IVANDRÉ PARABONI UMA ARQUITETURA PARA A RESOLUÇÃO DE REFERÊNCIAS PRONOMINAIS POSSESSIVAS NO PROCESSAMENTO DE TEXTOS EM LÍNGUA PORTUGUESA

Transcrição

1 IVANDRÉ PARABONI UMA ARQUITETURA PARA A RESOLUÇÃO DE REFERÊNCIAS PRONOMINAIS POSSESSIVAS NO PROCESSAMENTO DE TEXTOS EM LÍNGUA PORTUGUESA Dissertação apresentada como requisito parcial à obtenção do grau de mestre. Curso de Mestrado em Informática, Instituto de Informática, Pontifícia Universidade Católica do Rio Grande do Sul. Orientadora: Profa. Dra. Vera Lúcia Strube de Lima PORTO ALEGRE 1997/DEZEMBRO

2 AGRADECIMENTOS À minha família, e especialmente aos meus pais, pelo carinho e apoio sem restrições; à Profa. Vera, cujos esforços e dedicação em muito ultrapassaram a orientação deste trabalho; a todos meus amigos, em especial à Marilene e ao Roberto, por suportarem (quase sempre) meu mauhumor; à Tatiana, pela colaboração ao longo de todo trabalho e por jamais perder a paciência comigo; à colega Ana Luísa e seus alunos, pela valiosa contribuição; aos autores que gentilmente enviaram suas contribuições: Simon P. Botley, Laurence Kister, Alfons Maes, Sérgio Menuzzi, Ruslan Mitkov e Marco Rocha; a todos os colegas do projeto, em especial ao João Luís, ao Paulo Ricardo e ao Prof. Vilson Leffa; aos professores do mestrado, em especial ao Prof. Afonso, ao Prof. Ney, ao Prof. Flávio e à Profa. Karin, pelo apoio ao longo destes dois anos; a todos colegas do curso; a todos os professores e colegas da ESSLLI 97; a todos que acreditaram em mim; e ao CNPq, pelo apoio financeiro.

3 SUMÁRIO 1. INTRODUÇÃO O PROBLEMA DA RESOLUÇÃO DE ANÁFORAS A ANÁFORA COMO UM FENÔMENO LINGÜÍSTICO A ANÁFORA COMO UM PROBLEMA COMPUTACIONAL CARACTERIZAÇÃO DO PROBLEMA ABORDADO NESTE TRABALHO Características das RPPs CONSIDERAÇÕES REVISÃO BIBLIOGRÁFICA UMA VISÃO GERAL A QUESTÃO DO CENTRO DO DISCURSO TRABALHOS SELECIONADOS A abordagem de conhecimento integrado de J. Carbonell e R. Brown A abordagem multi-estratégias de R. Mitkov A abordagem prática de T. Nasukawa A abordagem independente de conhecimento de C. Kennedy & B. Boguraev Abordagens distribuídas Outras abordagens CONSIDERAÇÕES A SOLUÇÃO PROPOSTA DADOS CONSIDERADOS NA PROPOSTA DE RESOLUÇÃO O CONHECIMENTO EMPREGADO NA RESOLUÇÃO DE RPPS Nível sintático Nível semântico Nível pragmático A INTEGRAÇÃO DO CONHECIMENTO NA RESOLUÇÃO DE RPPS A ESTRATÉGIA DE RESOLUÇÃO Agentes para resolução de RPPs A arquitetura Funcionamento CONSIDERAÇÕES IMPLEMENTAÇÃO O PROTÓTIPO DESENVOLVIDO FORMATOS DE APRESENTAÇÃO DOS RESULTADOS RESULTADOS OBTIDOS Grau de acerto na resolução do problema Grau de participação dos agentes na resolução do problema CONCLUSÕES O TRABALHO REALIZADO TRABALHOS FUTUROS REFERÊNCIAS ANEXOS EXTRATO DO CORPUS CLASSIFICAÇÃO SEMÂNTICA DOS OBJETOS DO DOMÍNIO RELAÇÕES DE POSSE ACEITÁVEIS NO DOMÍNIO CONCEITOS DO DOMÍNIO DA LEGISLAÇÃO AMBIENTAL IMPLEMENTAÇÃO FORMULÁRIOS DE TESTE APLICADO A SUJEITOS HUMANOS

4 LISTA DE FIGURAS FIGURA REFERÊNCIA EXOFÓRICA E ENDOFÓRICA FIGURA ABORDAGENS NO TRATAMENTO COMPUTACIONAL DA ANÁFORA FIGURA ARQUITETURA PARA RESOLUÇÃO DE ELIPSES EM (SAUVAGE-WINTERGERST 92) FIGURA ARQUITETURA "AGENTE ANÁFORA" FIGURA ESTRUTURA DE UM AGENTE REATIVO SIMPLES FIGURA UMA ARQUITETURA MULTI-AGENTES PARA A RESOLUÇÃO DE RPPS FIGURA INTERFACES PARA OS AGENTES PROPOSTOS FIGURA EVOLUÇÃO DOS RESULTADOS AO LONGO DA SEQÜÊNCIA DE PARTICIPAÇÃO DOS AGENTES TABELA ALGUMAS CLASSIFICAÇÕES DA ANÁFORA COMO PROBLEMA COMPUTACIONAL TABELA DISTRIBUIÇÃO DE PRONOMES NO CORPUS LEGISLAÇÃO AMBIENTAL TABELA DISTRIBUIÇÃO DE PRONOMES NO CORPUS ALTERNATIVO (ARTIGOS DE REVISTAS) TABELA FATORES CONSIDERADOS NA RESOLUÇÃO DE RPPS... 52

5 RESUMO Este trabalho objetiva a apresentação de uma proposta de resolução computacional para um tipo específico de anáfora, a referência pronominal possessiva (RPP), a partir de um corpus no domínio lingüístico da legislação ambiental. Apresentamos a caracterização da resolução de anáforas em geral, consideradas como fenômeno lingüístico e como problema computacional, e as motivações para o estudo das RPPs, que representam cerca de 1/3 do total de referências pronominais identificadas no corpus considerado. A seguir, apresentamos uma revisão bibliográfica de trabalhos relacionados à resolução de anáforas, dando especial ênfase às abordagens orientadas a corpus e àquelas com características de resolução adaptáveis ao presente problema. Dentre estas características, destacamos o emprego de conhecimento heterogêneo, a supressão de análise sintática ou semântica, o emprego de heurísticas e o uso de arquiteturas multi-agentes. Assim, apresentamos uma proposta de resolução de RPPs em que definimos o tipo de conhecimento empregado (padrões de superfície, relações semânticas de posse e centro da sentença), a forma de integração desse conhecimento e uma estratégia computacional baseada em uma arquiteturas multi-agentes. Esta arquitetura proporciona a distribuição do conhecimento e procedimentos envolvidos na resolução de RPPs entre entidades autônomas (agentes) especializadas em aspectos distintos do problema. A solução proposta foi implementada, e seus resultados são discutidos ao final do trabalho.

6 ABSTRACT We present a proposal for possessive pronominal anaphora (PPA) resolution, considering a corpus on Brazilian laws about environment protection. We present some basic issues on anaphora resolution, from both linguistics and computational point of view, and the motivation for studying possessive pronouns, which constitute a third part of pronominal occurrences in our corpus. We describe some related work in the field of anaphora resolution, emphasising corpus-oriented approaches, aiming to identify suitable solutions for our current problem, such as heterogeneous knowledge use, heuristics, absence of syntactic/semantic analysis, and multi-agent systems. Our proposal for PPA resolution addresses the required knowledge (surface patterns, semantic relationships and sentence centering) and its integration, and a computational strategy based on a multiagent architecture. This architecture provides both knowledge and procedure distribution among autonomous entities (reflexive agents), specialised in different aspects of PPA resolution. The proposal was implemented and its results are discussed at the end of the work.

7 1. INTRODUÇÃO Em sistemas de interpretação da linguagem natural, a resolução de referências pronominais (anáforas) é um componente fundamental da representação do sentido do texto, tendo motivado inúmeras pesquisas na área. Entretanto, até o presente, a resolução de anáforas ainda constitui, do ponto de vista do processamento computacional, um problema não totalmente resolvido, seja pela complexidade da linguagem natural, seja devido ao fenômeno lingüístico envolvido, propriamente dito. Este trabalho objetiva a apresentação de uma proposta de resolução computacional para um tipo específico de anáfora, a referência pronominal possessiva (RPP), a partir de um corpus no domínio lingüístico da legislação ambiental, onde as RPPs representam cerca de 1/3 do total de referências pronominais identificadas. A RPP apresenta certas dificuldades de interpretação não presentes em outros tipos de anáfora na língua portuguesa, e mesmo em equivalentes para o inglês. Como exemplos destas dificuldades, observamos a ausência de concordância de gênero e número com o termo antecedente, a variedade de funções sintáticas exercidas, a necessidade de emprego de conhecimento heterogêneo e, por vezes, o caráter abstrato da relação anafórica estabelecida. Tais dificuldades fazem da resolução de RPPs um desafio computacional considerável, de complexidade de interpretação percebida inclusive por sujeitos humanos, conforme testes relatados na bibliografia consultada. Além disso, no domínio lingüístico tratado, observamos ainda a ocorrência de sentenças longas e estruturalmente complexas, possivelmente incluindo elevado grau de ambigüidade, um obstáculo adicional à resolução de RPPs. Este documento aborda o tema estudado em cinco capítulos, seguidos de bibliografia e anexos. No capítulo 2, apresentamos a caracterização da resolução de anáforas em geral, consideradas como fenômeno lingüístico e como problema computacional. Incluímos nesta caracterização algumas tipologias para os vários tipos de anáforas considerados no

8 8 processamento da linguagem natural. Detalhamos as dificuldades adicionais da resolução computacional da RPP, em relação a outros tipos de anáforas. No capítulo 3, realizamos uma revisão bibliográfica de estudos relacionados à resolução de anáforas, dando especial ênfase às abordagens orientadas a corpus e apresentando características de resolução adaptáveis ao presente problema. Dentre estas características, destacamos as abordagens baseadas em conhecimento heterogêneo, as abordagens que não utilizam análise sintática ou semântica, o emprego de heurísticas e as arquiteturas multi-agentes. Com base na caracterização do problema e nas abordagens identificadas, apresentamos, no capítulo 4, uma proposta de resolução de RPPs. Esta proposta, seguindo os moldes de trabalhos de natureza similar, é dividida em três partes: a definição do conhecimento a ser empregado, a integração deste conhecimento e a adoção de uma estratégia computacional para resolução do problema. No caso da resolução de RPPs, definimos fatores de resolução baseados em conhecimento de três tipos: padrões de superfície, baseados em conhecimento sintático, relações de posse, baseadas em conhecimento semântico, e centro da sentença, baseado em conhecimento de natureza pragmática. Na integração desses fatores, consideramos o peso relativo de cada conhecimento na determinação do resultado e a sua ordem de aplicação. A proposta de resolução estabelece ainda uma estratégia computacional baseada em uma arquiteturas multi-agentes, que promove a distribuição do conhecimento e dos procedimentos envolvidos na resolução de RPPs entre entidades autônomas (agentes reativos) especializadas em aspectos distintos do problema. Estes agentes são agregados a uma estrutura global (em arquitetura blackboard) para resolução de RPPs. O capítulo 5 apresenta a implementação da proposta, traçando algumas considerações sobre seu funcionamento e descrevendo os resultados obtidos na resolução de RPPs do corpus. Finalmente, apresentamos algumas conclusões sobre este trabalho e considerações sobre sua possível continuidade.

9 2. O PROBLEMA DA RESOLUÇÃO DE ANÁFORAS Neste capítulo apresentamos uma visão geral do fenômeno lingüístico de coreferência e, em especial, das relações anafóricas (anáforas), que são o objeto de estudo do presente trabalho. Descrevemos a anáfora - e sua interpretação - sob o ponto de vista lingüístico, como fenômeno presente na comunicação, e sob o ponto de vista computacional, como problema a ser considerado no processamento da linguagem natural. Através da análise de um corpus no domínio da legislação ambiental, optamos pelo tratamento de um tipo específico de anáfora, a referência pronominal possessiva (RPP). Ao final do capítulo, apresentamos algumas peculiaridades das RPPs e de sua caracterização como problema computacional A anáfora como um fenômeno lingüístico Em uma situação concreta de comunicação, ocorre referência a um objeto quando este é mencionado pela primeira vez nessa situação, através de uma dada instrução lingüística (Mateus 87). Este tipo de relação, que especifica um objeto do discurso, é conhecido por referência exofórica ou exófora. A interpretação de uma referência exofórica depende de um contexto situacional específico. No Exemplo 1, a correta interpretação exofórica do termo esta depende do contexto situacional, como a indicação gestual do objeto referido. Exemplo 1 : Esta é a mais bonita. (diante de uma série de obras de arte) Em oposição a este conceito, há as situações em que a referência a um objeto já introduzido na comunicação é reproduzida ao longo do discurso. Esta referência, que pode ser vista como uma forma abreviada da instrução lingüística originalmente empregada, é chamada referência endofórica, endófora ou co-referência. No Exemplo 2, os termos sua e ele são co-referentes ao termo João, que introduziu um objeto do discurso.

10 10 Exemplo 2 : João i perdeu sua i bola. Ele i ficou triste. 1 A introdução de uma expressão de co-referência na comunicação pode ser feita com fins estilísticos, evitando a repetição completa da instrução lingüística original. Entretanto, segundo M. Halliday em (Halliday 76), a co-referência é também um importante elemento de coesão textual, que destaca a importância de um objeto do discurso e ajuda o leitor a integrar o sentido das sentenças, dando ao texto um sentido global. O emprego de recursos de coesão é uma característica natural da linguagem, e testes reportados em (Sauvage-Wintergerst 92) demonstram que estes recursos são empregados involuntariamente por sujeitos humanos, mesmo quando orientados a evitálos. Uma seqüência de expressões associadas ao mesmo objeto de referência é chamada cadeia anafórica (Mateus 87). Uma cadeia anafórica é composta de um termo antecedente, que estabelece a referência a um objeto de discurso, e um ou mais termos anafóricos, que são expressões interpretadas como idênticas, do ponto de vista referencial, ao termo antecedente. Assim, o Exemplo 2 apresenta uma cadeia anafórica composta pelo termo antecedente João e pelos termos anafóricos sua e ele. O termo antecedente é a instrução lingüística que introduz um objeto de discurso. Pode ser representado na forma de um sintagma nominal (SN), ou na forma de uma estrutura mais extensa, como uma frase ou mesmo um conjunto de frases. Em certos casos, o termo antecedente pode ser representado por um termo implícito ou mesmo pelo discurso com um todo (Mateus 87). A co-referência pode ser estabelecida por meio de pronomes 2, como no exemplo anterior, ou por categorias sintaticamente vazias, constituindo o caso especial de coreferência denominado elipse (Exemplo 3). Exemplo 3 : Maria i foi ao mercado e depois [---] i voltou. 3 1 nos exemplos apresentados, utilizamos rótulos de mesmo valor para designar co-referência entre termos. 2 apenas os pronomes de terceira pessoa, i.e., a pessoa da qual se fala no discurso, são inerentemente co-referenciais (Halliday 76). 3 o símbolo [---] representa o termo oculto (elíptico) Maria.

11 11 Quando o termo antecedente é o primeiro elemento da cadeia anafórica, i.e., quando ele efetivamente antecede os termos anafóricos na ordem linear da sentença, a relação recebe o nome de anáfora (Exemplo 2), que constitui o fenômeno em investigação no presente trabalho. Quando a ordem é inversa, i.e., quando um ou mais termos anafóricos precedem o termo antecedente, a relação é chamada catáfora (Exemplo 4), que é um fenômeno relativamente raro se comparado à anáfora 4. A Figura 2.1, adaptada de (Halliday 76), sintetiza a divisão até aqui estabelecida. Exemplo 4 : Ao seu i lado, Maria i viu um cachorro. Referência Situacional Textual Exófora Endófora Anáfora Catáfora Elipse Figura Referência exofórica e endofórica A expectativa normal dos participantes de um discurso minimamente coeso (Halliday 76; Koch 89, 90, 93) é de que esse discurso forneça informações suficientes para que cada termo anafórico possa ser interpretado, de forma unívoca, como coreferente a um determinado antecedente. Entretanto, devido à ambigüidade e complexidade da linguagem natural, o discurso pode apresentar várias possibilidades de interpretação para um determinado termo anafórico. Ao deparar-se com um termo anafórico, o leitor ou ouvinte recorre a uma série de antecedentes hipotéticos, i.e., termos já introduzidos no discurso, para decidir, dentre as opções disponíveis, qual o antecedente correto que está sendo co-referenciado. No Exemplo 2, observa-se a ocorrência de dois termos candidatos a co-referente do termo anafórico 4 estudos como os apresentados em (Botley 96) sugerem que a baixa ocorrência de catáforas, pelo menos no caso dos pronomes demonstrativos, é característica em diversos domínios lingüísticos.

12 12 ele : o termo João, que é o antecedente correto, e o termo bola, que constitui uma hipótese inválida por questões sintáticas. Os participantes do discurso empregam um grande número de estratégias para avaliação dos candidatos a antecedente, de modo a selecionar o termo correto e, conseqüentemente, efetivar a interpretação da anáfora. Estas estratégias, diferentes para cada tipo de anáfora, envolvem emprego de conhecimentos de natureza variada (sintático, semântico, pragmático, etc). Em muitos casos, o antecedente de um termo anafórico pode ser determinado a partir de conhecimento sintático de gênero ou número dos termos envolvidos. No Exemplo 5, o gênero feminino do termo anafórico ela estabelece como único antecedente possível o termo Maria : Exemplo 5 : João disse à Maria i que ela i era bonita. Em outras situações, a opção por um antecedente pode sofrer restrições em função da estrutura sintática da sentença. É o caso dos pronomes reflexivos, como no Exemplo 6, extraído de (Mateus 87), em que a referência -se não pode ultrapassar o limite do SN A Maria (invalidando assim a possível interpretação catafórica do termo). Exemplo 6 : A Maria i perturbou-se i com a fotografia. Em sentenças mais complexas, ou que não forneçam conhecimento sintático suficiente para a desambiguação, a determinação do antecedente deve fazer uso de conhecimento semântico ou pragmático. É este tipo de conhecimento que permite a correta interpretação do Exemplo 7 e do Exemplo 8, que apresentam estruturas sintáticas idênticas porém cadeias anafóricas distintas: Exemplo 7 : João tirou a torta i da mesa e a i comeu. Exemplo 8 : João tirou a torta da mesa i e a i limpou. O conhecimento situacional implícito, ou conhecimento de mundo (Koch 89, 90, 93; Sauvage-Wintergerst 92; Nasukawa 94; Mitkov 96b), obtido por meio de inferência, também está envolvido na interpretação de certos tipos de anáforas, como no Exemplo 9.

13 13 Neste caso, a opção pelo antecedente caixa depende da compreensão da relação de causa e conseqüência que se apresenta. Exemplo 9 : João cortou a corda que suspendia a caixa i e ela i caiu. Finalmente, a interpretação da anáfora pode ser dependente de informação não fornecida no texto, como no Exemplo 10, extraído de (Perini 95), que apresenta uma indefinição entre os candidatos a antecedente Carvalho e Almeida. Exemplo 10 : Carvalho? informou a Almeida? que ele i estava despedido.

14 A anáfora como um problema computacional A resolução de uma anáfora consiste em determinar o antecedente correto ao qual um termo anafórico se refere, escolhido dentre um grupo de candidatos potenciais. No processamento da linguagem natural, a associação entre termos anafóricos e antecedentes é um componente da representação do sentido do texto, e como tal constitui um aspecto crucial para sistemas de compreensão da linguagem. No processamento da linguagem natural, as anáforas são classificadas segundo uma ampla variedade de critérios, como tentativa de isolar classes de problemas específicos associados ao fenômeno, resultando em uma multiplicidade de categorias cuja classificação pode ser, por vezes, pouco rigorosa. Como forma de caracterizar o problema, optamos por apresentar algumas das dificuldades computacionais da resolução de anáforas e, nos casos em que há correspondência entre o problema abordado e a classificação adotada na bibliografia, citamos a sua denominação específica. Em primeiro lugar, o termo anáfora é empregado no processamento da linguagem natural em um sentido mais amplo que o estritamente lingüístico, de coreferência a um objeto previamente introduzido no discurso. G. Hirst, em (Hirst 81), propõe uma classificação bastante abrangente para a anáfora como problema computacional, incluindo sob esta designação fenômenos variados, como as referências estabelecidas através de descrições definidas (Exemplo 11), tratadas em (Vieira 97), e elipses (Exemplo 3), tratadas em (Sauvage-Wintergerst 92; Kehler 93; Abraços 94). Exemplo 11 : Queriam invadir [a fazenda] i, mas [a propriedade] i estava sendo vigiada. Entretanto, cabe ressaltar que, ao menos na língua portuguesa, estes fenômenos não são propriamente classificados como anáforas (Mateus 87), podendo apresentar uma natureza lingüística muito distinta. Numa anáfora propriamente dita, os pronomes não oferecem instruções de sentido que auxiliem a sua ligação a um objeto do discurso, mas apenas instruções de conexão (co-referência) com o termo antecedente (Koch 93). Por outro lado, descrições definidas, como a propriedade do Exemplo 11, acrescentam informações de ordem semântica que devem ser consideradas na resolução da referência.

15 15 Mesmo relações que não tratam de objetos do discurso são normalmente consideradas tipos especiais de anáforas, como o aspecto local (Exemplo 12) e temporal (Exemplo 13) do discurso em (Rodrigues 92; Nelken 95). Esta apropriação do conceito lingüístico é explicável pela relativa semelhança do tratamento computacional aplicado a todos estes fenômenos, e por sua afinidade enquanto componentes da representação do sentido do texto. Assim, em virtude da generalização do termo anáfora, vários autores empregam o termo anáfora pronominal para designar os casos de anáfora propriamente dita 5, como em (Abraços 94; Lappin 94; Tin 94; Langacker 96). Exemplo 12 : João foi à floresta i. Lá i, havia um urso. Exemplo 13 : Maria sempre i escova os dentes [antes de dormir] i. Conforme já observado na seção 2.1, a representação do termo antecedente pode ser realizada através de uma expressão lingüística, ou pode estar apenas implícita no texto. Assim, a disponibilidade da expressão lingüística que representa o termo antecedente é o critério adotado por S. P. Botley para a distinção entre anáforas diretas e anáforas indiretas. Conforme (Botley 96), a anáfora é direta quando o termo antecedente se encontra explícito no texto, na forma de uma expressão lingüística, como no Exemplo 11. Por outro lado, uma anáfora é indireta quando se faz necessário algum tipo de processamento para que a expressão lingüística possa ser recuperada. Como exemplo de anáfora indireta, citamos a relação estabelecida por uma descrição definida tal como o problema, fazendo referência a uma longa descrição de uma seqüência de fatos. O conhecimento empregado na determinação do termo antecedente leva alguns autores à distinção entre anáfora de superfície e anáfora profunda 6. De acordo com J. Hankamer em (Hankamer 76), uma relação de superfície seria detectável puramente a partir da estrutura sintática do texto, enquanto que a anáfora profunda seria baseada em conhecimento semântico ou pragmático. As anáforas podem também ser classificadas de acordo com o tipo de objeto que referenciam. Assim, observamos em trabalhos como (Botley 96; Maes 96) a distinção entre anáforas concretas, referenciando objetos com traços semânticos distintivos, tais 5 tipicamente, pronomes pessoais, demonstrativos, possessivos ou reflexivos (Mateus 87). 6 respectivamente, surface anaphora e deep anaphora, na nomenclatura originalmente empregada em (Hankamer 76).

16 16 como humano, animado, etc, e anáforas abstratas, em que esses traços não são facilmente identificáveis. O Exemplo 11 apresenta um caso de anáfora concreta. Como exemplo de anáfora abstrata, citamos as referências a situações em geral (atividades, eventos, etc) como no Exemplo 14. Ressaltamos, entretanto, a relativa imprecisão desta classificação, não inteiramente esclarecida nos trabalhos pesquisados. Exemplo 14 : A proteção i da fauna terá sua i fiscalização regulamentada (...). Quanto à complexidade da resolução computacional de anáforas, constata-se que, além da natureza heterogênea do conhecimento envolvido (sintático, semântico, pragmático, etc), que por si só já representa um problema computacional expressivo, deve ser considerado o grande volume de hipóteses (candidatos) a tratar. Este problema é ilustrado em (Connolly 94) com um pequeno texto: Exemplo 15 : Last spring Dupont [established a joint venture in Shangai to manufacture rice herbicides ] i. Located in Pudong, a suburb of Shangai which the Chinese are trying to promote as a development zone, [the project] i was the first involving foreign participation in the area. Neste exemplo, que, cabe ressaltar, é composto de apenas duas sentenças, a descrição definida the project, referente ao trecho a joint venture in Shangai to manufacture rice herbicides, possui dez candidatos a antecedente, o que torna o processamento automático um problema significativamente complexo. Além disso, em muitos domínios lingüísticos, como nos artigos de jornal analisados em (Wakao 94), a cadeia anafórica pode estar distribuída ao longo de várias sentenças (referência intersentencial ou anáfora discursiva), e não apenas contida em uma sentença única (referência intrasentencial ou anáfora sentencial) (Hirst 81; Sidner 83; Allen 95). Desta forma, coloca-se o desafio do tratamento de cadeias de longa distância. O estudo apresentado em (Wakao 94) constata que mais de um terço das referências do texto analisado estavam localizadas duas ou mais sentenças antes do termo anafórico, e que, em um caso extremo, a distância do referente era de treze parágrafos. A ocorrência de anáforas intersentenciais leva a uma série de considerações sobre a estrutura do discurso, tema amplamente investigado no processamento da linguagem natural (Sidner 83; Grosz 86, 95; Brennan 87; Gordon 93; Ersan 94; Chen 95; Strube 96; Walker 96). Colocam-se, assim, questões como o número de sentenças anteriores a

17 17 pesquisar, a importância relativa de cada objeto no decorrer do discurso e o controle do foco de atenção, que indica o objeto ao qual um segmento de discurso faz referência. Alguns desses aspectos são abordados no capítulo 3 do presente trabalho. Finalmente, citamos outra dificuldade enfrentada na resolução de anáforas, especialmente em sistemas que consideram vários aspectos da interpretação de textos simultaneamente: trata-se da própria distinção entre anáfora, catáfora e exófora, fenômenos de natureza bastante similar mas com estratégias de resolução muito distintas 7. O problema se coloca ao ser detectada a ocorrência de um pronome, situação em que uma de três decisões pode ser tomada: retroceder no texto em busca do termo antecedente (anáfora), realizar a busca avançando na ordem linear do texto (catáfora) ou não realizar nenhuma busca no texto, mas no contexto envolvido (exófora). Uma vez que a solução da referência só será obtida se a busca for efetuada no espaço de conhecimento correto, torna-se crítica a decisão sobre qual o tipo de fenômeno que está sendo tratado. Assim, por questões de escopo, neste trabalho partimos do pressuposto de que todas as referências tratadas sejam anafóricas. A Tabela 2.1 sintetiza as várias classificações adotadas para as referências anafóricas apresentadas ao longo deste capítulo. Critério Tipo de expressão lingüística empregada Disponibilidade do termo antecedente Conhecimento envolvido Natureza semântica Domínio da cadeia anafórica Classificação pronominal; local; temporal; descrição definida. direta; indireta. de superfície; profunda. concreta; abstrata. intersentencial (discursiva); intrasentencial (sentencial). Tabela Algumas classificações da anáfora como problema computacional 7 esta discussão é aprofundada por Francis Cornish em (Cornish 96).

18 Caracterização do problema abordado neste trabalho Neste trabalho optou-se pelo estudo de anáforas pronominais identificadas em um corpus em português, contendo palavras, no domínio da legislação ambiental brasileira, segundo condução do projeto NALAMAS 8 (Lima 96a), no qual o presente trabalho está inserido. S. Bergler, em (Bergler 97), justifica a opção pelo tratamento de um domínio lingüístico específico afirmando que, na atualidade, a maioria das aplicações de processamento da linguagem natural possui domínio limitado, e que portanto seria legítimo o estudo e resolução de anáforas em domínios também restritos. Através de uma análise quantitativa dos tipos de anáforas pronominais existentes nesse corpus, chegamos aos resultados da Tabela 2.2 Pronomes identificados Ocorrências (%) demonstrativos ,3 possessivos ,5 pessoais oblíquos 90 15,0 pessoais caso reto 13 2,2 Total no texto 600 1,7 Tabela Distribuição de pronomes no corpus Legislação Ambiental Na análise efetuada, foi identificado um total de 600 pronomes (1,7% do total de palavras do texto), entre demonstrativos, possessivos e pessoais, que são tipicamente os casos mais relevantes de co-referência. Outras formas pronominais foram desconsideradas por sua baixa ocorrência no corpus ou pela menor relevância como problema computacional. 8 NAtural LAnguage Multi-Agent Systems - processo institucional nro / CNPq/PROTEM - fase III.

19 19 Os pronomes demonstrativos apresentam o maior número de ocorrências no corpus (44,3%), e constituem um dos casos de grande interesse na resolução de anáforas. Entretanto, constatou-se que o emprego deste tipo de referência no corpus limita-se, em grande parte, a expressões como esta lei e este decreto, o que diminui seu valor na interpretação do texto e, principalmente, sua importância como problema computacional a ser resolvido. Por esta razão, optou-se pelo estudo das ocorrências pronominais possessivas, ou, mais especificamente, os pronomes de terceira pessoa seu/sua/seus/suas, doravante denominados RPPs (referências pronominais possessivas). Estes pronomes correspondem a 210 ocorrências dentre os possessivos existentes no corpus, representando 35% do total de pronomes investigados. Os 20 casos restantes são ocorrências do tipo nossos grifos, nossa Constituição e outros, também desconsiderados pela importância relativa no domínio do corpus. Analisando-se o tipo de situação em que RPPs ocorrem no corpus, constatou-se de imediato a grande predominância de ocorrências intrasentenciais 9 : 206 dentre os 210 casos existentes, ou 98,1%. Isso se explica, em parte, pela função determinante das RPPs (Mateus 87; Almeida 92), que favorece a construção de cadeias anafóricas de curta distância, mas principalmente pela estrutura peculiar do corpus, constituído de sentenças extremamente longas e portanto com maior probabilidade de encerrar cadeias anafóricas completas. Para fins de validação do corpus como objeto de estudo, estes resultados foram comparados com os obtidos a partir de um segundo corpus, contendo artigos extraídos de uma revista científica. O propósito do corpus comparativo foi unicamente o de ilustrar as características da distribuição de RPPs em dois tipos distintos de texto. Os resultados da Tabela 2.3 indicam um índice significativamente superior de ocorrências pronominais em geral (2,6% das palavras do texto) nos textos extraídos de revistas, o que pode sugerir maior grau de coesão, e uma incidência ligeiramente maior de pronomes pessoais, enquanto que os demonstrativos mantêm praticamente a mesma proporção nos dois corpora. 9 em função das características estruturais do corpus, considera-se, neste trabalho, que uma sentença seja um fragmento textual delimitado por ponto (.), vírgula (,), ponto-e-vírgula (;) ou dois pontos (:).

20 20 Pronomes identificados Ocorrências (%) demonstrativos ,6 possessivos ,0 pessoais oblíquos ,3 pessoais caso reto ,1 Total no texto ,6 Tabela Distribuição de pronomes no corpus alternativo (artigos de revistas) A principal diferença entre os dois corpora, entretanto, está na proporção de ocorrências intersentenciais. Enquanto o corpus contendo textos de legislação apresenta apenas 1,9% de RPPs intersentenciais, este índice sobe para 27% no corpus contendo artigos de revistas. Esta diferença é uma conseqüência direta do tamanho e tipo das sentenças empregadas: o texto sobre legislação possui sentenças longas e relativamente independentes, enquanto que os artigos de revista empregam sentenças curtas e com forte ligação entre si. Tendo avaliado estas diferenças, consideramos o corpus contendo textos de legislação ambiental como adequado aos propósitos deste trabalho. Assim, é a partir deste corpus que se desenvolve todo o nosso estudo. Uma vez que não seria justificável a elaboração de um mecanismo de tratamento intersentencial para apenas quatro ocorrências, optou-se por limitar o escopo do trabalho aos casos intrasentenciais, que são 206 ao todo. Esta opção traz um importante elemento de simplificação do problema - o limite de hipóteses a considerar na solução da anáfora - mas, por outro lado, implica o tratamento de sentenças longas e de estrutura sintática complexa, com vários termos anafóricos dentro da mesma sentença. Quanto à disponibilidade do termo antecedente, constatamos que, como nos demais tipos de relações anafóricas, as RPPs podem apresentar termos antecedentes na forma de um SN, de uma estrutura mais extensa ou mesmo de forma apenas implícita no texto. No corpus estudado, entretanto, todas as RPPs estão associadas a expressões lingüísticas explícitas e inferiores à sentença, caracterizando o problema a tratar como um caso de anáfora direta.

21 21 Finalmente, dos casos selecionados para estudo, foram excluídas ainda as sentenças consideradas mal formadas e as referências catafóricas explícitas, resultando em 198 RPPs distribuídas em 168 sentenças. Este conjunto representa a totalidade das referências anafóricas seu/sua/seus/suas em sentenças gramaticalmente aceitáveis existentes no corpus Características das RPPs As RPPs são empregadas com função de determinante em um SN (Mateus 87), expressando relações de posse 10 entre o núcleo do sintagma e um termo antecedente (Exemplo 16), e esta é uma distinção importante entre RPPs e outras formas de referências pronominais. Como exemplo, enquanto um pronome pessoal é usado em substituição a um objeto já introduzido no discurso, uma RPP é usada para determinar que um objeto é possuído por um objeto anterior. Exemplo 16 : [A mãe i ] chamou pelos [seus i filhos]. O estabelecimento de uma relação de posse, característica distintiva dos pronomes possessivos, nos sugere certa diferenciação entre a estratégia de resolução de RPPs e outras formas pronominais. Desta forma, embora à primeira vista o problema de resolução - associar o termo antecedente correto - seja o mesmo tanto no caso de pronomes pessoais como RPPs, a resolução de uma RPP deve considerar a relação de posse entre os dois objetos (possuidor e possuído) como principal fonte de conhecimento para a detecção do antecedente. A função determinante das RPPs dificulta o emprego de conhecimento sintático em sua resolução. Ao contrário de certas referências pronominais, como a do Exemplo 6, o antecedente de uma RPP apresenta grande variação na função sintática exercida dentro da sentença. O Exemplo 17 e o Exemplo 18 apresentam estruturas sintáticas semelhantes, porém 10 incluindo a posse em seu sentido figurativo, empregada com fins estilísticos (Cunha 85). Uma classificação mais precisa dos tipos de relações possíveis implicaria um estudo muito aprofundado - e de importância secundária para os propósitos deste trabalho - como o apresentado em (Botley 96) para pronomes demonstrativos no inglês.

22 22 com antecedentes diferentes para a RPP, indicando que sua interpretação pode requerer mais do que simples conhecimento sintático. Exemplo 17 : João i viu o cachorro trazendo seu i jornal. Exemplo 18 : João viu o cachorro i trazendo seu i filhote. A concordância de gênero e número entre um termo anafórico e seu antecedente é uma importante ferramenta para a desambiguação de anáforas de pronomes pessoais ou demonstrativos, entre outros. Entretanto, este tipo de conhecimento não se aplica à resolução de RPPs na língua portuguesa, uma vez que essas referências apresentam concordância com o objeto possuído, i.e., com o núcleo do sintagma que determinam, e não com o termo antecedente. Essa dificuldade não se apresenta, por exemplo, no equivalente para a língua inglesa, na resolução das anáforas his (seu) e her (sua), que concordam em gênero e número com o termo antecedente. Nos exemplos a seguir, observa-se que a construção em inglês (Exemplo 19) apresenta solução trivial a partir do conhecimento sintático fornecido, enquanto que sua equivalente em português (Exemplo 20) é ambígua. Exemplo 19 : John told Mary i about her i dog. Exemplo 20 : João? falou a Maria? sobre seu i cachorro. A interpretação de RPPs apresenta certas peculiaridades também quando o termo antecedente é uma cadeia de SNs ligados por preposições. Nestes casos, a RPP pode estar associada ao nome principal ou a um dos termos complementares, não sendo possível estabelecer a interpretação correta sem uso de conhecimento semântico, conforme ilustrado no Exemplo 21 e Exemplo 22. Exemplo 21 : O dono i do cachorro vendeu seu i apartamento. Exemplo 22 : O dono do cachorro i vendeu seus i filhotes. No corpus, a ocorrência de complexas cadeias de SNs interligados por preposições é bastante freqüente, e seu processamento constitui um dos principais desafios na resolução de RPPs. O Exemplo 23, extraído do corpus, ilustra essa dificuldade. Exemplo 23 :

23 23 à busca de alternativas de gestão e financiamento das [unidades de conservação] i, que assegurem sua i viabilidade econômica, com ênfase particular à participação da iniciativa privada. Tendo em vista a necessidade de conhecimento semântico para a resolução de RPPs, concluímos que estas relações são caracterizadas como anáforas profundas. Como o papel do conhecimento sintático envolvido na resolução de RPPs é reduzido, se comparado à resolução de outros tipos de anáforas no português ou mesmo de anáforas pronominais possessivas em outros idiomas, passamos a tratar as RPPs como um caso de anáfora de natureza altamente semântica. À primeira vista, uma relação de posse como a estabelecida pelas RPPs requer conhecimento semântico simples, do tipo <objeto-possuidor possui objeto-possuído> para sua resolução. O Exemplo 17 e o Exemplo 18 ilustram situações típicas que poderiam ser resolvidas com este tipo de conhecimento. Entretanto, constatamos que certos tipos de relações não podem ser facilmente representadas desta forma. Este é o caso das referências de baixo conteúdo semântico (Rocha 96), que não podem ser associadas de forma distintiva a um objeto possuidor específico, como as expressões do tipo seu papel, sua existência e sua importância, presentes em proporção significativa no corpus em estudo. Além disso, identificamos no corpus certas ocorrências de anáforas abstratas (Botley 96; Maes 96), com termos antecedentes tais como o tema, o fato, etc. Finalmente, mesmo para o ser humano, em situações concretas de discurso, a resolução de RPPs apresenta dificuldades. No estudo apresentado em (Magalhães 96), grupos de estudantes são orientados a identificar antecedentes de vários tipos de anáforas, dentre outros aspectos ligados à compreensão de textos. Como resultado, constata-se que a resolução de RPPs apresenta índices de acerto inferiores aos obtidos na resolução de pronomes pessoais e demonstrativos, e mesmo de outras formas possessivas, como o pronome dele 11. Neste último caso, o estudo sugere que a característica de concordância de gênero e número das RPPs com o termo possuído seja uma das causas de sua maior dificuldade de interpretação. Assim, RPPs são um caso particular - e talvez dos mais complexos - de resolução de anáforas, um problema computacional já bastante significativo. Além disso, como o 11 em reforço a esta comparação, S. Menuzzi em (Menuzzi 96) constata que, no português falado, o anafórico de 3a. pessoa seu é amplamente desprezado em favor do pronome dele.

24 24 presente trabalho segue uma metodologia orientada a um corpus de texto específico, acrescentam-se as dificuldades inerentes ao tratamento da linguagem baseado em sentenças reais. No caso do corpus selecionado, estas dificuldades são observadas principalmente na alta complexidade das sentenças (Exemplo 24) e, em alguns casos, na ambigüidade de interpretação. Exemplo 24 : A remessa para o exterior de [qualquer material coletado, ainda que reproduzido através de fotografias, filmes ou gravações] i, só poderá ser efetuada após prévia autorização do MCT e desde que assegurada, pelo interessado, sua i utilização em atividades exclusivamente de estudos, pesquisas e difusão, com a observância no disposto no Parágrafo único do Artigo 4o.

25 Considerações Neste capítulo partimos de uma visão geral do fenômeno lingüístico da coreferência, apresentando uma conceituação de anáfora e suas variações, até a caracterização do problema computacional específico que pretendemos abordar, a resolução de RPPs no domínio da legislação ambiental. Foram identificadas algumas dificuldades de natureza computacional, comuns a vários tipos de referências, dificuldades de natureza lingüística particulares às RPPs e ainda algumas dificuldades específicas do domínio lingüístico tratado. Do ponto de vista computacional, destacamos a natureza heterogênea do conhecimento envolvido, o grande número de hipóteses a considerar, a ocorrência de cadeias anafóricas de longa distância, a questão do tratamento intersentencial e a distinção entre anáfora, catáfora e exófora. Sob o aspecto lingüístico, constatamos certas peculiaridades do pronome possessivo em relação a outras formas pronominais. Dentre estas, citamos o estabelecimento de uma relação de posse entre dois objetos de discurso, a baixa disponibilidade de conhecimento sintático de gênero, número e função, a ambigüidade de referência a cadeias de SNs ligados por preposições, a ocorrência de anáforas abstratas e a referência por meio de expressões de baixo conteúdo semântico. Observamos ainda que algumas dessas características introduzem certa dificuldade na interpretação das RPPs, mesmo por seres humanos. Finalmente, no corpus de trabalho identificamos a ocorrência de sentenças estruturalmente complexas e contendo longas cadeias de SNs, um fator extra a ser considerado na resolução computacional de RPPs. Considerando todas estas características, situamos o presente problema de resolução de RPPs dentro das várias classificações (Tabela 2.1) como um caso específico de anáfora pronominal possessiva, intrasentencial, direta, de profundidade e com ocorrência mista de antecedentes concretos e abstratos.

26 3. REVISÃO BIBLIOGRÁFICA Este capítulo apresenta uma revisão de estudos identificados na área de resolução de anáforas no processamento da linguagem natural. Devido à grande variedade de objetivos e abrangência de cada estudo, optamos por apresentar uma visão geral dos tipos de trabalhos identificados, e uma descrição mais elaborada apenas daqueles de maior afinidade com nossos objetivos. Assim, são abordados com maior ênfase os trabalhos de natureza prática e orientados a corpus, características preestabelecidas do presente trabalho. Também são destacados os casos de emprego de conhecimento heurístico e os casos de baixa dependência de conhecimento sintático e semântico, aspectos de significativa influência na proposta de solução Uma visão geral Identificamos uma grande variedade de esforços em direção à resolução computacional da anáfora, sendo incluídas nesta concepção de anáfora todas as formas de referência citadas no capítulo 2 deste trabalho. Como meio de organizar a revisão dos trabalhos mais significativos para nossos propósitos, consideramos a divisão apresentada na Figura 3.1.

27 27 Resolução de Anáforas Formalismos Abordagens práticas Baseadas em conhecimento Independentes de conhecimento Figura Abordagens no tratamento computacional da anáfora Nesta classificação, identificamos, de um lado, uma série de pesquisas de natureza predominantemente teórica, objetivando algum tipo de redução do fenômeno da anáfora a um modelo gramatical. Estudos como (Abraços 94; Freitas 92; Gelain 92; Hajicová 92; Hankamer 76; Langacker 96; Reinhart 92; Reuland 92; Strube 95), mesmo quando apresentando protótipos de implementação, trazem importante contribuição à completa formalização do tratamento da anáfora, mas são de difícil adaptação ao problema considerado neste trabalho. Por outro lado, identificamos algumas abordagens de caráter prático, muitas das quais baseadas em um corpus ou domínio lingüístico específico, e com freqüente aplicação de regras heurísticas, sobre as quais concentramos a atenção nesta revisão bibliográfica. Para estes casos, utilizamos ainda o critério da natureza do conhecimento empregado para a distinção entre abordagens baseadas em conhecimento e abordagens independentes de conhecimento. De modo geral, estes trabalhos apresentam, com ênfase variada, três preocupações básicas: a definição do tipo de conhecimento (fatores) a considerar, a integração deste conhecimento (cálculo de saliência 12 de candidatos), e uma estratégia de aplicação. Excetuando-se algumas das primeiras abordagens puramente sintáticas, anteriores à década de 80, e as recentes propostas de resolução independente de conhecimento, a anáfora é tratada de forma consensual como um problema dependente de conhecimento heterogêneo, incluindo resultados de análise sintática e semântica, mecanismos de inferência, conhecimento de mundo e estrutura do discurso. Entretanto, a definição dos 12 probabilidade de co-referência.

28 28 tipos de conhecimento envolvidos permanece sob investigação, e é parte da própria definição do problema de resolução de anáforas. Através do estudo de trabalhos de pesquisa na área, constamos que a relação dos fatores envolvidos na resolução de anáforas está ainda em expansão, e que, em certa medida, esses fatores são dependentes do domínio e do fenômeno específico que está sendo tratado. Esses fatores, amplamente discutidos em trabalhos como (Mitkov 97a), vão desde simples restrições sintáticas de gênero e número a múltiplos aspectos envolvidos no controle da estrutura do discurso (Brennan 87). Além disso, constatamos a divergência entre o emprego de teorias e o emprego de regras heurísticas para resolução de anáforas, uma discussão que não é recente. Por exemplo, G. J. Hirst (Hirst 81) defende o predomínio da teoria sobre regras heurísticas, mas admite a necessidade do emprego de heurística no tratamento da anáfora, inclusive como mecanismo de consolidação de novas teorias. Entretanto, em muitos dos recentes trabalhos orientados a corpus, a distinção entre teoria e heurística não é sequer considerada. Uma vez definidos os fatores envolvidos na resolução de um tipo específico de anáfora (possivelmente em um domínio lingüístico também específico), faz-se necessária uma definição de como esse conhecimento será integrado, na forma de uma função de cálculo de saliência de termos candidatos. Assim como a própria definição dos fatores envolvidos na resolução de anáforas, a definição do peso relativo de cada um dos fatores também se encontra ainda sob investigação (Mitkov 97a). Em especial, a partir de trabalhos como (Nasukawa 94; Mitkov 97a), encontram-se evidências de que estas preferências são fortemente dependentes do domínio lingüístico e do tipo de anáfora tratada. Finalmente, quanto às estratégias computacionais de resolução, encontramos também uma grande variedade de propostas, em geral ligadas a uma arquitetura específica (centralizada, distribuída, etc) ou a um determinado método computacional (aprendizagem de máquina, conexionismo, etc) A questão do centro do discurso

29 29 A maior parte do conhecimento envolvido na resolução de anáforas - sintático e semântico - já foi detalhada neste trabalho, no capítulo referente à caracterização do problema. Cabe, entretanto, uma breve menção à questão do conhecimento pragmático, mais especificamente sobre a importância da estrutura do discurso, tema considerado em trabalhos ligados à resolução de anáforas como (Abraços 94; Ersan 94; Freitas 92; Mitkov 94, 96a, 96b), entre outros. A relação entre discurso e anáfora provém da freqüência - notadamente alta - com que o objeto do qual se fala num determinado ponto do discurso é referenciado por meio de pronomes (Allen 95). Sob este enfoque, a pronominalização seria justamente um modo de destacar um objeto e informar aos leitores ou ouvintes que este objeto representa o centro do discurso. Como exemplo, S. E. Brennan (Brennan 87) cita os resultados de experimentos práticos comprovando que a interpretação humana de uma co-referência a um objeto que não está em foco requer mais tempo do que a interpretação da co-referência a um objeto em foco. Da mesma forma, interpretar a reprodução de um termo já em foco também requer mais tempo do que interpretar a reprodução de um termo fora de foco. Assim, diante da ocorrência de um pronome, o centro da própria sentença ou os centros das sentenças anteriores são candidatos altamente prováveis a termo antecedente, segundo uma série de restrições enunciadas pela teoria de Centering (Sidner 83; Grosz 95;). A teoria de Centering é um sistema de regras e restrições que governam as relações entre o tema do discurso e algumas escolhas lingüísticas efetuadas pelos participantes do discurso, como o emprego de pronomes (Brennan 87). A teoria inclui o estabelecimento de uma estrutura hierárquica de saliência dos objetos introduzidos, representando a estrutura de tópicos ou subtópicos detectada, e sua probabilidade relativa do ponto de vista referencial. Como regra fundamental para determinação do centro de cada segmento de discurso, Brennan (Brennan 87) estabelece, entre outros critérios, a preferência pelo sujeito da sentença sobre o objeto, além de restrições para as eventuais mudanças de centro ao longo do discurso. Tanto os fatores envolvidos na determinação do centro como as restrições de controle do discurso têm sido constantemente revistos e adaptados a