En Proceedings in knowledge infrastructure. Commun. ACM,
of the 9th International Workshop on Seman- 38(11):33–38, Noviembre.
tic Evaluation (SemEval 2015), páginas 902– Lin, D. 1998. Automatic retrieval and clustering
910. ACL. of similar words. En Proceedings of the 17th
International Conference on Computational
Bordea, G., E. Lefever, y P. Buitelaar. 2016. Linguistics - Volume 2, COLING ’98, páginas
SemEval-2016 Task 13: Taxonomy extraction 768–774, Stroudsburg, PA, USA. ACL.
evaluation (texeval-2). En SemEval-2016,
páginas 1081–1091. ACL. Lyons, J. 1977. Semantics, volumen 2. Cambrid-
ge University Press.
Calzolari, N. 1984. Detecting patterns in a lexical
data base. En Proceedings of the 10th Interna- Sager, J. C. 1990. A Practical Course in Termi-
tional Conference on Computational Linguis- nology Processing. John Benjamins, Amster-
tics and 22nd annual meeting on ACL, pági- dam/Philadelphia.
nas 170–3. ACL. Snow, R., D. Jurafsky, y A. Y. Ng. 2006. Seman-
tic taxonomy induction from heterogenous
Chodorow, M. S., R. J. Byrd, y G. E. Heidorn.
evidence. En Proceedings of the 21st Interna-
1985. Extracting semantic hierarchies from a
tional Conference on Computational Linguis-
large on-line dictionary. En Proceedings of the
tics, Sydney, Australia, 17-21 July 2006.
23rd annual meeting on ACL, páginas 299–
304. ACL. Stearns, M. Q., C. Price, K. A. Spackman, y A. Y.
Wang. 2001. Snomed clinical terms: overview
De Miguel, E. 2016. Lexicologı́a. En J. Gu- of the development process and project sta-
tiérrez, editor, Enciclopedia de Lingüı́stica tus. En Proceedings of the AMIA Symposium,
Hispánica. Ariel, Barcelona, páginas 153–185. páginas 662–666. American Medical Informa-
Fellbaum, C. 1998. WordNet: An Electronic Le- tics Association.
xical Database. Bradford Books. Straka, M. y J. Straková. 2017. Tokenizing, POS
Garcı́a, R. y J. Pascual. 2009. Relaciones de sig- tagging, lemmatizing and parsing UD 2.0 with
nificado entre las palabras. En E. D. Miguel, UDPipe. En Proceedings of the CoNLL 2017
editor, Panorama de lexicologı́a. Ariel, Barce- Shared Task: Multilingual Parsing from Raw
lona, páginas 117–131. Text to Universal Dependencies, páginas 88–
99, Vancouver, Canada, Agosto. ACL.
Grefenstette, G. 1994. Explorations in Automa- Ullmann, S. 1972. Semántica. Aguilar.
tic Thesaurus Discovery. Kluwer Academic
Publishers, Norwell, MA, USA. Velardi, P., S. Faralli, y R. Navigli. 2013. On-
tolearn reloaded: A graph-based algorithm for
Guthrie, L., B. Slator, Y. Wilks, y R. Bruce. taxonomy induction. Computational Linguis-
1990. Is there content in empty heads? En tics, 39(3):665–707.
Proc. of the 13th International Conference on
Computational Linguistics, COLING’90 (Hel- Vossen, P. 2004. Eurowordnet: A multilingual
sinki, Finland), páginas 138–143. database of autonomous and language-specific
wordnets connected via an inter-lingual-index.
Hearst, M. A. 1992. Automatic acquisition of hy- Special Issue on Multilingual Databases, In-
ponyms from large text corpora. En Procee- ternational Journal of Linguistics, 17(2):161–
dings of the 14th Conference on Computatio- 173, 06.
nal Linguistics - Volume 2, COLING ’92, pági-
nas 539–545, Stroudsburg, PA, USA. ACL.
Kilgarriff, A. 1992. Polisemy. Ph.D. tesis. Uni-
versity of Sussex.
36También puede leer
