Uma proposta para recuperação da informação através de redes lexicais: uma estratégia léxico-quantitativa

Transcrição

1 Ivone Isidoro Pinto Uma proposta para recuperação da informação através de redes lexicais: uma estratégia léxico-quantitativa Tese de Doutorado Tese apresentada ao Programa de Pós Graduação em Lingüística do Departamento de Letras da PUC- Rio como parte dos requisitos parciais para obtenção do título de Doutor em Letras. Orientadoras: Maria Carmelita Dias Co-orientadora: Violeta Quental Volume I Rio de Janeiro Setembro de 2002

2 Todos os direitos reservados. É proibida a reprodução total ou parcial do trabalho sem a autorização da universidade, da autora e das orientadoras. Ivone Isidoro Pinto Graduou-se como bacharel em Letras (Português Literaturas) na Faculdade de Letras da UFRJ Universidade Federal do Rio de Janeiro. Recebeu o título de Mestre em Lingüística e Filologia área de Sociolingüística na pós-graduação da mesma instituição. Trabalhou junto aos projetos PEUL, APERJ e NURC-RJ como assessora na parte de processamento estatístico das informações. Ministrou workshops sobre esse assunto nas Universidades Federais do Acre, Alagoas e Pernambuco. Trabalha atualmente como analista em sistemas para a Internet, visando o fluxo e gerenciamento de informações e processos. Ficha Catalográfica Pinto, Ivone Isidoro Uma proposta para recuperação da informação através de redes lexicais : uma estratégia léxico-quantitativa / Ivone Isidoro Pinto; orientadora: Maria Carmelita Dias; coorientadora: Violeta Quental. Rio de Janeiro : PUC, Departamento de Letras, [11], 139 f. ; 30 cm Tese (doutorado) Pontifícia Universidade Católica do Rio de Janeiro, Departamento de Letras. Inclui referências bibliográficas. 1. Letras Teses. 2. Recuperação da informação. 3. Lingüística computacional. 4. Léxico gerativo. 5. Sumarização. I. Dias, Maria Carmelita. II. Quental, Violeta. III. Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Letras. IV. Título. CDD: 400

3 Ivone Isidoro Pinto Uma proposta para recuperação da informação através de redes lexicais: uma estratégia léxico-quantitativa Tese apresentada ao Programa de Pós Graduação em Lingüística do Departamento de Letras da PUC- Rio como parte dos requisitos parciais para obtenção do título de Doutor em Letras. Maria Carmelita Dias Orientadora Departamento de Letras PUC-Rio Violeta Quental Co-Orientadora Departamento de Letras PUC-Rio Profa. Dra. Vera Lúcia Strube de Lima PUC-RS Profa. Dra. Maria Lúcia Leitão de Almeida UFRJ Profa. Dra. Maria das Graças Dias Pereira Departamento de Letras PUC-Rio Profa. Dra. Helena Franco Martins Departamernto de Letras PUC-Rio Prof. Dr. Jürgen Heye Coordenador Setorial do Centro de Teologia e Ciências Humanas

4 Para meus amores presentes e ausentes. É deles que tiro força e um sorriso novo a cada dia.

5 Agradecimentos À Maria Carmelita Dias e Violeta Quental, que foram mais do que orientadoras, companheiras entusiasmadas, e que souberam acompanhar, criticar, cobrar e incentivar nos momentos certos do percurso. À Margarida Basílio pelo apoio ao trabalho, às críticas precisas e a disponibilidade constante. À Maria das Graças Dias Pereira, pelo retorno certo das dúvidas, a disposição constante na troca de idéias e pelos comentários fundamentais na análise. À todos os membros da banca examinadora pela seriedade e respeito no questionamento da hipótese levantada e pelas contribuições feitas. Ao Departamento de pós-graduação da Puc-Rio pela postura de comprometimento com o trabalho. Sempre me senti apoiada e acompanhada nos percalços do caminho. Aos funcionários do Departamento, pela solicitude e profissionalismo, especialmente representados na figura de Francisca Ferreira de Oliveira. Às minhas colegas de curso, Cristina, Claudinha e Maria Cândida, agora distantes por conta dos caminhos que a vida traça, mas que foram tão presentes nos momentos precisos.

6 Resumo Pinto, Ivone Isidoro; Orientadoras: Dias, Maria Carmelita (Orientadora); Quental, Violeta (Co-orientadoras). Uma proposta para recuperação da informação através de redes lexicais: uma estratégia léxico-quantitativa. Rio de Janeiro, 2002, 150 p. Tese de Doutorado Departamento de Letras, Pontifícia Universidade Católica do Rio de Janeiro. A hipótese principal deste trabalho é que as relações lexicais existentes entre os itens de um texto podem ser identificadas por meio da conjugação de um processo associativo a cálculos percentuais e freqüências, sem a necessidade de um prétratamento do texto. Esse processo de fusão de diferentes tipos de informações sobre o item lexical - relações associativas com outros itens no léxico e informações estatísticas sobre sua ocorrência em um documento foi chamado de léxico-quantitativo. O produto desse processo de análise foi usado para demonstrar que o conhecimento tal como proposto em teorias lingüísticas nesse caso especificamente na área da semântica lexical - pode ser aplicado a processos de recuperação da informação em produtos lingüísticos, acrescentando uma qualidade lexical às procuras. Ao resultado obtido com essa estratégia de análise das relações entre os itens lexicais de um texto, foi dado o nome de rede lexical. Propôs-se a aplicação desse produto em processos de recuperação da informação em produtos lingüísticos, documentos em forma textual, através da identificação de tópicos/assuntos centrais - palavras-chave - de cada texto. Palavras-chave Recuperação de Informação / Lingüística Computacional / Léxico Gerativo / Sumarização

7 Abstract Pinto, Ivone Isidoro; Orientadoras: Dias, Maria Carmelita (Orientadora); Quental, Violeta (Co-orientadoras). A lexical and quantitative strategy for retrieval information on text: lexical networks. Rio de Janeiro, 2002, 150 p. Tese de Doutorado Departamento de Letras, Pontifícia Universidade Católica do Rio de Janeiro. The main hypothesis in this work is that the lexical relations between the words in a text can be identified by the conjugation of an associative process and frequencies values, with no need of a pre-analysis of the text. This fusion process of different kinds of information about the lexical item - associative relations between lexical items and statistical information about its occurrences in a text was called lexicon-quantitative. The product of this process has been used to demonstrate that the knowledge of linguistics theories in this particular case, the knowledge of the lexical semantics can be applied to retrieval information process, bringing a lexical quality to the search process. Lexical network was the name given to the result of this strategy of analysis about the relations between the lexical items of a text. The application of this product in retrieval process of linguistics objects, text documents, by the identification of main themes/topics keywords - in a text has been proposed. Keywords Information Retrieval / Computational Linguistics / Generative Lexicon / Summarization

8 Sumário 1. Introdução Pressupostos Teóricos Sobre alguns conceitos lingüísticos Sobre a delimitação da unidade lexical Sobre significado e referência Sobre a relação entre palavra e significado Sobre o léxico computacional e o léxico mental O léxico mental O léxico computacional Sobre alguns conceitos extralingüísticos Processos de recuperação da informação Diferença entre informação digitalizada e informação lingüística 40 digitalizada Técnicas de processamento para recuperação da informação 44 lingüística Indexação de palavras Classificação de palavras O quadro atual na Internet Vector Space Model Abordagem Lexical vs. Probabilística: reflexos da escolha Os modelos Classicista e Conexionista Propondo uma alternativa Léxico Gerativo: Modelo, Teoria e Implementação Proposta Introduzindo o Modelo do Léxico Gerativo Estrutura argumental Estrutura de eventos Estrutura qualia Sofisticando a especificação A implementação da Teoria em nosso estudo A motivação das escolhas Por que a estrutura qualia A estrutura qualia em nossa análise Papel Télico Papel Constitutivo Papel Agentivo Papel Formal 88

9 4. A implementação da(s) estratégia(s) de recuperação O corpus de pesquisa e o corpus lexical A categorização e formalização do Léxico Computacional A Entrada A Estrutura Qualia A MetaEntrada Nossa estratégia de análise: as redes lexicais Sobre as relações lexicais Redes Lexicais de Agrupamento Redes lexicais de sinonímia Redes Lexicais de Hierarquias Demonstrando uma aplicação para as redes lexicais Rede de Relevância Léxico-Quantitativa Considerações Finais 142 Bibliografia 145 Anexo 149

10 Lista de Quadro e Tabelas Quadro 1 - Exemplo de tabela sobre a programação do SPORTV 42 Quadro 2 - Reprodução do texto da Página de programação do Site da 43 Sportv Exemplo 1 - Texto extraído do corpus 46 Quadro 3 - Exemplo de tabela com mapeamento ordenado dos itens 46 lexicais Quadro 4 - Percentuais de ocorrência do Exemplo 1 47 Quadro 5 - Co-ocorrências com a palavra DE 48 Quadro 6 - Proposta de representações moleculares dentro de um modelo 58 classicista Quadro 7 - Proposta de representações moleculares dentro de um modelo 59 conexionista Quadro 8 Valores de rede dentro de um modelo conexionista 60 Quadro 9 - Categorização do item lexical dia 96 Quadro 10 - Categorização da MetaEntrada Lei 101 Quadro 11 - Resultados da Rede Lexical de Agrupamento para a 104 MetaEntrada Lei Quadro 12 - Resultados de Sinonímia entre os itens lexicais Semana e 107 Mês Quadro 13 - Resultados de Sinonímia entre os itens lexicais Mês e 108 Semana Quadro 14 - Resultados da Rede Lexical de Sinonímia para o item lexical 113 Semana Quadro 15 - Resultados da Rede Lexical de Hierarquia para o item lexical 116 Semana Exemplo 2 - Mensagem Avalieseucarro.com.br 121 Tabela a - Rede de Relevância Léxico-Quantitativa da mensagem 126 Avalieseucarro.com.br

11 Exemplo 3 - Mensagem Multiprest 127 Tabela b - Rede de Relevância Léxico-Quantitativa da mensagem 131 Multiprest Exemplo 4 - Mensagem Filosofia Oriental 132 Tabela c - Rede de Relevância Léxico-Quantitativa da mensagem 141 Filosofia Oriental