An Alise de Express Oes Re Ferenc I A Is

Anlise de Expresses Referenciais
em Corpus Anotado da Lngua Portuguesa

Sandra Collovini de Abreu
So Leopoldo
2005
UNIVERSIDADE DO VALE DO RIO DOS SINOS

CINCIAS EXATAS E TECNOLGICAS
PROGRAMA INTERDISCIPLINAR DE PS-GRADUAO EM COMPUTAO
APLICADA PIPCA
Sandra Collovini de Abreu
Anlise de Expresses Referenciais em Corpus Anotado da

Lngua Portuguesa
Dissertao de Mestrado submetida a avaliao como

requisito parcial para obteno do grau de Mestre em
Computao Aplicada
Orientadora:
Prof. Dr. Renata Vieira
So Leopoldo
2005
Dedico este trabalho em memria minha me que

infelizmente no pode acompanh-lo, mas pode contribuir muito
com o seu exemplo de determinao, amor, f e luta pela
realizao de seus sonhos.
Agradecimentos
minha orientadora, Prof. Dr. Renata Vieira, pela dedicao, comprometimento,
confiana e amizade durante todo o Mestrado.
meu grande amor, James, por todo o companheirismo, incentivo, compreenso e
amor. minha sogra Clenir e sogro Joo por todo o apoio.
toda a minha famlia, pelo amor, compreenso, incentivo, em especial a minha irm
ngela, que me acompanhou durante toda esta etapa.
Aos meus colegas do laboratrio de Engenharia da Linguagem, Cssia, Cassiana,
Cludia, Csar, Douglas, Fbio, Leonardo, Rodrigo, Sandro, Vincius, pela amizade e auxlio
no transcorrer deste estudo. Em especial aos colegas Csar, por todo o apoio e pela realizao
da anotao de correferncia no corpus Pblico, e ao Rodrigo pelo auxlio na elaborao das
folhas de estilo.
Aos colegas de Portugal, Ana Margarida Aires pela contribuio no processo de
comparao da classificao manual e automtica e ao Prof. Dr. Paulo Quaresma pelo
acompanhamento e cooperao.
Aos colegas do Mestrado, por todo o companheirismo. Em especial aos colegas
Adriana, Daniela, Gabriela, Letcia, Isa Mara e Rafael Torchelsen, por todos os momentos de
ajuda e incentivo.
Ao corpo docente do PIPCA pela disposio; aos administradores de rede, Fbio e
Antnio pela prestatividade. secretaria Rejane, por todo o auxilio e amizade.
CAPES pelo auxlio financeiro durante o transcorrer do Mestrado e pelo

financiamento do projeto DIRPI de cooperao internacional com Portugal, pela oportunidade
de visitar Universidade de vora e aprofundar os estudos relacionados a este trabalho.
Resumo
A anlise de expresses referenciais fundamental na interpretao do discurso. A
identificao de expresses correferentes importante em diversas aplicaes de
Processamento da Linguagem Natural. Expresses referenciais podem ser usadas para
introduzir entidades em um discurso ou podem fazer referncia a entidades j mencionadas,
podendo fazer uso de reduo lexical, como em: O Eurocenter oferece cursos de Japons na
bela cidade de Kanazawa. Os cursos tm quatro semanas de durao. Onde cursos de
Japons introduz uma nova entidade e os cursos retomam essa entidade. A resoluo de
correferncia o processo de identificar as expresses que se referem mesma entidade no
discurso. As expresses referenciais so analisadas e a existncia de um antecedente textual
verificada. Aquelas que introduzem novos elementos, chamamos novas no discurso.
Esta dissertao apresenta um estudo das caractersticas de um tipo especfico de
expresses referenciais (descries definidas) com o objetivo de identificar automaticamente
expresses novas no discurso em textos da Lngua Portuguesa. Este estudo importante, pois
o nmero de expresses sem antecedentes textuais no discurso tanto na Lngua Inglesa como
na Lngua Portuguesa expressivo.
O estudo das caractersticas baseou-se na literatura e em um estudo de corpus. A partir
destas caractersticas foi construda uma base de dados para o aprendizado automtico de
rvores de deciso. Os melhores resultados da classificao das descries definidas foram
implementados no ambiente ART. Uma anlise dos atributos foi desenvolvida para calcular o
potencial de distino de cada um, destacando-se o atributo tamanho (nmero de palavras
do sintagma nominal) por ser um atributo original e significativo nos experimentos e o
atributo sem antecedente (ncleo da descrio definida uma palavra que no ocorre
anteriormente no texto) por ter um impacto positivo nos resultados.
As rvores de deciso geradas foram avaliadas em um novo corpus, composto por
textos extrados do jornal portugus Pblico. Obtivemos 77% de F-measure para a
identificao de expresses novas no discurso.
Palavras chave: expresses referenciais, classificao automtica de expresses
referenciais, resoluo de correferncia, resoluo de anforas, aprendizado de mquina.
Abstract
The analysis of referring expressions is fundamental to discourse interpretation. The
identification of correfering expressions is an important step in many Natural Language
Processing applications. Referring expressions may introduce new entities in a discourse or
the can refer back to already mentioned entities; they can do it on the basis of simplified
expressions, as in Eurocenter offers Japanese courses in Kanazawa. The courses are four
week long. In this example, the expression Japenese courses introduces a new discourse
entity, whereas the courses refer back to this already mentioned entity.
Correference resolution is the process of identification expressions that refer to the
same entity. Referring expressions are analysed and the existence of a textual antecedent is
verifyed. Those which introduce new discourse entities are considered discourse new in the
discourse.
This dissertation presents a study of a specific type of referring expression (definite
description) with the goal of identifying discourse new expressions in Portuguese texts. This
is an important issue since the number of such expressions without textual antecedents were
found to be significant both in English and Portuguese corpora.
The study of definite description features was based both on the literature and on
corpus studies. A data base for learning decisions trees was constructed. The generated trees
through the learning process were implemented and evaluated in the ART framework.
The features were analysed individually and we found that a new atribute based on the
size of the noun phrase presented interesting results. Another relevant atribute with good
impact in the results is based on the lack of the head noun in the previous text.
The automatically generated trees were evaluated in a new corpus, composed of

European Portuguese texts from the Portuguese newspaper Publico. We had an F-measure of
77% for the identification of discourse new.
Lista de Figuras
FIGURA 2.1 ESTRUTURA DA RVORE DE DECISO ............................................................... 27
FIGURA 3.1 ARQUIVO DE WORDS. ....................................................................................... 40
FIGURA 3.2 ARQUIVO DE POS. ........................................................................................... 40
FIGURA 3.3 ARQUIVO DE CHUNKS. ...................................................................................... 40
FIGURA 3.4 ARQUIVO DA ESTRUTURA................................................................................. 42
FIGURA 3.5 ARQUIVO DE MARCAES................................................................................ 42
FIGURA 3.6 ARQUITETURA DA FERRAMENTA ART (GOULART, GASPERIN; VIEIRA, 2004)
..................................................................................................................................... 44
FIGURA 3.7 ARQUIVO DE ANAFRICAS ............................................................................... 45
FIGURA 3.8 ARQUIVO DE CANDIDATOS A ANTECEDENTES ................................................... 45
FIGURA 3.9 ARQUIVO DE MARCAES ................................................................................ 45
FIGURA 3.10 ARQUIVO NO FORMATO ARFF........................................................................ 46
FIGURA 3.11 ABRANGNCIA ............................................................................................... 48
FIGURA 3.12 PRECISO....................................................................................................... 48
FIGURA 3.13 F-MEASURE .................................................................................................... 49
FIGURA 3.14 TRECHO DO ARQUIVO DE CHUNKS .................................................................. 55
FIGURA 3.17 METODOLOGIA PROPOSTA .............................................................................. 57
FIGURA 3.18 ARQUIVO DE MARCAES............................................................................... 59
FIGURA 3.19 ARQUIVO DE CHUNKS ..................................................................................... 59
FIGURA 3.20 TRECHO DE UM TEXTO .................................................................................... 59
FIGURA 3.21 LISTA DE DESCRIES DEFINIDAS .................................................................. 59
FIGURA 3.22 TRECHO DO ARQUIVO DE ENTRADA NO FORMATO ARFF ................................ 62
FIGURA 4.1 RVORE DE DECISO COM ATRIBUTOS G1........................................................... 75
FIGURA 4.2 RVORE DE DECISO COM ATRIBUTOS G1 SEM TAM .......................................... 76
Lista de Tabelas
TABELA 2.1 CONFIGURAES DAS DESCRIES DEFINIDAS. ................................................... 25
TABELA 2.2 ALGUMAS CARACTERSTICAS DE TRABALHOS RELACIONADOS. ............................ 36
TABELA 3.1 INFORMAES SOBRE O CORPUS 1.................................................................... 37
TABELA 3.2 INFORMAES SOBRE O CORPUS 2.................................................................... 38
TABELA 4.1 NMERO DE EXEMPLOS DE CADA CLASSE. ........................................................ 67
TABELA 4.2 RESULTADOS DO BASELINE. .............................................................................. 67
TABELA 4.3 EXPERIMENTO 1 COM ATRIBUTOS G1. .............................................................. 68
TABELA 4.4 RESULTADOS DO EXPERIMENTO 1 COM ATRIBUTOS G12. .................................. 68
TABELA 4.5 RESULTADOS DO EXPERIMENTO 1 COM G123 DE ATRIBUTOS. ........................... 69
TABELA 4.6 PERCENTUAL DE ACERTOS DO EXPERIMENTO 1................................................. 69
TABELA 4.7 COMPARAO ENTRE O BASELINE E O EXPERIMENTO 1...................................... 70
TABELA 4.8 NMERO DE EXEMPLOS DE CADA CLASSE. ........................................................ 70
TABELA 4.9 RESULTADOS DO BASELINE. .............................................................................. 70
TABELA 4.10 RESULTADOS DO EXPERIMENTO 2 COM ATRIBUTOS G1. .................................. 71
TABELA 4.11 RESULTADOS DO EXPERIMENTO 2 COM ATRIBUTOS G12. ................................ 71
TABELA 4.12 RESULTADOS DO EXPERIMENTO 2 COM ATRIBUTOS G123. .............................. 72
TABELA 4.13 PERCENTUAL DE ACERTOS DO EXPERIMENTO 2............................................... 72
TABELA 4.14 COMPARAO ENTRE O BASELINE E EXPERIMENTO 2....................................... 73
TABELA 4.15 POTENCIAL DE DISTINO DOS ATRIBUTOS G1 (CF = 0,35) ............................ 74
TABELA 4.16 POTENCIAL DE DISTINO DOS ATRIBUTOS G12 (CF = 0,35). ......................... 74
TABELA 4.17 POTENCIAL DE DISTINO DOS ATRIBUTOS G123 (CF = 0,10) ........................ 74
TABELA 4.18 COMPARAO DO ATRIBUTO TAM ................................................................ 75
TABELA 4.19 POTENCIAL DE DISTINO DOS ATRIBUTOS G1 (CF = 0,35) ............................ 76
TABELA 4.20 POTENCIAL DE DISTINO DOS ATRIBUTOS G12 (CF = 0,35). ......................... 77
TABELA 4.21 POTENCIAL DE DISTINO DOS ATRIBUTOS G123 (CF = 0,35). ....................... 77
TABELA 4.22 PIPES E FILTROS DO EXPERIMENTO 1 .............................................................. 78
TABELA 4.23 RESULTADO COMPARATIVO DO EXPERIMENTO 1............................................. 78
TABELA 4.24 PIPES E FILTROS DO EXPERIMENTO 2. ............................................................. 79
TABELA 4.26 NMERO DE EXEMPLOS POR CLASSE DOS EXPERIMENTOS ............................... 80
TABELA 4.27 RESULTADOS DOS BASELINES DOS EXPERIMENTOS. ......................................... 81
TABELA 4.29 RESULTADO COMPARATIVO DO EXPERIMENTO 2 .......................................... 82
TABELA 5.1 RESULTADOS DOS TRABALHOS RELACIONADOS. ............................................... 86
Lista de Abreviaturas
AM
Aprendizado de Mquina
ART
Anaphor Resolution Tool
IA
Inteligncia Artificial
MMAX
Multi-Modal Annotation in XML
NILC
Ncleo Interinstitucional de Lingstica

Computacional
PLN
Processamento de Linguagem Natural
POS
Part of Speech
RI
Recuperao de Informao
SCT
Sistema de Categorizao de Textos
Weka
Waikato Environment for Knowledge Analysis
XML
eXtensible Markup Language
XSL
eXtensible Stylesheet Language
Sumrio
1.
Introduo .................................................................................................................. 14
1.1
Objetivos .............................................................................................................. 15
1.1.1
Objetivo Geral .................................................................................................. 15
1.1.2
Objetivos Especficos ....................................................................................... 15
1.2
Organizao do Texto........................................................................................... 16
2.
Reviso bibliogrfica.................................................................................................. 18
2.1
2.2
2.3
2.4
2.4.1
2.4.2
2.5
2.6
2.7
3.
Materiais e Mtodos ................................................................................................... 37

3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.9.1
3.9.2
3.9.3
3.10
3.11
4.
Expresses Referenciais: Sintagmas Nominais e Descries Definidas ................. 18

Correferncia e Anfora ....................................................................................... 19
Classificao das descries definidas .................................................................. 21
Estudo das caractersticas das descries definidas ............................................... 22
Partes fundamentais das descries definidas.................................................... 23
Os complementos das descries definidas ....................................................... 23
rvores de Deciso............................................................................................... 25
Trabalhos Relacionados........................................................................................ 29
Consideraes Finais ............................................................................................ 35
Descrio do Corpus............................................................................................. 37
PALAVRAS e Xtractor ........................................................................................ 39
MMAX ................................................................................................................ 41
ART ..................................................................................................................... 43
Weka.................................................................................................................... 45
Avaliao ............................................................................................................. 47
Grupos de Caractersticas das descries definidas ............................................... 49
Identificao Automtica das Caractersticas no Corpus ....................................... 54
Processo de Aprendizado...................................................................................... 57
Coleta da Base .................................................................................................. 57
Pr-processamento............................................................................................ 57
Classificao..................................................................................................... 61
Implementao no Ambiente ART........................................................................ 62
Consideraes Finais ............................................................................................ 63
Resultados................................................................................................................... 66
4.1
Gerao de rvores de Deciso ............................................................................ 66
4.1.1
Experimento 1 novas no discurso (Weka) ...................................................... 67
2.1.2
Experimento 2 no correferentes (Weka) ....................................................... 70
4.1.3
Potencial de Distino das Caractersticas......................................................... 73
4.2
Avaliao das rvores no Ambiente ART ............................................................ 77
4.2.1
Avaliao das Caractersticas em um novo corpus ............................................ 80
4.3
Consideraes finais ............................................................................................. 82
5.
Concluses e Trabalhos Futuros................................................................................ 84
Referncias ......................................................................................................................... 87
APNDICE A Folhas de Estilo XSL .............................................................................. 92
APNDICE B rvores de Deciso ............................................................................... 101
14
1. Introduo
Em sistemas de Processamento de Linguagem Natural (PLN), a anlise de expresses
referenciais um componente fundamental na interpretao do sentido do texto. A resoluo
de correferncia constitui do ponto de vista do processamento computacional, um problema
difcil, devido complexidade do fenmeno lingstico e por isso motiva inmeras pesquisas.
O processo de resoluo de correferncia busca identificar expresses lingsticas que
se referem mesma entidade (correferentes). Para exemplificar, segue o trecho de um texto,
onde as expresses correferentes esto destacadas.
O advogado de Castor de Andrade, Nlio Machado, afirmou que vai aguardar a
evoluo dos fatos para se pronunciar. O advogado disse desconhecer a existncia de
documentos que demonstrariam o pagamento de propinas a autoridades policiais.
A identificao de expresses correferentes importante em diversas aplicaes de
PLN, como, por exemplo, em sumarizao automtica, extrao de informao, recuperao
de informao, traduo automtica, classificao de textos, entre outros.
Este estudo trata de expresses referenciais em textos da Lngua Portuguesa,
especificamente de descries definidas. Chamamos descries definidas os sintagmas
nominais iniciados por artigo definido (o, a, os, as). As descries definidas so estudadas
extensivamente pela lingstica, filosofia, psicologia e lingstica computacional (VIEIRA,
1998). Alm disso, trabalha-se com descries definidas pelo fato de ocorrerem em grande
quantidade nos textos. Tambm, existem vrios trabalhos sobre resoluo de anforas
pronominais, contudo existem poucos trabalhos que abordam a resoluo anafrica das
descries definidas para a Lngua Portuguesa.
15
Estudos anteriores (VIEIRA; GASPERIN; GOULART, 2003) mostram que as

descries definidas em textos jornalsticos possuem um antecedente textual em apenas 50%
dos casos. Esse fato aliado complexidade da tarefa de encontrar um antecedente para
resoluo de correferncia estimula a comunidade a propor como parte do processo de
resoluo, a identificao de descries definidas novas no discurso (MCCARTHY,
LEHNERT, 1995; BEAN, RILOFF, 1999; CARDIE; WAGSTAFF,1999; VIEIRA, POESIO,
2000; (SOON; NG; LIM, 2001; MULLER; RAPP; STRUBE, 2002; NG, CARDIE, 2002a,
2002b; STRUBE; RAPP; MULLER, 20002; URYUPINA, 2003; POESIO et al., 2005). Todos
esses trabalhos so estudos da Lngua Inglesa. Nessa dissertao realizamos um estudo
detalhado das expresses referenciais definidas da Lngua Portuguesa e das suas
caractersticas para a identificao daquelas que no possuem um antecedente textual.
1.1 Objetivos
1.1.1 Objetivo Geral
Este trabalho tem como objetivo geral o estudo de caractersticas das descries
definidas em textos da Lngua Portuguesa para a sua classificao como expresses novas no
discurso. Para isso, uma anlise das ocorrncias de descries definidas em textos da Lngua
Portuguesa realizada. A abordagem de Aprendizado de Mquina Supervisionado (rvores de
deciso) para a avaliao das caractersticas relevantes utilizada. Por fim, uma anlise das
rvores de deciso geradas realizada para posterior implementao no ambiente ART.
1.1.2 Objetivos Especficos
Estudo das descries definidas nos textos da Lngua Portuguesa, com base em
corpus anotado com relaes de correferncia;
16
Levantamento de caractersticas para a classificao das descries definidas como
expresses novas no discurso (no possuem um antecedente textual) ou outra (possuem um

antecedente textual) com base no estudo de corpus e na literatura disponvel para a Lngua
Inglesa
(MCCARTHY,
LEHNERT,
1995;
BEAN,
RILOFF,
1999;
CARDIE,
WAGSTAFF,1999; VIEIRA, POESIO, 2000; SOON; NG; LIM, 2001; MULLER; RAPP;
STRUBE, 2002; NG, CARDIE, 2002a; NG, CARDIE, 2002b; STRUBE et al, 20002;
URYUPINA, 2003; POESIO et al., 2005);
Construo da base de dados para o aprendizado automtico, com base nas
caractersticas identificadas que serviro de atributos para as rvores de deciso;
Gerao e anlise de rvores de deciso para a investigao dos atributos
relevantes na classificao binria das descries definidas como nova no discurso e outra;
Implementao das rvores de deciso no ambiente ART (GOULART;
GASPERIN; VIEIRA, 2004);
Avaliao final das rvores de deciso implementadas no ambiente ART com um
novo corpus.
1.2 Organizao do Texto

Esta dissertao est organizada da seguinte forma. No captulo 2, dada uma
introduo aos conceitos importantes relacionados a esse trabalho. Um estudo inicial das
descries definidas apresentado. Aps, uma viso geral de rvores de Deciso mostrada.
Por fim, os trabalhos relacionados.
O captulo 3 apresenta uma viso geral dos materiais e mtodos da pesquisa: corpus e
ferramentas, alm das medidas de avaliao que sero utilizadas nos experimentos. Uma
anlise detalhada das caractersticas morfossintticas das descries definidas do corpus
anotado mostrada. Aps, o processo para a identificao automtica das caractersticas para
17
gerao da base de dados do aprendizado, utilizando a linguagem XSL abordado. Por fim, o
processo de aprendizado com rvores de deciso e as etapas para a implementao das rvores
de deciso no ambiente ART so apresentados.
No captulo 4, so apresentados os resultados da gerao das rvores e posterior
implementao das mesmas no Ambiente ART. A avaliao dos experimentos no ambiente
ART com um novo corpus mostrada.
Por fim, no captulo 5 so apresentadas as concluses e uma discusso sobre os
trabalhos futuros.
18
2. Reviso bibliogrfica
O objetivo deste captulo abordar conceitos importantes das reas de lingstica e
computao relacionados dissertao.
Com base na literatura, apresentado o conceito de descries definidas, as estruturas
de interesse deste trabalho, assim como as configuraes possveis que estas podem adotar.
Alm disso, exposta a classificao das descries definidas empregada neste trabalho. Um
estudo das caractersticas das descries definidas usadas na classificao apresentado. Este
captulo tambm aborda rvores de Deciso. Os principais trabalhos relacionados que
contriburam para este estudo so referenciados.
2.1 Expresses Referenciais: Sintagmas Nominais e Descries Definidas

Um sintagma uma palavra ou um conjunto de palavras, que constituem uma unidade
significativa dentro da sentena (BONINI, 2002, KOCH, 2003; MACAMBIRA, 1990).
Os sintagmas desempenham diferentes funes na sentena e combinam-se em torno
de um ncleo. o ncleo que denomina o sintagma. O sintagma pode ser nominal (ncleo
nome ou pronome), verbal (ncleo verbo), preposicional (ncleo preposio), adjetival
(ncleo adjetivo) e adverbial (ncleo advrbio). Os sintagmas nominais so as expresses
lingsticas utilizadas para referenciar entidades em um discurso.
No caso do sintagma nominal, o ncleo pode configurar-se em nome comum/prprio
ou pronome: pessoal, demonstrativo, indefinido, possessivo entre outros. O sintagma nominal
pode apresentar ainda determinantes e/ou modificadores. Os determinantes antecedem o
ncleo, podendo ser artigos definidos (o, a, os e as), indefinidos (um, uma, uns, umas),
pronomes possessivos (meu, minha, seu, teu etc) entre outros. Os modificadores antecedem
19
ou sucedem o ncleo. Por exemplo, em as acusaes, observa-se um sintagma nominal

constitudo por um determinante, na forma de artigo definido (as), e um ncleo, na forma de
substantivo (acusaes). J em as acusaes contra policiais, h o mesmo sintagma
nominal do exemplo anterior, s que agora modificado pelo sintagma preposicional (contra
policiais).
Dentre as vrias configuraes de sintagmas nominais, observaremos as descries
definidas, foco de nosso trabalho. Muitos lingistas chamam a ateno para uma estrutura
bastante complexa das descries definidas em Lngua Portuguesa (KOCH, 2000; FVERO,
1997; VILELA, KOCH, 2001; KOCH, TRAVAGLIA, 2002; MACAMBIRA, 1990;
HAUSSER, 1999; JURAFSKY, MARTIN, 2000).
Dessa forma, as descries definidas podem ser constitudas por uma extensa e
varivel seqncia de termos (BONINI, 2002, KOCH, TRAVAGLIA, 1996; ZUMTHOR,
2000). As possibilidades de estruturaes de descries definidas que acreditamos serem
importantes distino de expresses novas no discurso e outra sero vistas na seo 2.4;
porm, antes, so apresentados conceitos sobre correferncia e anfora.
2.2 Correferncia e Anfora

Os conceitos de correferncia e anfora so similares, com pequenas diferenas.
Expresses correferentes fazem referncia mesma entidade, enquanto expresses anafricas
podem retomar uma referncia anterior (nesse caso, correferentes) ou podem ativar um novo
referente cuja interpretao dependente de outras expresses referenciais anteriormente
presentes do texto (nesse caso, no correferentes).
Geralmente uma expresso correferente anafrica, mas nem sempre uma expresso
anafrica correferente, veja o exemplo:
20
O Eurocenter oferece cursos de Japons na bela cidade de Kanazawa. Os cursos tm

quatro semanas de durao. As aulas do nvel avanado incluem refeies tpicas e passeios
a pontos tursticos.
No exemplo acima, a expresso Os cursos retoma a expresso anterior cursos de
Japons, ou seja, as duas expresses referenciais fazem meno mesma entidade, portanto
duas expresses correferenciais e anafricas. Porm, expresses anafricas no precisam ser
necessariamente correferentes, por exemplo, a expresso As aulas do nvel avanado no
correferente a nenhum termo anterior, mas apresenta parte do seu significado apoiado na
expresso cursos de Japons, portanto trata-se de uma expresso no correferente e
anafrica.
Na maioria das vezes, uma expresso anafrica ou correferente manifesta-se como um
pronome ou uma descrio definida1 ou demonstrativa2 (FVERO, KOCH, 1994; KOCK,
2000). Porm, ao contrrio dos pronomes e das descries demonstrativas, estudos de corpus
da Lngua Inglesa (VIEIRA, 1998) e Portuguesa (SALMON-ALT, VIEIRA, 2002; VIEIRA;
SALMON-ALT; SCHANG, 2002; VIEIRA et al., 2002; VIEIRA; GASPERIN; GOULART,
2003) mostram que 50% das descries definidas no possuem um antecedente textual. Esse
dado chama a ateno para a necessidade da elaborao de uma estratgia de resoluo de
anforas ou correferncia que seja composta por uma etapa que identifique as expresses
novas no discurso a fim de que as operaes de verificao de antecedentes ocorram
exclusivamente nas expresses anafricas ou correferentes.
Com o objetivo de contribuir para essa etapa de classificao, foram analisadas
caractersticas que predominantemente se manifestariam em expresses novas no discurso
(seo 3.7). Porm, antes de prosseguir, para uma boa compreenso deste estudo de
1
2
Grupo de palavras que inicia por artigo definido e possui ncleo nome (e.g. o parecer, a resoluo final).
Grupo de palavras que inicia por pronome demonstrativo e possui ncleo nome (e.g. essa resoluo).
21
caractersticas; as possveis classificaes das descries definidas sero apresentadas a

seguir.
2.3 Classificao das descries definidas

Em Vieira (1998), encontra-se uma diviso das descries definidas em quatro
categorias, dependendo da forma que esto relacionadas com os seus antecedentes:
1. Anafricas Diretas: so antecedidas por uma expresso que possui o mesmo
nome-ncleo e refere-se mesma entidade no discurso. Por exemplo:
As listas apontam quase todas as divises e departamentos da Polcia Civil. Alguns
delegados da Polcia Federal tambm so citados nas listas.
2. Anafricas Indiretas: so antecedidas por uma expresso que no tm o mesmo
nome-ncleo do seu antecedente, mas referem-se mesma entidade j introduzida no
discurso. Assim, o ncleo pode ser um sinnimo do antecedente ou mesmo uma elipse. Por
exemplo:
A Folha de So Paulo apresentou as listas apreendidas na operao contra o crime
organizado. O jornal tentou ouvir o delegado encarregado.
3. Anafricas Associativas: possuem um antecedente textual no correferente. Assim,
a descrio definida tem seu significado ancorado em uma outra entidade. Por exemplo:
A Folha de So Paulo apresentou as listas apreendidas na operao contra o crime
organizado. O jornal tentou ouvir o delegado encarregado.
4. Novas no discurso: so aquelas que introduzem um novo referente no texto e no
possuem uma ncora para se apoiar semanticamente. Por exemplo:
O quilmetro 430 da rodovia Assis Chateau Briand ontem foi cenrio da campanha
de segurana no trnsito.
22
Cabe ressaltar que as expresses anafricas diretas e indiretas so expresses

correferentes, pois se referem mesma entidade. J as expresses anafricas associativas no
so correferentes, pois apesar de possurem uma relao semntica com seus antecedentes, o
antecedente no referencia a mesma entidade. As expresses novas no discurso no so
correferentes, pois a primeira manifestao das expresses no discurso.
A seguir, apresentamos o estudo de caractersticas das descries definidas novas no
discurso.
2.4
Estudo das caractersticas das descries definidas

Na literatura encontramos vrias propostas que levam em considerao a estrutura
sinttica; aspectos lexicais; semnticos; posicionais; de contexto; entre outras caractersticas

para classificar as descries definidas, conforme apresentado em (MCCARTHY,
LEHNERT, 1995; BEAN, RILOFF, 1999; CARDIE,WAGSTAFF,1999; VIEIRA, POESIO,
2000; SOON; NG; LIM, 2001; MULLER; RAPP; STRUBE, 2002; NG, CARDIE, 2002a;
NG, CARDIE, 2002b; URYUPINA, 2003; POESIO et al., 2005).
Um resumo destes trabalhos apresentado na seo 2.6. Muitos desses trabalhos
referem-se estrutura do sintagma como caracterstica relevante. Um estudo de corpus foi
realizado para verificar a presena destas e de outras caractersticas (seo 3.7).
Quanto ao aspecto estrutural, importante discriminar caractersticas que so comuns,
e por isso presentes em todas as descries definidas, das que so adicionais, e que, em alguns
casos, podem sinalizar expresses novas no discurso. Nesse sentido, nosso olhar concentra-se
em dois blocos distintos de elementos estruturais das descries definidas: as partes
fundamentais e os complementos.
23
2.4.1 Partes fundamentais das descries definidas

Uma descrio definida fundamentalmente composta por duas classes de palavras:
Artigo definido: palavra que acompanha o substantivo, determinando-o de forma
definida.
Na Lngua Portuguesa os artigos definidos so: o, a, os e as.
Nome (substantivo): palavra que designa os seres/objetos reais ou imaginrios. O
nome pode ser comum (referncia genrica a um ser/objeto) ou prprio (referncia especfica
a um ser/objeto, identificando este entre todos os outros seres/objetos de uma espcie).
O ncleo nome pode ser formado por um ou mais nomes. Nos casos da presena na
estrutura sinttica de um nico nome, ele denominado simples; caso contrrio, ele ser
denominado composto.
Alm disso, na composio das descries definidas, com exceo dos artigos
definidos, que assumem a posio primeira no sintagma, os nomes, apesar de centrais, no
ocupam uma posio fixa, pois, para referenciao, por vezes, vrios elementos
complementadores so necessrios, ora precedendo os nomes ora antecedendo os nomes.
2.4.2 Os complementos das descries definidas

Os elementos complementares das descries definidas tambm so mencionados na
literatura como elementos modificadores. Na construo das descries definidas, elementos
que se somam aos nomes so:
Aposto: um ou mais termos que se referem a um substantivo ou pronome
explicando-o.
O aposto pode localizar-se entre vrgulas ou travesses ou vir depois de dois-pontos3.
Para exemplificar, segue a descrio definida:
No corpus comum a presena desse tipo de construo sem o uso de travesses ou entre vrgulas.
24
O bicheiro, Castor de Andrade,.
Sintagma preposicional: sintagma que possui como ncleo uma preposio,
palavra invarivel que liga/relaciona dois termos (palavras e oraes), indicando origem,
posse, finalidade, meio, causa etc.
Nessa relao, um termo vai explicar ou completar o sentido do outro. Para
exemplificar, segue a descrio definida:
A data da reforma.
Sintagma adjetival: sintagma que possui como ncleo um adjetivo (palavra que
especifica e caracteriza seres/objetos atribuindo-lhes estados ou qualidades).

O sintagma adjetival tambm pode apresentar intensificador (palavra que modifica um
verbo, um adjetivo ou outro advrbio, indicando uma circunstncia). Para exemplificar,
seguem as descries definidas:
A literatura infantil.
As democracias mais fortes.
Clusula relativa: so oraes que funcionam como sintagmas adjetivais e
apresentam-se encaixadas na posio de modificador do nome. Por exemplo:

O sistema que fiscalizava o Inamps".
Podemos dizer, ento, que as descries definidas possuem um conjunto de
configuraes conforme Tab. 2.1, seguindo a legenda abaixo:
Legenda:
AD: artigo definido;
N: nome;
SA: sintagma adjetival;
SP: sintagma preposicional;
REL: clusula relativa;
PRONP: pronome possessivo;
INT: intensificador;
APO: aposto.
25
Tabela 2.1 Configuraes das descries definidas.

Configuraes
Exemplos
AD + N
A humanidade.
AD + N + SA
A vista ocidental.
AD + SA + N
Os grandes clientes.
AD + SA + N + SA
As antigas casas medievais.
AD + NOME + SP
O artefato de lentes.
AD + PRONP + N + SP
O meu amigo de infncia.
AD + PRONP + N + SA
A nossa proposta ambiental.
AD + PRONP + SA + N + SA
As nossas grandes faanhas administrativas.
AD + SA + N + SP
A antiga cidade de Kanazawa.
AD + N + INT + SA + SP
Os momentos mais difceis de minha carreira.
AD + N + REL
O comunicado que deve ser assinado pelos jornalistas.
AD + SA + N + SP + REL
As grandes deficincias da gesto financeira que recentemente provocou

pela primeira vez na histria do clube atraso no pagamento dos jogadores.
AD + N + SP + REL
O texto do comunicado que deve ser assinado hoje.
AD + N + APO
O ex-deputado, Agnaldo Timteo,
AD + N + SP + APO
O diretor do Departamento de Polcia do Interior, delegado Mrio Covas,
AD + N + REL + OPO
O delegado que acusado pelo departamento, lson Campelo,
AD + N + INT + SA + REL + O deputado muito disposto que iniciara as investigaes, Emir Laranjeira,
APO
2.5 rvores de Deciso

O Aprendizado de Mquina (AM) uma sub-rea de pesquisa em Inteligncia
Artificial (IA) relacionada capacidade de aprender ser essencial para um comportamento
inteligente. O objetivo principal de AM encontrar mtodos computacionais baseados em
operaes lgicas ou binrias capazes de aprender uma tarefa a partir de um conjunto de
exemplos. Neste sentido, o AM estuda mtodos computacionais para adquirir novos
conhecimentos, novas habilidades e novos meios de organizar o conhecimento j existente
(MITCHELL, 1997). O estudo de tcnicas de aprendizado baseado em computador tambm
pode fornecer um melhor entendimento do prprio raciocnio.
26
A induo a forma de inferncia lgica que permite obter concluses genricas sobre
um conjunto particular de exemplos, a qual se caracteriza pelo raciocnio a partir de um
conceito especfico e generalizado, ou seja, da parte para o todo. Sendo assim, na induo um
conceito aprendido efetuando-se inferncia indutiva sobre os exemplos apresentados
(MONARD, BARANAUSKAS, 2003).
O aprendizado indutivo pode ser dividido em supervisionado e no-supervisionado.
No aprendizado supervisionado fornecido ao algoritmo de aprendizado, um conjunto de
exemplos de treinamento para os quais o rtulo da classe associada conhecido. Um rtulo
descreve o fenmeno de interesse, isto , o conceito-meta que se deseja aprender para fazer
previses a respeito.
No aprendizado supervisionado, geralmente cada exemplo descrito por um vetor de
valores de caractersticas ou de aspectos do exemplo, esses conhecidos como atributos, e pelo
rtulo da classe associada. Tem-se como objetivo do algoritmo de induo, construir um
classificador que seja capaz de determinar corretamente a classe de novos exemplos que ainda
no possuam rtulo da classe. Sendo que, para rtulos de classe discretos, esse problema
conhecido como Classificao e para valores contnuos como Regresso.
Dentro da rea de Aprendizado de Mquina foram propostos vrios paradigmas
capazes de aprender a partir de um conjunto de exemplos, constituindo-se de paradigmas
simblico,
estatstico,
conexionista,
evolutivo,
baseado
em
casos
(MONARD,
BARANAUSKAS, 2003). No contexto desse trabalho, ser abordado o paradigma simblico,

no qual os sistemas objetivam aprender constituindo representaes simblicas de um
conceito por meio da anlise de exemplos e contra-exemplos desse conceito. Dentre as
representaes simblicas, ser utilizada a representao por rvores de deciso para a
classificao de entidades novas no discurso. Adotamos rvores de deciso, pois so
geralmente utilizadas para esse tipo de tarefa, conforme podemos observar na literatura da
27
rea. Alm disso, o mtodo adequado para a anlise da relevncia das caractersticas que
um dos nossos objetivos principais.
Uma rvore de deciso capaz de prever a classe de um exemplo baseada em decises
realizadas sobre os atributos que descrevem esse exemplo (AMADO, 2001). Neste contexto,
uma rvore de deciso uma forma simples de representao, que classifica exemplos de uma
base de dados em um nmero finito de classes, tendo a seguinte estrutura:
ATRIBUTO
X2
CLASSE 1
X1
CLASSE 2
FIGURA 2.1 Estrutura da rvore de Deciso.

Na FIGURA 2.1 cada nodo representa um atributo da base de dados. Cada galho
representa um valor do atributo. Cada nodo folha representa uma classe. Alm dessa estrutura,
as rvores de deciso possuem algumas caractersticas, tais como:
Representam uma srie de perguntas em relao aos atributos do domnio;
Um objeto classificado seguindo o caminho do nodo raiz at o nodo folha,
enquanto as suas caractersticas satisfazem as ligaes.

As rvores de deciso so baseadas no uso de um algoritmo de particionamento
recursivo, tais como ID3 (QUINLAN, 1986), C4.5 (QUINLAN, 1993) e CART (BREIMAN
et al., 1984). Esses realizam uma busca em um espao de hipteses completo e possuem um
vis indutivo em direo a rvores de tamanho reduzido, baseando-se na abordagem: dividir
para conquistar.
Nesses algoritmos, a induo da rvore baseia-se na diviso recursiva do conjunto de
exemplos de treinamento em subconjuntos mais representativos, ou seja, dividir o conjunto de
28
treinamento at todos os subconjuntos conterem exemplos que pertencem a apenas uma

classe. As divises do conjunto de treinamento so realizadas com base nos valores possveis
de um dos atributos que descrevem os exemplos. A cada diviso associado um nodo na
rvore que representa o teste realizado aos valores do atributo que deu origem diviso.
Quando todos os exemplos de um conjunto pertencem mesma classe, esse associado a uma
folha na rvore que representa a classe dos exemplos.
O tamanho e a preciso das rvores de deciso construdas por este processo depende
da escolha dos atributos utilizados para a diviso do conjunto de treinamento, sendo o critrio
mais utilizado, para escolher o atributo que particiona o conjunto de exemplos em cada
iterao, a mtrica de ganho de informao4. Um bom critrio de escolha de atributos
fundamental, uma vez que uma m escolha de um atributo pode fragmentar o conjunto de
treinamento e reduzir a preciso.
Uma outra questo a ser considerada na construo das rvores de deciso a
simplificao, uma vez que o mtodo descrito para a construo das rvores de deciso resulta
em rvores perfeitamente ajustadas ao conjunto de exemplos utilizados na sua construo, ou
seja, ocorre uma superestimativa dos dados (overfitting5). Para tentar solucionar o problema
de superajuste dos dados, utilizam-se dois mtodos de simplificao das rvores de deciso:
O primeiro mtodo consiste em utilizar um determinado critrio para verificar se,
antes de realizar a diviso dos exemplos num nodo, a diviso relevante para a
classificao final. Caso no o seja, esta no realizada e a explorao do galho da
rvore terminada.
O ganho de informao uma medida que indica a reduo esperada na entropia de um conjunto de dados,
causada pelo particionamento dos exemplos em relao a um dado atributo.
5
Overfitting ocorre quando ao induzir, a partir de exemplos disponveis, a hiptese muito especfica para o
conjunto de treinamento utilizado, ou seja, a hiptese ajusta-se em excesso ao conjunto de treinamento.
29
O segundo mtodo, muitas vezes denominado poda, aplicado aps a construo
da rvore. Cada nodo da rvore visitado e os galhos que no contriburem

significativamente para a classificao so simplificados.
As rvores de deciso podem ser representadas tambm por conjuntos de regras ifthen, por serem estas mais legveis. Cada regra representa um possvel caminho a ser
percorrido desde a raiz at uma folha, onde o resultado da classificao especificado.
Nesse trabalho, as rvores de deciso sero aplicadas na investigao de quais
atributos so mais relevantes para a classificao das descries definidas como novas no
discurso, com base no corpus anotado manualmente.
Uma vez apresentados os conceitos sobre rvores de deciso, na seqncia,
apresentaremos alguns trabalhos relacionados que utilizam esses conceitos e contriburam
para a dissertao.
2.6 Trabalhos Relacionados

Nesta seo so apresentados alguns trabalhos relacionados sobre resoluo de
correferncia de sintagmas nominais, focalizando as caractersticas tanto sintticas como
semnticas dos sintagmas nominais, utilizadas no processo de resoluo de anforas.
Muitas aplicaes em PLN requerem a resoluo de anforas de sintagmas nominais,
sendo necessrios meios para determinar quais sintagmas nominais em um texto ou em um
dilogo referem-se mesma entidade real do mundo.
A maioria dos algoritmos que tratam resoluo de anforas de sintagmas nominais
combina caractersticas sintticas e semnticas, com o intuito de desenvolver sistemas
robustos. A seguir, sero descritos alguns trabalhos relacionados resoluo de anforas e
uma viso geral das caractersticas que eles apresentam.
30
Aone e Bennett (1995) descrevem um sistema de resoluo de anfora que abrange

tipos de anforas (descries definidas, pronominais etc.) que podem ser definidos a partir da
necessidade do usurio. Para a realizao dos experimentos, um conjunto de artigos
jornalsticos em japons foi usado como exemplos de treinamento para o algoritmo de
aprendizado de mquina de rvores de deciso C4.5 (QUINLAN, 1993). Para isso, Aone e
Bennett utilizaram 66 caractersticas, dentre as quais esto as caractersticas morfolgicas,
sintticas, semnticas e posicionais. Essas caractersticas podem ser caractersticas unrias6 ou
caractersticas binrias7.
Em Mccarthy e Lehnert (1995) a resoluo de anforas apresentada como um
problema dos Sistemas de Extrao de Informao, que necessitam identificar informaes de
interesse em uma coleo de textos, onde as entidades envolvidas so referenciadas em
lugares diferentes e em caminhos diferentes. Esse problema pode ser reformulado como um
problema de classificao: dado dois referentes, eles apontam para os mesmos objetos ou para
objetos diferentes. Neste sentido, Mccarthy e Lehnert apresentaram uma nova abordagem para
resoluo de correferncia (Sistema RESOLVE): a construo de rvores de deciso que
classificam pares de sintagmas nominais como correferentes ou no correferentes. Mccarthy e
Lehnert relatam o uso de oito caractersticas para essa tarefa de classificao de correferncia,
dentre essas caractersticas temos a presena de um nome prprio e a presena de um
sintagma nominal comum em um par de referentes.
Bean e Riloff (1999) desenvolveram um algoritmo baseado em corpus para identificar
automaticamente sintagmas nominais definidos no-anafricos que possuem potencial para
melhorar a eficincia e a preciso de sistemas de resoluo de correferncia. Bean e Riloff
classificaram os sintagmas nominais definidos utilizando a seguinte taxonomia: sintagmas
nominais referentes que possuem um referente anterior nos textos (antecedente), e sintagmas
6
7
Caracterstica de uma anfora ou de um antecedente.

Caracterstica que diz respeito s relaes entre os pares de anforas e de antecedentes.
31
nominais existenciais8 que no possuem um referente anterior nos textos (antecedente). Aps,
os sintagmas nominais foram classificados em duas categorias: independentes9 e
associativos10. O objetivo de Bean e Riloff construir um sistema para identificar os
sintagmas nominais existenciais independentes automaticamente. Para isso, observaram-se as
caractersticas de existencialismo dos sintagmas nominais definidos a partir da sintaxe e da
semntica. Desta forma, foi construdo um conjunto de heursticas sintticas que procuram
pistas (cues) estruturais de pr-modificadores restritivos e ps-modificadores restritivos.
Em Cardie e Wagstaff (1999) um novo algoritmo no supervisionado para resoluo
de correferncia de sintagmas nominais apresentado. A resoluo de correferncia tratada
como uma tarefa de agrupamento11. Cardie e Wagstaff utilizaram onze caractersticas para
particionar os sintagmas nominais simples12, que foram obtidas automaticamente sem
qualquer etiquetagem manual. Dentre essas caractersticas verificou-se, por exemplo, o tipo
de artigo (definido, indefinido, nenhum); o tipo de pronome (possessivo, ambguo, nominal);
o gnero (masculino, feminino, neutro, outro); entre outras.
Em Vieira e Poesio (2000) apresentado um sistema para o processamento de
descries definidas independente de domnio, que est fundamentado em experimentos
baseados em corpus. O sistema foi implementado e testado com idias de diferentes usos das
descries definidas e observou-se a predominncia de descries novas no discurso em
corpus jornalsticos na Lngua Inglesa. Vieira e Poesio detalham um estudo sobre as
descries definidas na Lngua Inglesa, utilizando a classificao dos usos de descries
Um sintagma nominal definido existencial, quando especifica completamente uma representao cognitiva da
entidade na mente do leitor, por exemplo, O F.B.I..
9
Sintagmas nominais existenciais independentes so entendidos isoladamente pelo leitor, sem a necessidade de
um contexto.
10
Sintagmas nominais existenciais associativos so inerentemente associados a um evento, ao, objeto ou outro
contexto, para o entendimento do leitor.
11
Agrupamento um mtodo de descoberta de conhecimento utilizado para identificar co-relacionamentos e
associaes entre objetos, facilitando assim a identificao de classes.
12
Sintagmas nominais simples que no contm nenhum outro sintagma nominal menor dentro dele.
32
definidas13 abordadas nos experimentos de Vieira (1998). E assim, foram desenvolvidos trs
diferentes conjuntos de heursticas para:
1. Resolver descries diretamente anafricas;
2. Identificar descries novas no discurso;
3. Identificar uma ncora da descrio associativa e a relao semntica entre a
descrio associativa e a sua ncora.
Soon; Ng; Lim (2001) apresenta uma abordagem de aprendizado para resoluo de
correferncia de sintagmas nominais em textos do MUC-614 (MUC-6, 1995) e do MUC-7
(MUC-7, 1997). A abordagem utiliza, para o aprendizado, um corpus pequeno anotado e a sua
tarefa determinar relaes de correferncia entre elementos textuais, como por exemplo,
sintagmas nominais definidos, sintagmas nominais demonstrativos, nomes prprios, apostos.
Soon; Ng; Lim relatam o uso de doze caractersticas para verificar se duas entidades so ou
no correferentes (antecedente em potencial e anafrica). Dentre as caractersticas temos a
verificao se o antecedente em potencial e o anafrico so pronomes (reflexivos, pessoais,
possessivos); verificao se o antecedente em potencial e o anafrico so nomes prprios;
identificao do tipo de sintagma nominal (definido, demonstrativo); verificao de
construes de aposto; verificao de flexo de nmero (plural, singular) e de gnero
(feminino e masculino); entre outras.
Ng e Cardie (2002a) relatam um mtodo de aprendizado supervisionado para a
identificao de sintagmas nominais anafricos e no anafricos e mostram como podem ser
incorporadas tais informaes em um sistema de resoluo de correferncia. Para isso, Ng e
Cardie construram um classificador para a determinao da anaforicidade, utilizando o
sistema de induo de rvore de deciso C4.5 (QUINLAN,1993), onde cada exemplo de
treinamento representa um nico sintagma nominal e consiste de 37 caractersticas que so
13
As descries definidas esto divididas em trs categorias (anforas diretas, novas no discurso e associativas),
dependendo da forma que esto relacionadas com os seus antecedentes.
14
MUC: Conferncias organizadas em forma de competio para apresentao de sistemas.
33
potencialmente teis para distinguir entre sintagmas nominais anafricos e no anafricos.

Lingisticamente, essas caractersticas podem ser divididas em quatro grupos: lxico,
gramatical, semntico e posicional.
Em Ng e Cardie (2002b) apresenta-se um sistema de correferncia de sintagmas
nominais que estende o trabalho de Soon; Ng; Lim (2001) e produz melhores resultados para
o conjunto de dados de resoluo de correferncia do MUC-6 (MUC-6, 1995) e do MUC-7
(MUC-7, 1997). Ng e Cardie, ento, estenderam o conjunto de caractersticas de Soon; Ng;
Lim (2001) de 12 caractersticas para um conjunto mais amplo de 53 caractersticas, sendo
caractersticas lxicas, semnticas, e baseadas em conhecimento; alm de 26 caractersticas
gramaticais que incluem uma variedade de restries lingsticas e preferncias.
Em Muller; Rapp; Strube (2002) relata-se a realizao de alguns experimentos com o
algoritmo de Aprendizado de Mquina Supervisionado Co-treinamento15. Com o intuito de
verificar se o algoritmo de Co-Treinamento pode reduzir significativamente a quantidade de
trabalho manual de etiquetagem e ainda produzir um classificador com um desempenho
aceitvel. Para isso, utilizou-se um corpus com 250 textos em alemo sobre locais tursticos,
eventos histricos e pessoas em Heidelberg. As caractersticas utilizadas por Muller; Rapp;
Strube foram consideradas como independentes do domnio, distinguiu-se entre as
caractersticas atribudas a sintagmas nominais, tais como funo gramatical do antecedente e
do anafrico, e as caractersticas atribudas relao de correferncia potencial, tais como a
distncia entre o anafrico e o antecedente em palavras e em sentenas, totalizando um
conjunto de 17 caractersticas.
Strube; Rapp; Muller (2002) mostram uma abordagem de rvore de deciso16 que
utiliza um conjunto de caractersticas usadas em trabalhos prvios em experimentos de
resoluo de correferncia (SOON; NG; LIM, 2001; CARDIE, WAGSTAFF, 1999;
15
um algoritmo que utiliza exemplos de treinamento no etiquetados, alm dos etiquetados para o aprendizado
do classificador.
16
Algoritmo de classificao de rvores de deciso j48, o qual uma re-implementao em Java do C4.5.
34
MCCARTHY, LEHNERT, 1995) e caractersticas adicionais independentes de domnio

baseadas na mnima distncia de edio (MEC) entre strings. Nesse estudo, analisaram-se o
desempenho desse conjunto de caractersticas para as diferentes formas de expresses
anafricas, encontrando bons resultados para pronomes, resultados moderados para nomes
prprios e resultados pobres para sintagmas nominais definidos. Strube; Rapp; Muller
analisaram tambm a influncia das caractersticas baseadas na distncia mnima de edio
(MEC) entre o anafrico e o antecedente na resoluo de referncia, que so computadas pelo
nmero de substituies, inseres, delees e pelo comprimento do antecedente em potencial
ou do anafrico.
Uryupina (2003) desenvolveu um sistema para identificao automtica de entidades
novas no discurso e nicas, com base no discurso e no ouvinte utilizando o algoritmo de
aprendizado de mquina RIPPER (COHEN, 1995). Nesse sentido, classificaram-se as
entidades em novas no discurso17 e velhas no discurso, e as expresses em referidas
unicamente18 e referidas no unicamente. Para isso, utilizou-se um corpus pequeno de
treinamento do MUC-7 (MUC-7, 1997), alm de alguns dados da Internet. Uryupina usou
trinta e duas caractersticas para a realizao dos experimentos, que esto divididas em
caractersticas sintticas, como a identificao de apostos; caractersticas de contexto, como o
clculo da distncia entre um determinado sintagma nominal e o seu antecedente em potencial
de mesmo ncleo; e caractersticas de probabilidade definida, onde para cada expresso
buscou-se na internet19 o nmero de pginas que contenham tal expresso.
Poesio et al. (2005) reexaminaram a literatura referente resoluo de anforas
(VIEIRA; POESIO, 2000; NG; CARDIE, 2002a; URYUPINA, 2003) e propuseram um
algoritmo revisado que incorpora um novo conjunto de caractersticas para a descoberta de
17
Entidades novas no discurso quando se refere um objeto ou pessoa no mencionada previamente no discurso.
Expresses so nicas quando especificam completamente o seu referente, sendo interpretada sem qualquer
contexto.
19
Site de busca do Alta Vista, disponvel em: http://www.altavista.com/
18
35
descries definidas novas no discurso. Este algoritmo segue dois passos: primeiro,
executado o algoritmo de resoluo de anforas diretas de Vieira e Poesio (2000), alm de
outras caractersticas de deteco das expresses novas no discurso da literatura, que sero as
caractersticas de entrada para o classificador. Segundo, um classificador baseado em rvores
de deciso (implementao do C4.5 incluindo a biblioteca da Ferramenta Weka 3.4)
utilizado para classificar as descries definidas como anafricas (caso tenha sido encontrado
um antecedente no primeiro passo) ou novas no discurso. As caractersticas de entrada das
descries definidas baseiam-se no reconhecimento de predicativos (construes copulares,
aposto); nomes prprios; funcionalidade (superlativo); clusulas relativas e posio no texto.
Os trabalhos relacionados com resoluo de anforas apresentam propostas para o
tratamento de diferentes tipos de anforas com diferentes conjuntos de caractersticas
analisadas. Cabe ressaltar que, as caractersticas utilizadas para a resoluo das descries
definidas nestes trabalhos sero identificadas e utilizadas na construo das rvores de
deciso, na busca da melhor combinao destas caractersticas para a classificao das
descries definidas novas no discurso, com base no corpus anotado manualmente.
Cabe ressaltar que, todos os trabalhos citados acima se referem a outras lnguas
diferentes da Lngua Portuguesa. Para a Lngua Portuguesa existem estudos de corpora sobre
correferncia, mas esses trabalhos no implementam resoluo ou classificao automtica
(SALMON-ALT, VIEIRA, 2002; VIEIRA; SALMON-ALT; SCHANG, 2002; VIEIRA et al.,
2003; VIEIRA; GASPERIN; GOULART, 2003).
2.7 Consideraes Finais

Neste captulo foram apresentados conceitos importantes de lingstica e computao.
Com base nestes conceitos, possvel perceber a importncia da identificao de expresses
referenciais que no possuem antecedentes.
36
Na literatura encontramos vrios trabalhos que apresentam algoritmos que tratam a

resoluo de anforas de sintagmas nominais e partem da investigao de suas caractersticas
tanto sintticas quanto semnticas na busca de um bom classificador. Entre os algoritmos de
classificao, destacam-se os de rvores de deciso (seo 2.5) por serem mais adequados
para a anlise da relevncia de caractersticas. Partimos de estudos realizados em outras
lnguas, especialmente na Lngua Inglesa, com o objetivo de investigar quais caractersticas
so mais significativas para o processo de classificao das descries definidas. Algumas das
caractersticas analisadas nos trabalhos relacionados so ilustradas na Tab. 2.2.
rvores de deciso so importantes para a investigao de atributos relevantes para a
classificao das descries definidas.
Tabela 2.2 Algumas caractersticas de trabalhos relacionados.
C
A
R
A
C
T
E
R
S
T
I
C
A
S
Mccarthy; Bean;
Cardie;
Vieira;
Soon;
Ng;
Poesio
Lehnert
Riloff
Wagstaff
Poesio
Ng; Lim
Cardie
et al
SP20
SP21
SP21
20
20
APO
APO
APO
APO
APO20
22
23
22
23
22
APO_NP
APO_NP
APO_NP
APO_NP
APO_NP23
APO_NP
20
21
REL
REL
REL
REL21
22
22
24
22
NP_COM
NP_COM NP_COM
NP_COM
NP_COM
NP_COM24
25
PRE_ADJ
PRE_ADJ
PRE_NUM
PRE_NUM
SUP25
SUP
SUP
COP
COP
PRI_SENT
PRI_SENT
PRI_SENT
PRI_SENT
SEM_ANT
SEM_ANT
SEM_ANT
SEM_ANT
Legenda:
SP: sintagma preposicional;
APO: aposto;
APO_NP: nome prprio com funo de aposto;
NP_COM: ncleo nome prprio composto;
PRE_ADJ: pr modificador adjetivo;
PRE_NUM: pr modificador nmero;
SEM_ANT: verificao de um antecedente.
20
SUP: superlativo;
COP: construo copular;
PRI_SENT: primeira sentena;
REL: clusula relativa;
Caractersticas de um mesmo grupo.

Caractersticas de um mesmo grupo sendo analisadas como ps modificadores restritivos.
22
Analisam somente a presena de um nome prprio.
23
Caracterstica sendo analisada como modificador nome prprio.
24
Ncleo nome prprio simples.
25
Caractersticas mais restritivas (por exemplo, listas de predicados especiais).
21
37
3. Materiais e Mtodos
Este captulo apresenta o corpus e as ferramentas utilizadas nos experimentos: o
analisador sinttico PALAVRAS, usado na anlise gramatical dos textos; a ferramenta
Xtractor que converte a anlise para o cdigo XML; a ferramenta MMAX, usada na marcao
manual do corpus; a ferramenta ART que trata a resoluo de anforas; a ferramenta Weka,
constituda de uma coleo de algoritmos de aprendizado de mquina. Aps, os grupos de
caractersticas usados para a classificao e o processo de identificao automtica das
descries definidas so mostrados. Por fim, a metodologia proposta para o aprendizado
descrita, alm da implementao das rvores de deciso no ambiente ART.
3.1 Descrio do Corpus

Neste trabalho, foram utilizados dois corpora. O primeiro (corpus 1) constitui-se de
um extrato do corpus NILC26, formado por um conjunto de 24 textos jornalsticos da Folha de
So Paulo, escritos em portugus do Brasil. Cada documento um arquivo texto (formato
ASCII) com tamanho entre 1 Kbytes e 6 Kbytes, com um mnimo de 186 palavras e um
mximo de 1089 palavras, totalizando 11042 palavras. O corpus contm 2319 sintagmas
nominais, sendo que 1411 so descries definidas. Estas informaes so apresentadas na
Tab 3.1.
TABELA 3.1 Informaes sobre o corpus 1.
Corpus
N
Tamanho
N total de N Sintagmas
Textos
Palavras
Nominais
corpus 1
24
de 1 6 Kb
11042
2319
26
N Descries
Definidas
1411
Ncleo Interinstitucional de Lingstica Computacional. Disponvel em http://www.nilc.icmp.usp.br/nilc
38
Alm deste, outro corpus (corpus 2) ser utilizado para validao dos experimentos, o
qual constitui-se de um extrato do corpus Pblico (SANTOS, 2000) formado por 4 textos
retirados do jornal Pblico, escritos no portugus europeu. Cada documento um arquivo
texto (formato ASCII) com tamanho entre 2 Kbytes e 9 Kbytes, com um mnimo de 201
palavras e um mximo de 1356 palavras, totalizando 3627 palavras. O corpus contm 777
sintagmas nominais, sendo que 483 so descries definidas. Estas informaes so
apresentadas na Tab 3.2.
Corpus
corpus 2
TABELA 3.2 Informaes sobre o corpus 2.

N
Tamanho
N total de N Sintagmas N Descries
Textos
Palavras
Nominais
Definidas
4
de 2 9 Kb
3627
777
483
Os corpora usados foram anotados com informaes de correferncia. A ferramenta

MMAX foi utilizada para a realizao da anotao manual e ser descrita na seo 3.3. Os
seguintes estudos de corpora esto relacionados com este trabalho e foram desenvolvidos com
a ajuda da ferramenta MMAX: (SALMON-ALT, VIEIRA, 2002; VIEIRA; SALMON-ALT;
SCHANG, 2002; VIEIRA et al., 2003; VIEIRA; GASPERIN; GOULART, 2003).
A anotao manual do corpus 1 foi realizada inicialmente por dois anotadores
(Cassiano Ricardo Haag e Terezinha Margarete da Silva) em quatro etapas. Em um primeiro
momento, foram anotadas as descries definidas, considerando-se que uma descrio
definida pode conter outras descries definidas, por exemplo, A lista do banqueiro do jogo
do bicho, o banqueiro do jogo do bicho, o jogo do bicho. Em um segundo momento,
foi analisada a correferncia das expresses, sendo estas classificadas como correferentes e
no correferentes. Em um terceiro momento, as descries definidas correferentes foram
classificadas como anafricas diretas e anafricas indiretas, sendo que para estas foram
apontados os respectivos antecedentes. Em uma etapa final, as descries definidas no
correferentes, foram classificadas em novas no discurso e anafricas associativas, sendo que,
39
para as anafricas associativas foram apontadas as expresses em que estas esto ancoradas
semanticamente (antecedentes). Essa anotao foi revisada pelo anotador Jorge Cesar Barbosa
Coelho.
No corpus 2, a anotao manual foi realizada pelo anotador Jorge Cesar Barbosa
Coelho, seguindo as mesmas etapas do corpus 1.
Na prxima seo apresentado o analisador sinttico usado na anlise gramatical dos
textos e a ferramenta Xtractor que converte a anlise para o cdigo XML.
3.2 PALAVRAS e Xtractor

Em muitas aplicaes de PLN, necessrio utilizar um analisador sinttico, que
trabalha em nvel de sentena ou sintagma e reconhece uma seqncia de palavras como
constituintes de uma frase da lngua construindo uma rvore de derivao, que explicita as
relaes entre as palavras que compem a sentena.
Neste trabalho foi utilizado o analisador sinttico PALAVRAS (BICK, 2000), uma
ferramenta robusta utilizada para a anlise sinttica do portugus. A partir da sada deste
analisador sinttico, a ferramenta Xtractor27 (GASPERIN et al., 2003) gera trs arquivos
XML (eXtensible Markup Language).
O primeiro o arquivo bsico de palavras (words); o segundo o arquivo com as
categorias morfossintticas (POS Part of Speech) das palavras do corpus; e por fim o
terceiro o arquivo com as estruturas sintticas das sentenas (chunks). Um chunk pode
possuir sub-elementos chunks com informaes das sub-estruturas da sentena. Para
exemplificar, segue a descrio definida O Othon Palace Hotel e seus arquivos de word
(FIGURA 3.1), POS (FIGURA 3.2) e chunks (FIGURA 3.3).
27
A Ferramenta Xtractor engloba a anlise do corpus a partir do analisador sinttico PALAVRAS, o tratamento
da sada do analisador sinttico, com a gerao dos trs arquivos XML.
40
<words>
.....
<word id="word_716">o</word>
<word id="word_717">Othon_Palace_Hotel</word>
.....
</words>
FIGURA 3.1 Arquivo de words.

<words>
.....
<word id="word_716">
<art canon="o" gender="M" number="S">
<secondary_art tag="artd"/>
<secondary_art tag="-sam"/>
</art>
</word>
<word id="word_717">
<prop canon="Othon_Palace_Hotel" gender="M" number="S"/>
</word>
.....
</words>
FIGURA 3.2 Arquivo de POS.

<text>
<paragraph id= paragraph_1>
.....
<sentence id="sentence_24" span="word_698..word_721">
.....
<chunk id="chunk_1018" ext="p" form="np" span="word_716..word_717">
<chunk id="chunk_1019" ext="n" form="art" span="word_716"/chunk>
<chunk id="chunk_1020" ext="h" form="prop" span="word_717"/chunk>
</chunk>
.....
</sentence>
.....
</paragraph>
</text>
FIGURA 3.3 Arquivo de chunks.

Neste trabalho, os atributos dos sub-elementos chunks sero utilizados na identificao
das caractersticas das descries definidas, que sero mostradas na seo 3.7. Portanto, cabe
ressaltar que as informaes de interesse dos sub-elementos chunks so:
Atributo ext: representa a funo sinttica do chunk, por exemplo, sentena
ou enunciado (ext=sta); sujeito (ext=subj); ncleo (ext=h).
Atributo form: representa a forma ou estrutura morfossinttica do chunk, tais
como: clusula finita (form=fcl); sintagma nominal (form=np); substantivo (form=n).
41
Na seo que segue apresentada a ferramenta MMAX que usada neste estudo para
a anotao manual dos corpora utilizados.
3.3 MMAX
Para a anotao manual de corpus, utilizou-se a ferramenta MMAX (Multi-Modal
Annotation in XML) (MULLER, STRUBE, 2000). Essa ferramenta utiliza o arquivo de words,
gerado pela ferramenta Xtractor que contm todas as palavras do corpus associadas a um
identificador (FIGURA 3.1). Ela tambm utiliza um segundo arquivo que contm a estrutura
do corpus (pargrafos, sentenas, cabealhos etc.).
O resultado do processo de anotao no MMAX um arquivo que contm a anotao
de correferncia. As marcaes so codificadas como elementos markables, cujo atributo
span indica as palavras que formam a expresso, o atributo pointer indica o identificador do
antecedente; alm desses atributos; outros atributos podem ser especificados pelo pesquisador.
Em (GOULART; GASPERIN; VIEIRA, 2004) utilizou-se o atributo classification que
corresponde classificao anafrica da expresso.
Para exemplificar, segue o trecho de um dos textos do corpus 1:
(1) Segundo a Confederao Nacional dos Bispos do Brasil CNBB, a Igreja Catlica
perde em mdia, s no Brasil, 600 mil fiis para outras religies(i). [..] No incio do ano, ele
enviou ao Brasil 50 discpulos que se hospedaram no Othon Palace Hotel, em So Paulo(ii).
Observamos que no exemplo (1) temos duas sentenas: sentena (i) corresponde ao
span "word_276..word_297" e sentena (ii) corresponde ao span "word_698..word_721" no
arquivo da estrutura do corpus (Figura 3.4).
Para uma melhor compreenso do arquivo resultante com as marcaes desse estudo,
analisemos as marcaes das descries definidas sublinhadas na sentena (ii) ilustrada na
FIGURA 3.5. A expresso o Brasil (atributo span="word_708..word_709") possui como
42
antecedente a expresso o Brasil que est destacada (em negrito) na sentena (i) (atributo
pointer="markable_36"), a forma de descrio definida (atributo form="defnp"), a
classificao de anafrica direta (atributo classification="direct"), pois o seu antecedente
possui o mesmo nome-ncleo da expresso (nome-ncleo Brasil) e a classificao de
correferente porque a expresso analisada e o seu antecedente se referem mesma entidade
(atributo coreference="coreferent"). J a expresso o Othon Palace Hotel (atributo
span="word_716..word_717) no possui um antecedente por ser a primeira manifestao da
expresso no discurso (atributo pointer=") e possui a forma de descrio definida (atributo
form="defnp"). Consequentemente, a expresso classificada como nova no discurso
(atributo
classification="discourse_new")
no
correferente
(atributo
coreference="non_coreferent).
.....
<paragraph>
.....
.....
.....
</paragraph>
.....
FIGURA 3.4 Arquivo da Estrutura.

<markable>
.....
<markable id="markable_95" span="word_708..word_709"
pointer="markable_36" form="defnp"
classification="direct" coreference="coreferent"/>
pointer="" form="defnp"
classification="discourse_new" coreference="non_coreferent"/>
.....
</markable>
FIGURA 3.5 Arquivo de Marcaes.

As ferramentas apresentadas (PALAVRAS, Xtractor, MMAX) so utilizadas no
contexto desse trabalho no processo de identificao automtica das caractersticas das
43
descries definidas (seo 3.8) e na metodologia proposta para o processo de aprendizado

(seo 3.9).
Na seo que segue so apresentadas a ferramenta ART, que trata a resoluo de
anforas, e a ferramenta Weka, formada por um conjunto de algoritmos de AM.
3.4 ART
ART (Anaphor Resolution Tool) uma ferramenta para resoluo de expresses
anafricas, entre elas as descries definidas, onde o processo de resoluo das anforas
baseado em heursticas (GOULART; GASPERIN; VIEIRA, 2004). Ela foi desenvolvida em
Java e para os seus dados de entrada e sada adotou-se a linguagem de marcao XML,
seguindo formatos MMAX (seo 3.3). Utiliza informaes adicionais baseadas na anlise
sinttica do analisador sinttico PALAVRAS (seo 3.2) para o portugus.
A arquitetura da ferramenta baseada em pipes & filters (GAMMA, 1995),
constituindo-se de um conjunto de trs etapas com uma ou mais tarefas codificadas atravs de
da linguagem XSL (FIGURA 3.6).
Na primeira etapa, denominada Input Analysis, a partir dos arquivos de Words, de POS
e de Chunks so extrados os nodos anafricos (anaphor) (A), onde o atributo span
corresponde a cada descrio definida do texto (FIGURA 3.7). Nesse passo tambm so
extrados os nodos candidatos a antecedentes (candidate) (B), onde o atributo span
corresponde aos sintagmas nominais do texto (FIGURA 3.8).
A prxima etapa utiliza a base de resoluo de heursticas (Resolution Heuristics
Base) composta por um conjunto de regras que implementam as heursticas para resoluo de
correferncia (regras R1 Rn) e filtram os nodos anafricos (anaphor) em busca dos seus
antecedentes (VIEIRA; SALMON-ALT; SCHANG, 2002).
44
Na ltima etapa, chamada Output Generation, os resultados da ferramenta ART so

adaptados para o mesmo formato utilizado pela ferramenta MMAX (elementos markables)
(C) (FIGURA 3.9), com o intuito de possibilitar a comparao dos resultados da marcao
automtica e da marcao manual (GASPERIN; GOULART; VIEIRA, 2003).
Words
Input Analysis
POS
Chunks
R1
Resolution
Heuristics Base
R2
Rn
Output
Generation
Output
FIGURA 3.6 Arquitetura da Ferramenta ART (GOULART; GASPERIN; VIEIRA, 2004).

Para exemplificar as etapas descritas, retomemos no exemplo (1) a sentena (ii) e
analisemos as descries definidas o Brasil (span ="word_708..word_709") e o Othon
Palace Hotel (span ="word_716..word_717) contidas nesta sentena. Na FIGURA 3.7
apresentado um trecho do arquivo de anforas, onde foram extradas as descries definidas
citadas. J na FIGURA 3.8 mostrado um trecho do arquivo de candidatos a antecedentes
(todos os sintagmas nominais). Para finalizar, na FIGURA 3.9, apresentado um trecho do
arquivo de marcaes, com o resultado da ferramenta ART, correspondente s descries
45
definidas tomadas como exemplo, seguindo o mesmo formato da sada do MMAX (FIGURA
3.5).
<anaphor-set>
.....
<anaphor span="word_708..word_709"
pointer="">o Brasil </anaphor>
<anaphor span="word_716..word_717"
pointer="">o Othon_Palace_Hotel </anaphor>
.....
</anaphor-set>
FIGURA 3.7 Arquivo de Anafricas.

<candidate-set>
.....
<candidate span="word_699..word_703">o incio de o ano
</candidate>
<candidate span="word_702..word_703">o ano </candidate>
<candidate span="word_708..word_709">o Brasil </candidate>
<candidate span="word_710..word_720">50 discpulos que se
hospedaram em o Othon_Palace_Hotel , em So_Paulo
</candidate>
<candidate span="word_716..word_717">o Othon_Palace_Hotel
</candidate>
.....
</candidate-set>
FIGURA 3.8 Arquivo de Candidatos a Antecedentes.

<markable>
.....
pointer="markable_36" form="defnp" classification="direct"/>
pointer="" form="defnp" classification="discourse_new"/>
.....
</markable>
FIGURA 3.9 Arquivo de Marcaes.
3.5 Weka
Nesta seo descrita a ferramenta Weka que se constitui de um conjunto de
implementaes de algoritmos de aprendizado de mquina.
46
O pacote Weka28 (Waikato Environment for Knowledge Analysis) foi desenvolvido

pela Universidade de Waikato, na Nova Zelndia e formado por um conjunto de
implementaes de algoritmos de Minerao de Dados (WITTEN; FRANK, 2000). O pacote
est implementado na linguagem Java, que tem como principal caracterstica ser portvel,
podendo rodar nas mais variadas plataformas e aproveitar os benefcios de uma linguagem
orientada a objetos, como modularidade, polimorfismo, encapsulamento, reutilizao de
cdigo, dentre outros; alm disso, um software de domnio pblico.
O Weka possui um formato prprio, o ARFF, que consiste basicamente de duas partes.
A primeira parte contm uma lista de todos os atributos, onde se define o tipo do atributo ou
os valores que ele pode representar (ao utilizar os valores esses devem estar entre {} e
separados por vrgulas). A segunda parte consiste das instncias, ou seja, os registros a serem
minerados; com o valor dos atributos para cada instncia separado por vrgula; a ausncia de
um item em um registro deve ser representada pelo smbolo ?. Para exemplificar, a
FIGURA 3.10 ilustra um arquivo no formato ARFF.
@RELATION descrio_definida
@ATTRIBUTE atributo_1
{TRUE, FALSE}.
{TRUE, FALSE}
{TRUE, FALSE}.
{TRUE, FALSE}.
@ATTRIBUTE class
{nova_discurso, outra}
@DATA
TRUE,FALSE,TRUE,FALSE,nova_discurso
FALSE,TRUE,FALSE,FALSE,nova_discurso
FALSE,FALSE,FALSE,FALSE,outra
FALSE,FALSE,FALSE,FALSE,outra
..................
FIGURA 3.10 Arquivo no formato ARFF.

A ferramenta Weka alm de possuir mtodos de classificao e de predio numrica,
dispe tambm de 4 tipos diferentes de validao desses mtodos:
28
O Weka est disponvel em http://www.cs.waikato.ac.nz/ml/weka/
47
Use trainning set: no efetuar a diviso. Usar para testar o modelo o mesmo
conjunto usado para a sua construo.
Supplied test set: usar um conjunto de teste especfico.
Cross-Validation n-fold: validao cruzada29 em n-folds.
Percentage split: treinar o modelo numa percentagem do conjunto de exemplos e
testar na restante.
Nesta dissertao, a ferramenta Weka utilizada no processo de aprendizado, na etapa
de classificao das descries definidas, com a aplicao do algoritmo de rvores de deciso
J48, que uma re-implementao em Java do algoritmo C4.5 (QUINLAN, 1993) nessa
ferramenta. O algoritmo j48 no necessita de um ponto inicial de busca; dessa forma pode ser
executado apenas uma vez. Entre as funcionalidades do algoritmo j48 temos: a incorporao
de atributos numricos (contnuos); os valores nominais (discretos) de um atributo podem ser
agrupados de maneira a permitir testes mais complexos; possui poda (post-pruning) das
rvores para aumentar a preciso; permite lidar com informao incompleta (missing attribute
values), entre outros. Os valores dos parmetros de treinamento deste algoritmo podem ser os
sugeridos pela ferramenta (fator de confiana de poda (CF) igual a 0,25; nmero mnimo de
instncias por folha igual a 2 etc.) ou podem ser alterados quando necessrio.
Aps a escolha do mtodo de classificao e da forma de validao na ferramenta
Weka, esta fornece uma avaliao dos resultados com base em algumas medidas de avaliao
do desempenho. Algumas destas medidas sero descritas na seo seguinte.
3.6 Avaliao
A avaliao de sistemas de PLN exige um domnio abrangente sobre o problema em
observao para possibilitar ou o desenvolvimento de metodologias prprias de avaliao ou
29
Validao Cruzada: os exemplos so aleatoriamente divididos em r folds de tamanho n/r exemplos. Os

exemplos sobre (r-1) folds so usados para treinamento e a hiptese induzida testada no fold remanescente.
48
o bom uso de medidas j existentes. Segundo SANTOS (2001) s possvel o

desenvolvimento de uma boa avaliao se o problema analisado for quantificado e suas
vantagens de uso identificadas.
Para o desenvolvimento de um mtodo de classificao existem vrias questes
importantes em relao ao seu desempenho, tanto durante a sua construo como na sua
utilizao.
No contexto deste trabalho, aps o processo de aprendizado (seo 3.9), a resoluo
das rvores implementadas avaliada utilizando medidas de desempenho. As medidas de
avaliao de desempenho utilizadas aqui so adotadas da rea de Recuperao de Informao
(RI). Dentre as medidas mais importantes para a avaliao dos resultados e do desempenho
esto abrangncia, preciso e F-measure (KORFHAGE, 1997; KOWALSKI, 1997); e podem
ser obtidas atravs das seguintes relaes:
Abrangncia: a razo do nmero de acertos da classe pelo nmero total de itens
da classe, expressa na frmula mostrada na FIGURA 3.11:

Abrangncia = n_acertos_classe
n_classe
FIGURA 3.11 Abrangncia.
Preciso: representa o grau de confiana de um mtodo de classificao, o que
torna a medida mais importante e necessria em qualquer tarefa de induo. geralmente

calculada como a razo entre o nmero de exemplos corretamente classificados sobre o
nmero total de exemplos classificados na classe, ilustrada na frmula descrita na FIGURA
3.12:
Preciso = n_acertos_classe
n_classificados_classe
FIGURA 3.12 Preciso.
49
A anlise de avaliao deve considerar tanto preciso quanto abrangncia. Por isso,
uma medida que combine os valores de preciso e de abrangncia obtendo o desempenho
geral do sistema, deve ser adotada. Neste trabalho, empregamos a medida F-measure que
permite um balanceamento entre os valores de preciso e abrangncia atravs da expresso na
seguinte frmula (FIGURA 3.13) em que o parmetro que permite a atribuio de
diferentes pesos para as medidas de preciso (P) e abrangncia (C), sendo 1 o valor
freqentemente utilizado. O valor do F-measure (F) maximizado quando a preciso e a
abrangncia so iguais ou muito prximas, assumindo por definio, o prprio valor da
preciso ou da abrangncia, representando o ponto de equilbrio do sistema.
F =
+ 1) * P*C
2 * (P + C)
FIGURA 3.13 F-measure.

Alm dessas medidas, utilizamos o percentual de acertos para a avaliao.
3.7
Grupos de Caractersticas das descries definidas

Um estudo de corpus foi realizado para analisar aspectos estruturais das descries
definidas com o objetivo de identificar as caractersticas que podem sinalizar as expresses

novas no discurso. Este estudo partiu de trabalhos realizados na Lngua Inglesa (VIEIRA,
1998), de um estudo inicial para a Lngua Portuguesa (COLLOVINI; GOULART; VIEIRA,
2004) e da anlise das possveis configuraes para as descries definidas da Lngua
Portuguesa (seo 2.4). Dessa forma, algumas caractersticas previamente identificadas para o
ingls foram verificadas para a Lngua Portuguesa. Alm destas, novas caractersticas foram
adicionadas.
50
As caractersticas foram organizadas em trs grupos para examinar melhor o

desempenho de cada aspecto. O primeiro grupo composto por caractersticas relacionadas
especificamente estrutura da descrio definida. No segundo grupo, reunimos as
caractersticas que envolvem a anlise da sentena. E o terceiro baseia-se na anlise do texto.
Dessa forma, com a anlise de corpus observamos que a primeira manifestao de uma
descrio definida ocorre de modo mais completo do que as demais. Por isso, os elementos
complementares elementos que se integram ao nome ncleo para complet-lo ou aperfeiolo foram selecionados como caractersticas do primeiro grupo (Grupo 1).
Analisamos tambm as relaes que ocorrem em descries definidas com verbos de
ligao (ser, estar, permanecer etc.) denominadas construes copulares, pois composies
mais completas podem sinalizar a primeira manifestao de um referente no texto. A
verificao de construes copulares compe o segundo grupo de caractersticas (Grupo 2).
Entendendo que expresses da primeira sentena no possuem antecedentes, elaboramos uma
caracterstica que analisa a posio da sentena e que faz parte do segundo grupo (Grupo 2).
Seguindo o princpio de que descries definidas novas no discurso no apresentam
antecedentes foi desenvolvida, ento, uma caracterstica que busca um antecedente no texto
(Grupo 3).
Estes grupos de caractersticas das descries definidas so descritas a seguir.
1.
Caractersticas baseadas na estrutura do sintagma (GRUPO 1):
Caracterstica 1 (SP): descries definidas acompanhadas de um sintagma

preposicional, ps-modificador (restritivo). Por exemplo:
A tarde de ontem.
Nesses casos, um ps-modificador restritivo sucede o ncleo restringindo-o. Um
modificador restritivo permite que o referente seja identificado atravs da informao do
modificador (neste caso, um sintagma preposicional) que especifica a informao do ncleo,
no sendo necessrio recorrer a um antecedente para a sua interpretao.
Caracterstica 2 (APO): descries definidas constitudas de construes de apostos
com marca explcita. Por exemplo:
51
O prefeito de Gravata, Daniel Luiz Bordignom.

No corpus estudado, por tratar-se de textos jornalsticos, so relatadas informaes
explicativas (sobre locais, pessoas, empresas, eventos etc.), sendo que uma caracterstica
observada nesses textos a presena de construes de aposto que geralmente introduzem um
novo referente no discurso, sendo auto-explicativas.
Caracterstica 3 (APO_NP): descrio definida acompanhada de um nome prprio
constituindo um aposto sem marca explcita. Por exemplo:
O delegado Elson Campelo.
No corpus estudado, uma caracterstica observada nos textos a construo de
descries definidas com ncleo sendo um nome comum (substantivo comum), seguido de
um nome prprio com funo de aposto e geralmente tratando-se de um novo referente no
discurso.
Caracterstica 4 (REL): descries definidas acompanhadas de uma clusula
relativa. Por exemplo:
O texto que deve ser assinado pelos jornalistas.
No corpus estudado uma caracterstica observada nos textos a presena de clusulas
relativas modificando um nome e que geralmente introduzem um novo referente no discurso.
Caracterstica 5 (NP_COM): descrio definida com o ncleo sendo um nome
prprio composto. Por exemplo:
O Othon Palace Hotel.
No corpus estudado, verificamos que as estruturas com nomes prprios compostos
coincidem, predominantemente, com a classe nova no discurso. Geralmente, na continuidade
do texto, as expresses que retomam descries definidas com nomes prprios compostos o
fazem com apenas um dos nomes prprios ou com termos sinnimos.
52
Caracterstica 6 (SA): descrio definida acompanhada de um sintagma adjetival,

ps-modificador (restritivo). Por exemplo:
As conversas mais antigas.
Um ps-modificador restritivo sucede o ncleo limitando-o e permite que o referente
seja identificado atravs da informao do modificador (neste caso, um sintagma adjetival)
que especifica a informao do ncleo.
Caracterstica 7 (PRE_ADJ): descrio definida que apresenta um adjetivo
anteposto ao ncleo, pr-modificador (restritivo). Por exemplo:
O primeiro grau.
Um pr-modificador restritivo antecede o ncleo, limitando-o e especificando a
informao do ncleo.
Caracterstica 8 (PRE_NUM): descrio definida composta por um numeral
anteposto ao ncleo, pr-modificador (restritivo). Por exemplo:
Os 65 anos.
Essa caracterstica entende como numeral os nmeros cardinais, ordinais,
multiplicativos e fracionrios.
Caracterstica 9 (NUM): descrio definida que apresenta aps o ncleo um
numeral, ps-modificador (restritivo). Por exemplo:
Os anos 60.
Os nmeros cardinais, ordinais, multiplicativos e fracionrios fazem parte do conceito
de numeral dessa caracterstica.
Caracterstica 10 (DET): descrio definida que possui, alm do artigo definido,
outro(s) determinante(s). Por exemplo:
Os nossos arquelogos.
53
Ao lado do artigo definido, podem atuar como determinantes pronomes indefinidos

(todos, outros, poucos etc.), possessivos (seu, nossos, meu etc.), demonstrativos (mesmo,
outro, demais etc.).
Caracterstica 11 (SUP): descrio definida acompanhada de um superlativo. Por
exemplo:
Os melhores alunos.
Superlativo uma palavra que expressa uma qualidade (adjetivo) em um grau elevado
ou no mais elevado grau.
Caracterstica 12 (SUP_A): descrio definida que descreve o grau mximo de
qualidade (adjetivo), representando o maior ndice de uma escala. Por exemplo:
O Christofle lquido o melhor.
Uma descrio definida com essa caracterstica desempenha a funo de predicativo
do sujeito que o termo ou expresso que complementa o sujeito. Para essa caracterstica, a
formao do predicativo do sujeito constituda por verbo de ligao (ser, estar, permanecer
etc) mais uma descrio definida composta por no mais que dois termos (ARTIGO
DEFINIDO + ADJETIVO).
Caracterstica 13 (TAM): descrio definida composta por cinco ou mais termos.
Por exemplo:
As mais recentes criaes estticas brasileiras.
2.
Caractersticas baseadas na anlise da sentena (contexto sinttico e
posio da sentena) (GRUPO 2):

Caracterstica 14 (COP): descries definidas em uma construo copular. Por
exemplo:
O coreano seria a lngua dos anjos.
54
Nesses casos, uma construo copular uma relao entre dois sintagmas nominais
por meio de um verbo de ligao (ser, estar, permanecer etc.).
Caracterstica 15 (PRI_SENT): descries definidas que ocorrem na primeira
sentena do texto.
A primeira sentena do texto pode ser o ttulo ou, na ausncia deste, a primeira frase
do primeiro pargrafo do texto.
3.
Caractersticas baseadas na anlise do texto (GRUPO 3):

Caracterstica 16 (SEM_ANT): o ncleo da descrio definida uma palavra que
no ocorre anteriormente no texto.

De posse das caractersticas das descries definidas, apresentaremos a seguir, a forma
de identificao automtica destas nos corpora estudado.
3.8 Identificao Automtica das Caractersticas no Corpus

Para a identificao automtica das caractersticas apresentadas na seo 3.7 so
necessrias informaes da estrutura sinttica das descries definidas, presentes no arquivo
de chunks e geradas pela ferramenta Xtractor (seo 3.2), onde a quantidade de informao
sinttica de interesse pode variar de acordo com as caractersticas utilizadas.
Primeiramente, apresentaremos como so representadas as informaes de interesse
das descries definidas (do arquivo de chunks) e depois discutiremos a extrao dessas
informaes com a identificao automtica das caractersticas usando a linguagem XSL30
(eXtensible Stylesheet Language). Para exemplificar, ento retomamos algumas das
caractersticas (1, 5, 6) apresentadas na seo 3.7.
30
Desenvolvida pelo W3C (World Wide Web Consortium) disponivel em: http://www.w3.org/Style/XSL/
55
Na caracterstica 1, procura-se a existncia de um sintagma preposicional no chunk da

descrio definida, ou seja, um filho desse chunk com o atributo form igual a pp. A
FIGURA 3.14 ilustra o span "word_200..word_203" que corresponde a "a tarde de ontem".
........
<chunk id="chunk_277" ext="p" form="np"
span="word_200..word_203">
<chunk id="chunk_278" ext="n" form="art" span="="word_200">
</chunk>
<chunk id="chunk_279" ext="h" form="n" span="="word_201">
</chunk>
<chunk id="chunk_280" ext="n" form="pp"
<chunk id="chunk_281" ext="h" form="prp" span="word_202">
</chunk>
<chunk id="chunk_282" ext="p" form="adv" span="word_203">
</chunk>
</chunk>
........
FIGURA 3.14 Trecho do Arquivo de Chunks.
Na caracterstica 5, procura-se o ncleo dessa estrutura, ou seja, o filho desse chunk

que possua o atributo ext igual a h e a forma de nome prprio, isto , o atributo form igual a
prop. A FIGURA 3.15 ilustra o span "word_72..word_73" correspondente a "a
Rdio_Globo_Washington_Rodrigues".
.....
<chunk id="chunk_102" ext="n" form="art" span="word_72">
</chunk>
<chunk id="chunk_102" ext="h" form="prop" span="word_73">
</chunk>
.....

J a caracterstica 6 verifica a presena de um sintagma adjetival no chunk da
descrio definida, ou seja, o filho desse chunk que possua o atributo form igual a ap. A
FIGURA 3.16 ilustra o span "word_22..word_28" que corresponde a "os momentos mais
difceis de minha carreira.
56
.....
<chunk id= chunk_31" ext="p" form="np"
span= word_22..word_28>
</chunk>
<chunk id="chunk_33" ext="h" form="n" span="word_23">
</chunk>
<chunk id="chunk_34" ext="n" form="ap"
span=word_24..word_25>
<chunk id="chunk_35" ext="a" form="adv" span="word_24">
</chunk>
<chunk id="chunk_36" ext="h" form="adj" span="word_25">
</chunk>
</chunk>
.....
Para a extrao das informaes da estrutura sinttica do arquivo de chunks foi

utilizada a linguagem XSL. XSL um conjunto de instrues destinadas visualizao de
documentos XML. Desta forma, a partir de um arquivo XSL possvel transformar um
documento XML em diversos formatos, incluindo RTF, TeX, PostScript, HTML e TXT. A
linguagem XSL auxilia a identificao dos elementos (nodos) de um documento XML,
permitindo a simplificao do processamento de transformao desses elementos em outros
formatos de apresentao. Contudo, possvel criar mltiplas representaes da mesma
informao a partir de vrios documentos XSL aplicados a um nico documento XML.
Para mostrar como se d a extrao destas informaes de interesse do arquivo de
chunks so apresentadas no APNDICE A as folhas de estilos, correspondente a
implementao da caracterstica 1, da caracterstica 5 e da caracterstica 6.
De posse do corpus anotado e das caractersticas levantadas, podemos realizar
experimentos em uma ferramenta de resoluo de anforas, como a ferramenta ART, ou gerar
as entradas para os experimentos com AM.
Na seo seguinte ser relatado o processo de aprendizado utilizando a extrao
automtica das caractersticas das descries definidas apresentada.
57
3.9 Processo de Aprendizado

Nesta dissertao, algoritmos de AM Supervisionado sero utilizados para a induo
de rvores de deciso para a classificao de descries definidas. Para isso, proposta uma
metodologia similar s etapas tradicionais de Sistema de Categorizao de Textos (SCT),
ilustrada na FIGURA 3.17 e descrita a seguir.
Coleta da Base
Extrao dos Exemplos
Pr-Processamento
Criao dos vetores-exemplo
Classificao
FIGURA 3.17 Metodologia Proposta.

Nas prximas sees a metodologia proposta para o processo de aprendizagem no
contexto deste estudo descrita.
3.9.1 Coleta da Base

A coleta da base consiste na obteno dos exemplos a serem utilizados para o
treinamento do classificador. O exemplo descreve o objeto de interesse e formado por um
vetor de valores dos atributos. A base de dados usada no treinamento do classificador
formada por um conjunto de 24 textos da Folha de So Paulo (corpus 1) e os exemplos
utilizados pelo classificador so as descries definidas presentes nesses textos (seo 3.1).
3.9.2 Pr-processamento
A etapa de pr-processamento a mais custosa por possuir vrias operaes sobre os
textos, objetivando a criao de uma representao computacional da base de dados seguindo
58
algum modelo. Segundo a metodologia proposta neste trabalho, o pr-processamento

formado por duas etapas: extrao dos exemplos e criao dos vetores-exemplo.
A primeira etapa do pr-processamento, a extrao das descries definidas da base de
dados, tem por objetivo selecionar apenas as descries definidas identificadas tanto na
marcao manual e na automtica31. Para isso, podemos dividir o processo de extrao em
dois passos:
1.
A partir do corpus anotado manualmente, verificado quais elementos
markables do arquivo de marcao manual apresentam atributo form igual a defnp, ou seja,
uma descrio definida;
2.
De posse das descries definidas (passo 1) verificado se cada descrio
definida selecionada apresenta os mesmos elementos (atributo span) na marcao manual

(seo 3.3) e na marcao automtica (seo 3.2).
Para exemplificar o processo de extrao dos exemplos, ilustrado na FIGURA 3.18
um trecho do arquivo de marcao manual (markables) e na FIGURA 3.19 um trecho do
arquivo de marcao automtica (chunks) referente descrio definida: o bicheiro Castor
de Andrade.
Observamos primeiramente que a expresso analisada possui a forma de artigo
definido (form = defnp) no arquivo de marcao (FIGURA 3.18), representando assim que
se trata de uma descrio definida. Aps, verificamos que a expresso possui o mesmo
atributo span (word_128..word_130) no arquivo de chunks (FIGURA 3.19) e no arquivo de
marcaes, representando que se tratam, em ambos os arquivos, da mesma expresso.
31
Idealmente, a extrao das descries definidas deveria ser feita automaticamente com base no corpus
anotado. Isso foi feito apenas para o corpus 2. No corpus 1 a extrao das descries definidas foi manual para a
marcao manual e automtica para a marcao automtica. Porm ocorreram diferenas entre os dois conjuntos
de descries definidas, ento, uma verificao posterior foi necessria.
59
...
coreference="non_coreferent" form="defnp"
classification="discourse_new" />
...
FIGURA 3.18 Arquivo de marcaes.

...
</chunk>
<chunk id="chunk_183" ext="h" form="n" span="word_129">
</chunk>
<chunk id="chunk_184" ext="n" form="prop" span="word_130">
</chunk>
</chunk>
...
FIGURA 3.19 Arquivo de chunks.

Para a verificao e extrao dessas informaes de interesse (descritas no passo 1 e
no passo 2) foi construda uma folha de estilos XSL, a qual executada para cada texto da
base de dados, tendo como resultado uma lista das descries definidas do referente texto.
Para ilustrar, a FIGURA 3.20 apresenta um trecho de um texto do corpus utilizado e na
FIGURA 3.21 parte da lista de descries definidas resultante.
...
Citados negam as acusaes. Da Sucursal do Rio. O ex-deputado e
cantor Agnaldo Timteo afirmou que a presena de seu nome na
lista do banqueiro do jogo do bicho Castor de Andrade mostra o
quanto o contraventor organizado. Sempre que estou duro, peo
dinheiro a ele. Castor meu pai branco.
...
FIGURA 3.20 Trecho de um texto.

as acusaes
Da_Sucursal_do_Rio
o jogo_do_bicho
o contraventor
...
FIGURA 3.21 Lista com algumas descries definidas.
60
Como resultado da primeira etapa do pr-processamento, temos uma base de dados

para os experimentos, constituda de 1105 descries definidas do corpus 1. Desta forma para
os experimentos realizados, foi utilizada parte do conjunto de exemplos do corpus 1; das 1411
descries definidas foram utilizadas as 1105 resultantes da primeira etapa do prprocessamento.
Para a segunda etapa do processo de pr-processamento, temos a criao dos vetoresexemplo com base no conjunto de exemplos (descries definidas) da base de dados extrados
na etapa anterior. Um conjunto de exemplos composto por vetores-exemplo contendo os
valores dos atributos e a classe associada (MONARD, BARANAUSKAS, 2003). No contexto
deste trabalho, os atributos correspondem s caractersticas das descries definidas (seo
3.7) e como se objetiva identificar as descries definidas novas no discurso, a classe utilizada
para cada descrio definida ser a classificao nova_ discurso ou outra.
Para a criao dos vetores-exemplo necessrio definir um tipo de codificao e
represent-lo no modelo de espao vetorial. O tipo de codificao utilizado a codificao
binria, onde cada posio do vetor-exemplo indica a presena (TRUE) ou a ausncia
(FALSE) de determinado atributo no exemplo.
Para exemplificar o processo de criao dos vetores-exemplo, retomamos a descrio
definida o bicheiro Castor de Andrade. A partir dessa expresso, primeiramente checado
o valor dos seus atributos utilizando o arquivo de Chunks (FIGURA 3.19) e assim verifica-se
a presena/ausncia de cada uma das caractersticas das descries definidas (seo 3.7)
utilizando o processo descrito anteriormente na seo 3.8. Como resultado, o vetor-exemplo
correspondente gerado.
Aps a verificao dos atributos, necessria a informao da classe correspondente
ao exemplo analisado. Esta informao possvel com o auxlio do corpus anotado (arquivo
de markables), onde ser analisado o atributo classification que corresponde classificao
61
anafrica da expresso. Como resultado, temos para a descrio definida o bicheiro Castor
de Andrade o seguinte vetor-exemplo: TRUE, FALSE, FALSE, FALSE, FALSE, FALSE,
FALSE, FALSE, FALSE, FALSE, TRUE, FALSE, FALSE, FALSE, FALSE, FALSE,
nova_discurso.
3.9.3 Classificao
Aps a etapa de pr-processamento, iniciada a etapa de classificao com rvores de
deciso, utilizando a ferramenta Weka. Essa ferramenta re-implementa o algoritmo C4.5
denominando-o de j48 (seo 3.5).
Na aplicao do algoritmo j48 neste trabalho, realizada a simplificao das rvores
de deciso geradas (seo 2.5). O parmetro chave para a simplificao das rvores geradas
o nvel de confidncia de poda, tambm chamado de fator de confiana de poda (CF), o qual
pode sofrer ajustes (valor padro de CF 0,25 ou 25%) com o objetivo de evitar o overfitting
dos dados de treinamento. Esse ajuste depende da quantidade e da confiabilidade dos dados de
treinamento disponveis. Nesse trabalho, foram testados diferentes valores para o fator de
confiana de poda (CF), resultando na utilizao dos valores: CF = 0,10 e CF = 0,35. Os
demais valores dos parmetros do algoritmo j48 foram os sugeridos pela ferramenta. Cabe
ressaltar que, dos mtodos apresentados, o usado foi validao cruzada (cross-validation) em
10 folds na base de dados (seo 3.9.2).
Para a execuo do algoritmo j48 na ferramenta Weka necessrio arquivos de
entrada respeitando o formato ARFF (seo 3.5). Estes arquivos de entrada so formados
pelos vetores-exemplo gerados na etapa de pr-processamento (seo 3.9.2), respeitando o
tipo de codificao e de classificao utilizados. Para exemplificar, a FIGURA 3.22 mostra
um trecho de um arquivo de entrada para a ferramenta Weka. No APNDICE A
62
apresentada a folha de estilos XSL que gera os arquivos de entrada para a ferramenta Weka
no formato ARFF.
As categorias (nova_discurso ou outra) corretamente e incorretamente
classificadas so mostradas em porcentagem, as medidas de preciso, abrangncia e Fmeasure so apresentadas nos detalhes da acurcia por categoria (seo 3.6). Tambm
mostrada a matriz de confuso com a quantidade de descries definidas classificadas por
categoria (nova no discurso ou outra).
@relation entrada
@ attribute SEM_ANT {TRUE,FALSE}
@attribute PRE_ADJ {TRUE,FALSE}
@attribute PRE_NUM {TRUE,FALSE}
@attribute NUM {TRUE,FALSE}
@attribute REL {TRUE,FALSE}
@attribute NP_COM {TRUE,FALSE}
@attribute COP {TRUE,FALSE}
@attribute SP {TRUE,FALSE}
@attribute SA {TRUE,FALSE}
@attribute APO {TRUE,FALSE}
@attribute APO_NP {TRUE,FALSE}
@attribute SUP {TRUE,FALSE}
@attribute SUP_A {TRUE,FALSE}
@attribute PRI_SENT {TRUE,FALSE}
@attribute TAM {TRUE,FALSE}
@attribute DET {TRUE,FALSE}
@attribute category {nova_discurso,outra}
@data
FALSE,FALSE,FALSE,FALSE,FALSE,FALSE,FALSE,TRUE,FALSE,FALSE,FALSE,
FALSE,FALSE,TRUE,FALSE,FALSE,outra
TRUE,FALSE,FALSE,FALSE,FALSE,FALSE,FALSE,FALSE,FALSE,FALSE,FALSE,
FALSE,FALSE,TRUE,FALSE,FALSE,nova_discurso
.....................
FIGURA 3.22 Trecho do Arquivo de Entrada no Formato ARFF.

Uma vez apresentado o processo de aprendizado, passemos, ento, aos passos
necessrios para a implementao da classificao automtica no ambiente ART.
3.10
Implementao no Ambiente ART

Aps o processo de aprendizado (seo 3.9), os experimentos foram executados com a
ferramenta Weka (aplicao do algoritmo j48) e geradas as rvores de deciso. A
63
classificao automtica no ambiente ART baseou-se nos atributos (caractersticas das

descries definidas) presentes nessas rvores. Alm disso, uma posterior avaliao da
classificao automtica no ambiente ART foi desenvolvida com base na classificao manual
presente no arquivo de marcaes (markables).
Nesta seo so apresentados os passos seguidos para a execuo da classificao
automtica das descries definidas no ambiente ART. Os experimentos realizados com
rvores de deciso; a combinao dos atributos utilizados e a anlise da classificao,
utilizando as medidas de avaliao (seo 3.6), so mostradas no captulo 4.
Para a implementao da classificao automtica das descries definidas no
Ambiente ART, foi utilizada a arquitetura da ferramenta, descrita na seo 3.4, baseada em
pipes&filters, seguindo uma seqncia de quatro etapas:
1.
A entrada para a ferramenta selecionada, que constitui do conjunto de
exemplos da base de dados (extrados do corpus 1 e corpus 2);

2.
Seleo e aplicao de um conjunto de regras, sendo que as regras so a
implementao das caractersticas das descries definidas (seo 3.8);

3.
O resultado da aplicao das regras da etapa anterior representado para o
formato de sada da ferramenta MMAX (seo 3.3);

4.
Comparao dos resultados da classificao automtica no ambiente ART
(atributo classification) e da classificao manual na ferramenta MMAX (atributo

classification) a partir da aplicao de folhas de estilos XSL. O resultado desta avaliao
apresentado na seo 4.2.
3.11
Consideraes Finais
Neste captulo foi apresentada a descrio do corpus e das ferramentas utilizadas no
trabalho (PALAVRAS, Xtractor, MMAX, Weka, ART).
64
Os grupos de caractersticas das descries definidas originados do estudo de corpus

foram mostrados na seo 3.7. As caractersticas apresentadas em estudos anteriores da
Lngua Inglesa foram analisadas e algumas foram aproveitadas. Por exemplo, a presena do
nome prprio (Proper names) em uma descrio definida era uma caracterstica para a
classificao desta como nova no discurso em trabalhos relacionados. Neste trabalho, a
caracterstica nome prprio sofreu alteraes. Uma delas foi analisar se o ncleo da
descrio definida um nome prprio composto (veja Caracterstica 5: NP_COM) para tratar
casos como O Ministrio das Relaes Exteriores (nova no discurso) e O Ministrio
(outra). Outra alterao resultou na caracterstica aposto nome prprio (veja Caracterstica
3: APO_NP) que combina duas caractersticas e analisa se a descrio definida formada por
um nome prprio que desempenha a funo de aposto.
Entre as caractersticas das descries definidas aproveitadas, temos as caractersticas:
sintagma preposicional (veja Caracterstica 1: SP), construes de apostos (veja
Caracterstica 2: APO), clusula relativa (veja Caracterstica 4: REL), sintagma
adjetival (veja Caracterstica 6: SA); pr modificador adjetivo (veja Caracterstica 7:
PRE_ADJ), pr modificador nmero (veja Caracterstica 8: PRE_NUM), ps modificador
nmero (veja Caracterstica 9: NUM), superlativo (veja as Caractersticas 11: SUP),
construes copulares (veja Caracterstica 14: COP), primeira sentena (veja
Caracterstica 15: PRI_SENT) e sem antecedente (veja Caracterstica 16: SEM_ANT).
Outras caractersticas novas foram identificadas. Por exemplo, as caractersticas que
analisam a presena de um outro determinante (veja Caracterstica 10: DET) e de um
superlativo absoluto (veja Caracterstica12: SUP_A). Destaca-se tambm, a caracterstica
tamanho (veja Caracterstica 13: TAM) por ser uma caracterstica original no verificada
em nenhum outro estudo.
65
Nesta dissertao, no processo de aprendizado, para a gerao das rvores de deciso,

adotou-se uma metodologia similar s etapas tradicionais de Sistemas de Categorizao de
Textos. Esta metodologia tem como resultado um conjunto de vetores-exemplo que so as
entradas para a ferramenta Weka. Aps o processo de aprendizado com o corpus da Folha de
So Paulo (corpus 1), as rvores de deciso geradas so avaliadas utilizando medidas de
desempenho (seo 3.6). A classificao automtica das descries definidas no ambiente
ART utilizar os atributos considerados relevantes nas rvores de deciso analisadas.
66
4. Resultados
Neste captulo so apresentados os resultados deste estudo. Primeiramente foi
realizado o processo de aprendizado (seo 3.9) com a construo da base de dados e a
classificao utilizando rvores de deciso. Os atributos e os parmetros utilizados para a
gerao das rvores de deciso na ferramenta Weka so descritos na seo 4.1, juntamente
com a descrio dos experimentos realizados e respectivos resultados. Alm disso, neste
captulo, apresentada, na seo 4.2, a avaliao das rvores aprendidas no ambiente ART.
Os experimentos foram divididos em:
Experimento 1: classificao das descries definidas como novas no discurso ou
Experimento 2: classificao das descries definidas como no correferentes
outra;
(englobando a classe nova no discurso e anafrica associativa) ou outra (englobando as

demais classificaes).
4.1 Gerao de rvores de Deciso

Nos experimentos foram utilizados como atributos as caractersticas das descries
definidas, de acordo com trs grupos (G1, G12 e G123) apresentados a seguir:
G1: caractersticas do GRUPO 1 (estrutura do sintagma nominal), totalizando 13
atributos;
G12: caractersticas do GRUPO 1 (estrutura do sintagma nominal) e do GRUPO 2
(anlise da sentena), totalizando 15 atributos;
67
G123: caractersticas do GRUPO 1 (estrutura do sintagma nominal), do GRUPO 2
(anlise da sentena) e do GRUPO 3 (anlise do texto), totalizando 16 atributos.

Nos experimentos foram utilizados como fator de confiana de poda (CF) os valores:
CF = 0,10 e CF = 0,35. Com CF = 0,10 a rvore resultante simplificada e os atributos que
no contriburam significativamente para a classificao so retirados. J com a variao para
CF = 0,35 ocorre um aumento do nmero de atributos presentes nas rvores de deciso, sendo
possvel uma anlise mais completa dos atributos utilizados para a classificao.
Nas prximas sees so apresentados os resultados dos experimentos realizados na
Ferramenta Weka (as rvores de deciso geradas esto no APNDICE B).
4.1.1 Experimento 1 novas no discurso (Weka)

Para analisar os resultados, so utilizadas as medidas de avaliao e de desempenho,
descritas na seo 3.6. As informaes referentes base de dados utilizada (corpus 1) so
apresentadas na Tab. 4.1.
TABELA 4.1 Nmero de exemplos de cada classe.
Classes adotadas
Classes
N Exemplos Totais
nova_discurso nova_discurso
550
550
outra
direta
285
555
indireta
159
associativa
94
outra
17
Total de exemplos
1105
Para avaliao dos resultados deste experimento, utilizado como baseline um
algoritmo que considera todas as descries definidas como novas no discurso. Este baseline
apresentado na Tab 4.2.
Atributos
baseline
TABELA 4.2 Resultados do baseline.

% Acertos
Classes
Preciso Abrangncia F-measure
49,7%
nova_discurso 0,50
1,00
0,66
outra
0
0
0
68
Atributos G1:
Os resultados com os atributos G1 so apresentados na Tab. 4.3.
TABELA 4.3 Experimento 1 com atributos G1.
CF Acertos
Classe
Preciso Abrangncia F-Measure
0,10 63,0% nova_discurso 0,66
0,54
0,59
outra
0,61
0,72
0,66
0,55
0,60
outra
0,61
0,70
0,65
Obtivemos para a classe nova no discurso uma preciso em torno de 66%, uma
abrangncia em torno de 55%, resultando uma F-measure em torno de 60%. No h uma
grande diferena nos resultados em relao ao fator de confiana de poda. A classe outra no
foi analisada neste estudo.
Nas duas rvores de deciso geradas, so comuns os atributos: TAM, SA, NP_COM,
PRE_ADJ. A segunda rvore (CF = 0,35), alm desses atributos, apresenta tambm o atributo
APO_NP.
Atributos G12:
Os resultados obtidos com os atributos G12 so mostrados na Tab. 4.4.
TABELA 4.4 Resultados do Experimento 1 com atributos G12.
CF Acertos
Classe
0,55
0,60
outra
0,62
0,73
0,67
0,57
0,61
outra
0,62
0,71
0,66
Para a classe nova no discurso alcanamos 66% em preciso e abrangncia em torno
de 57%, resultando uma F-measure em torno de 61%.
Nas duas rvores de deciso resultantes, esto presentes os atributos: PRI_SENT,
TAM, SA, PRE_ADJ, NP_COM. A rvore com CF = 0,35 possui tambm o atributo
APO_NP.
69
O atributo PRI_SENT foi includo no topo da rvore, j o atributo COP no foi

considerado. No h uma grande diferena nos resultados dos grupos G1 e G12.
Atributos G123:
Os resultados obtidos com os atributos G123 so ilustrados na Tab. 4.5.
TABELA 4.5 Resultados do Experimento 1 com G123 de atributos.
CF Acertos
Classe
0,88
0,75
outra
0,82
0,53
0,64
0,87
0,74
outra
0,80
0,52
0,63
Observamos para a classe nova no discurso uma preciso em torno de 65%, similar
aos grupos anteriores. Pode-se observar um ganho nos valores de abrangncia (88%) e Fmeasure (75%).
Nas duas rvores de deciso geradas, os atributos comuns so: PRI_SENT,
SEM_ANTE, SUP, NUM. A segunda rvore (CF = 0,35), alm desses atributos, apresenta
tambm os atributos SA, COP, SP TAM. Aqui podemos observar que os dois atributos novos
de G12 foram includos (PRI_SENT e COP).
Na Tab. 4.6 apresentada a taxa de acertos e F-measure para cada combinao de
atributos utilizada, destacando-se os resultados dos atributos G123.
TABELA 4.6 Taxa de acertos do Experimento 1.
Atributos CF % acertos F-measure
G1
0,10 63,0%
0,59
0,35 63,0%
0,60
G12
0,10 63,8%
0,60
0,35 63,8%
0,61
G123 0,10 70,4%
0,75
0,35 69,1%
0,74
Comparamos os melhores resultados do Experimento 1 com o baseline na Tab. 4.7.
70
TABELA 4.7 Comparao entre o baseline e o Experimento 1

Atributos % Acertos
Classes
BASELINE
49,7%
nova_discurso 0,50
1,00
0,66
outra
0
0
0
G1
63,0%
nova_discurso 0,65
0,55
0,60
outra
0,61
0,70
0,65
G12
63,8%
nova_discurso 0,66
0,57
0,61
outra
0,62
0,71
0,60
G123
70,4%
nova_discurso 0,65
0,88
0,75
outra
0,82
0,53
0,64
Com 66% de preciso e 75% de F-measure obtivemos para a classe nova no discurso
um ganho em relao ao baseline (50%, 66%). Alm disso, verificaram-se ganhos
significativos na taxa de acertos (de 49,7% para 70,4%).
2.1.2 Experimento 2 no correferentes (Weka)

Os resultados do Experimento 2 foram avaliados de forma similar ao Experimento 1.
Informaes referentes base de dados utilizada so apresentadas na Tab. 4.8.
TABELA 4.8 Nmero de exemplos de cada classe.
Classes adotadas N Exemplos
no_correferente
661
outra
444
Total
1105
Para a avaliao dos resultados deste experimento, utilizado como baseline um
algoritmo que considera todas as descries definidas como no correferentes (Tab 4.9).
TABELA 4.9 Resultados do baseline.
Atributos % Acertos
Classes
baseline
59,8% no_correferente 0,60
1,00
0,75
outra
0
0
0
Atributos G1:
Os resultados obtidos com os atributos G1 so apresentados a seguir na Tab. 4.10.
71

CF % Acertos
Classe
0,10 61,3% no_correferente 0,71
0,58
0,64
outra
0,53
0,66
0,59
0,58
0,64
outra
0,53
0,66
0,59
Obtivemos para a classe no correferente preciso em torno de 71%, abrangncia de
58%, resultando uma F-measure de 64%.
Nas duas rvores de deciso geradas, os atributos comuns so: TAM, NUM, APO_NP,
SA, NP_COM, PRE_ADJ, SP. A segunda rvore (CF = 0,35), alm desses atributos,
apresenta tambm o atributo PRE_NUM.
O conjunto de atributos difere daqueles considerados para o Experimento 1 (novas no
discurso).
Atributos G12:
Os resultados com os atributos G12, so apresentados a seguir na Tab. 4.11.
Classe
CF % Acertos
0,61
0,66
outra
0,55
0,66
0,60
0,61
0,65
outra
0,54
0,64
0,59
Para a classe no correferente foi alcanada uma preciso em torno de 71%,
abrangncia de 61%, resultando F-measure em torno de 66%. Aqui se pode observar um
pequeno ganho em relao a G1.
Nas duas rvores de deciso geradas, os atributos comuns so: PRI_SENT, TAM,
APO_NP, NUM, SA, NP_COM, PRE_ADJ, SP. A rvore considerando CF = 0,35, alm
desses atributos, apresenta tambm o atributo COP. Podemos observar que os atributos G2
(PRI-SENT e COP) foram considerados.
72
Atributos G123:
Os resultados obtidos com os atributos G123 so apresentados na Tab. 4.12.
CF % Acertos
Classe
0,89
0,82
outra
0,80
0,62
0,70
0,89
0,82
outra
0,81
0,60
0,69
Com atributos G123, obtivemos para a classe no correferente 76% de preciso, 89%
de abrangncia, resultando em 82% de F-measure.
Nas duas rvores de deciso geradas, os atributos comuns so: SEM_ANTE, NUM,
PRI_SENT, SUP. A segunda rvore (CF = 0,35), alm desses atributos, apresenta tambm os
atributos SA, COP, SP, TAM. O novo atributo de G123 passou a substituir vrios atributos de
G1 e G12 com ganho nos resultados.
Na Tab. 4.13 apresentada a taxa de acertos e F-measure para cada combinao de
atributos utilizada, destacando-se os resultados dos atributos G123.
TABELA 4.13 Percentual de acertos do Experimento 2.
Atributos CF % acertos F-measure
G1
0,10 61,3%
0,64
0,35 61,4%
0,64
G12
0,10 63,0%
0,66
0,35 62,4%
0,65
G123 0,10 77,6%
0,82
0,35 77,1%
0,82
Comparamos as medidas de preciso, de abrangncia e de F-measure obtidas no
Experimento 2 com o baseline (Tab. 4.14).
Com este experimento obtivemos para a classe no correferente 76% de preciso e
82% de F-measure, o que representa um ganho em relao ao baseline (60%, 75%). Alm
disso, verificaram-se ganhos significativos na taxa de acertos (de 59,8% para 77,6%).
73
TABELA 4.14 Comparao entre o baseline e Experimento 2.

Atributos % Acertos
Classes
BASELINE 59,8% no_correferente 0,60
1,00
0,75
outra
0
0
0
G1
0,58
0,64
outra
0,53
0,66
0,59
G12
0,61
0,66
outra
0,55
0,66
0,60
G123
0,89
0,82
outra
0,81
0,60
0,69
Com base nos melhores resultados de classificao dos experimentos apresentados, na
seo seguinte, o potencial de distino dos atributos presentes nas rvores geradas ser
avaliado.
4.1.3 Potencial de Distino das Caractersticas

De posse dos resultados da gerao das rvores de deciso, os atributos presentes nas
rvores com melhores resultados so analisados para avaliar o quanto estes contriburam para
a classificao das descries definidas novas no discurso.
Desta forma, os atributos relevantes nos experimentos so analisados e expostos em
forma de tabela. Cabe ressaltar que, para cada tabela a primeira coluna indica o atributo
analisado; a segunda coluna apresenta o potencial de distino do atributo isoladamente
(Sozinho) e com todo o conjunto de atributos menos ele (Excludo). J na terceira coluna est
indicado o ndice de preciso seguido do ndice de abrangncia na quarta coluna.
Experimento 1 novas no discurso (atributos):

Para o Experimento 1 considerando a classe nova no discurso, a anlise dos atributos
de G1, G12 e G123 so apresentadas, respectivamente, nas tabelas: Tab. 4.15, Tab. 4.16, Tab.
4.17.
74
TABELA 4.15 Potencial de Distino dos atributos G1 (CF = 0,35).

Atributos
Acertos Preciso Abrangncia
Sozinho 0,59
0,67
0,33
TAM
Excludo 0,57
0,65
0,30
Sozinho 0,54
0,67
0,15
SA
Excludo 0,61
0,66
0,46
0,61
0,71
NP_COM Sozinho 0,51
Excludo 0,62
0,66
0,49
PRE_ADJ Sozinho 0,52
0,76
0,06
Excludo 0,62
0,65
0,53
0,22
0,40
PRE_NUM Sozinho 0,49
Excludo 0,63
0,66
0,54
0,58
0,38
APO_NP Sozinho 0,50
Excludo 0,63
0,66
0,54

Atributos
PRI_SENT Sozinho
Excludo
Sozinho
TAM
Excludo
Sozinho
SA
Excludo
PRE_ADJ Sozinho
Excludo
NP_COM Sozinho
Excludo
APO_NP Sozinho
Excludo
0,53
0,63
0,59
0,59
0,54
0,63
0,52
0,64
0,51
0,64
0,50
0,65
1,00
0,66
0,67
0,69
0,67
0,68
0,76
0,27
0,61
0,68
0,58
0,68
0,06
0,54
0,33
0,34
0,15
0,49
0,06
0,67
0,71
0,52
0,38
0,58

Atributos
PRI_SENT Sozinho
Excludo
SEM_ANT Sozinho
Excludo
Sozinho
SUP
Excludo
Sozinho
NUM
Excludo
0,53
0,70
0,69
0,54
0,51
0,70
0,50
0,70
1,00
0,64
0,64
0,92
0,88
0,64
0,60
0,65
0,06
0,88
0,86
0,89
0,27
0,87
0,50
0,88
Observamos que no Experimento 1, os maiores ndices de potencial de distino dos

atributos analisados isoladamente so: TAM e SEM_ANT. Estes atributos resultaram nos
menores ndices da anlise de todo o conjunto de atributos menos o respectivo atributo
excludo, por mostrarem-se relevantes para a classificao das descries definidas novas no
75
discurso. Cabe ressaltar que, o atributo PRI_SENT analisado isoladamente, apresentou o

melhor ndice de preciso (100%), porm possui baixa abrangncia.
Com base nestes resultados, o atributo TAM destaca-se por ser um atributo original e
por apresentar um resultado significativo. Analisamos a rvore de deciso utilizando os
atributos G1 menos o atributo TAM para verificarmos como este atributo pode substituir
outros atributos correspondentes e considerados relevantes em trabalhos relacionados. Desta
forma, comparamos os resultados da classificao com todo o conjunto de atributos G1
(FIGURA 4.1) e a classificao com os atributos G1 menos o atributo TAM (G1 sem TAM)
(FIGURA 4.2), ambas com CF = 0,35. Constatamos que, o atributo TAM realmente substitui
os atributos SP e REL (presentes em outros trabalhos) de forma satisfatria e apresenta
ganhos na taxa de acertos de 62% para 63% e de preciso de 63% para 65%. Esta comparao
mostrada na Tab 4.18.
TABELA 4.18 Comparao do atributo TAM.
Atributo
G1
% Acertos
Classes
0,55
0,60
63,0% nova_discurso 0,65
outra
0,61
0,70
0,65
0,58
0,61
G1 sem TAM 62,0% nova_discurso 0,63
outra
0,62
0,66
0,64
TAM = TRUE
| APO_NP = TRUE: outra (3.0/1.0)
| APO_NP = FALSE: nova_discurso (268.0/85.0)
TAM = FALSE
| SA = TRUE: nova_discurso (94.0/32.0)
| SA = FALSE
| | NP_COM = TRUE: nova_discurso (60.0/23.0)
| | NP_COM = FALSE
| | | PRE_ADJ = TRUE: nova_discurso (24.0/6.0)
| | | PRE_ADJ = FALSE
| | | | PRE_NUM = TRUE: nova_discurso (12.0/5.0)
| | | | PRE_NUM = FALSE
| | | | | APO_NP = TRUE: nova_discurso (24.0/11.0)
| | | | | APO_NP = FALSE: outra (620.0/229.0)
Figura 4.1 rvore de Deciso com atributos G1.
76
SP = TRUE: nova_discurso (287.0/98.0)

SP = FALSE
| SA = TRUE
| | PRE_ADJ = TRUE: outra (3.0/1.0)
| | PRE_ADJ = FALSE: nova_discurso (101.0/35.0)
| SA = FALSE
| | PRE_ADJ = TRUE: nova_discurso (24.0/6.0)
| | PRE_ADJ = FALSE
| | | NP_COM = TRUE: nova_discurso (59.0/23.0)
| | | NP_COM = FALSE
| | | | REL = TRUE: nova_discurso (18.0/7.0)
| | | | REL = FALSE
| | | | | PRE_NUM = TRUE: nova_discurso (12.0/5.0)
| | | | | PRE_NUM = FALSE
| | | | | | APO_NP = TRUE: nova_discurso (25.0/11.0)
| | | | | | APO_NP = FALSE: outra (576.0/208.0)
Figura 4.2 rvore de Deciso com atributos G1 sem TAM.
Experimento 2 no correferentes (atributos):

Para o Experimento 2 considerando a classe no correferente, a anlise dos atributos
de G1, G12 e G123 so apresentados, respectivamente, nas tabelas: Tab. 4.19, Tab. 4.20, Tab.
4.21.
Atributos
Sozinho 0,58
0,58
1,00
TAM
Excludo 0,61
0,71
0,56
Sozinho 0,58
0,58
1,00
NUM
0,53
0,66
Excludo 0,61
0,58
1,00
APO_NP Sozinho 0,58
Excludo 0,60
0,70
0,55
Sozinho 0,58
0,58
1,00
SA
Excludo 0,56
0,62
0,66
Sozinho
0,
58
0,
58
1,00
NP_COM
Excludo 0,60
0,71
0,53
0,58
1,00
Excludo 0,61
0,70
0,56
Sozinho 0,58
0,58
1,00
SP
Excludo 0,60
0,71
0,53
0,58
1,00
PRE_NUM Sozinho 0,58
Excludo 0,62
0,71
0,58
77

Atributos
0,58
1,00
PRI_SENT Sozinho 0,58
Excludo 0,61
0,69
0,58
Sozinho
0,
58
0,
58
1,00
TAM
Excludo 0,62
0,70
0,60
0,58
1,00
APO_NP Sozinho 0,58
Excludo 0,61
0,71
0,58
Sozinho 0,58
0,58
1,00
NUM
Excludo 0,62
0,71
0,61
Sozinho 0,58
0,58
1,00
SA
Excludo 0,61
0,71
0,54
0,58
1,00
NP_COM Sozinho 0,58
0,71
0,56
Excludo 0,61
0,58
1,00
Excludo 0,62
0,70
0,59
Sozinho 0,58
0,58
1,00
SP
Excludo 0,62
0,72
0,59
Sozinho
0,
58
0,
58
1,00
COP
Excludo 0,63
0,72
0,60
Atributos
0,87
SEM_ANT Sozinho 0,76
0,76
Excludo 0,58
0,58
1,00
Sozinho 0,58
0,58
1,00
NUM
Excludo 0,77
0,76
0,88
0,58
1,00
PRI_SENT Sozinho 0,58
Excludo 0,77
0,76
0,89
Sozinho 0,58
0,58
1,00
SUP
Excludo 0,77
0,76
0,88
No Experimento 2, dos atributos analisados isoladamente, o nico que apresenta o
potencial de distino o atributo SEM_ANT. Os demais atributos isoladamente, no
conseguiram distinguir os exemplos. Acreditamos que isso seja devido ao alto nmero de no
correferentes.
4.2 Avaliao das rvores no Ambiente ART

Nesta seo so apresentadas a implementao e a avaliao das rvores aprendidas no
ambiente ART.
78
Para a classificao automtica no ART, um conjunto de regras aplicado aos dados

de entrada (1105 exemplos do corpus 1). Cabe ressaltar que, na arquitetura da ferramenta,
cada regra corresponde a um filtro (filter), e as informaes de que filtros sero aplicados e
em que seqncias, esto armazenadas em pipes. Dessa forma, para cada experimento foram
aplicados seis pipes correspondentes s rvores de deciso estudadas.
Experimento 1 novas no discurso (ART):

Os seis pipes do Experimento 1 e seus respectivos filtros so mostrados na Tab. 4.22.
TABELA 4.22 Pipes e filtros do Experimento 1.
Pipes
Filtros
pipe 1 (CF: 0,10 Atributos: G1)
TAM,SA,NP_COM,PRE_ADJ
TAM,SA,NP_COM,PRE_ADJ,PRE_NUM,APO_NP
PRI_SENT,TAM,SA,PRE_ADJ,NP_COM
pipe 4 (CF: 0,35 Atributos: G12
PRI_SENT,TAM,SA,PRE_ADJ,NP_COM,APO_NP
pipe 5 (CF: 0,10 Atributos: G123) PRI_SENT,SEM_ANT,SUP,NUM
pipe 6 (CF 0,35 Atributos: G123) PRI_SENT,SEM_ANT,SUP,NUM,SA,COP,SP,TAM
De posse dos resultados da aplicao de todos os pipes do Experimento 1, que geraram
a sada no formato da ferramenta MMAX, foi realizada uma comparao entre a marcao
automtica e manual. Os resultados da comparao so mostrados na Tab. 4.23.
TABELA 4.23 Resultado comparativo do Experimento 1.
Pipes
Classes
pipe 1 nova_discurso 0,63
0,58
0,55
pipe 2
pipe 3
pipe 4
pipe 5
pipe 6
outra
nova_discurso
outra
nova_discurso
outra
nova_discurso
outra
nova_discurso
outra
nova_discurso
outra
0,60
0,63
0,61
0,65
0,62
0,66
0,64
0,64
0,81
0,62
0,68
0,58
0,66
0,58
0,69
0,60
0,69
0,88
0,52
0,56
0,64
0,60
0,64
0,61
0,66
0,63
0,66
0,74
0,63
0,59
0,60
0,67
0,63
79
Observamos que os melhores resultados para a classe nova no discurso foram: de

preciso (66%) com a execuo do pipe 4; de abrangncia (88%) e de F-measure (74%) com
a aplicao do pipe 5.
O resultado do pipe 5 foi comparado ao resultado do baseline. Observamos melhorias
significativas em preciso, de 50% para 64%, em F-measure de 66% para 74% e na taxa de
acertos de 49,7% para 69,9% em relao ao baseline. Esses resultados correspondem aos
resultados do aprendizado, o que valida a implementao realizada no ambiente ART.
Experimento 2 no correferentes (ART):

Os prximos seis pipes do Experimento 2 e seus respectivos filtros so mostrados
(Tab. 4.24) a seguir:
TABELA 4.24 Pipes e filtros do Experimento 2.
Pipes
Filtros
TAM,NUM,APO_NP,SA,NP_COM,PRE_ADJ,SP
TAM,NUM,APO_NP,SA,NP_COM,PRE_ADJ,SP,
PRE_NUM
pipe 9 (CF: 0,10 Atributos: G12) PRI_SENT,TAM,APO_NP,NUM,SA,NP_COM,
PRE_ADJ,SP
pipe 10 (CF: 0,35 Atributos: G12) PRI_SENT,TAM,APO_NP,NUM,SA,NP_COM,
PRE_ADJ,SP,COP
pipe 11 (CF: 0,10 Atributos: 123) SEM_ANT,NUM,PRI_SENT,SUP,SA,COP,SP,TAM
pipe 12 (CF: 0,35 Atributos: G123) SEM_ANTE,NUM,PRI_SENT,SUP
Os resultados da comparao da marcao automtica e manual so mostrados na Tab.
4.25.
Observamos que, com a classe no correferente os melhores resultados obtidos foram:
preciso de 77% com a aplicao do pipe 11; 96% de abrangncia e 84% de F-measure com a
execuo do pipe 12.
Um comparativo entre o resultado do pipe 12 e do baseline foi realizado. Observamos
que o pipe 12 apresentou ganhos significativos em preciso (de 60% para 74%), em F-
80
measure (de 75% para 84%) e na taxa de acertos (de 59,8% para 78,0%) em relao ao
baseline.
Pipes
Classes
pipe 7 no_correferente 0,73
0,58
0,65
outra
pipe 8 no_correferente
outra
outra
outra
outra
outra
0,52
0,69
0,59
0,73
0,53
0,76
0,55
0,75
0,56
0,77
0,72
0,74
0,592
0,68
0,62
0,71
0,64
0,67
0,83
0,62
0,96
0,655
0,59
0,68
0,62
0,69
0,61
0,80
0,67
0,84
0,89
0,51
0,65
4.2.1 Avaliao das Caractersticas em um novo corpus

Uma avaliao dessas caractersticas foi realizada em um novo corpus, o corpus
Pblico (corpus 2). O corpus 2 difere-se do corpus 1 por estar escrito no portugus europeu,
sendo ambos constitudos por textos jornalsticos.
Em relao aos experimentos, estes foram os mesmos aplicados ao corpus 1. O total de
exemplos dessa nova base de dados (corpus 2) apresentado na Tab. 4.26.
TABELA 4.26 Nmero de exemplos por classe dos Experimentos.
Experimentos
Classes adotadas
Classes
N Exemplos
Experimento 1
nova_discurso
nova_discurso
231
outra
direta
157
indireta
48
associativa
15
outra
32
Experimento 2
no_correferente
246
outra
237
Total de Exemplos
Totais
231
252
246
237
483
Conforme os experimentos apresentados na seo 4.1, sero utilizados os seguintes

baselines para a avaliao dos resultados (Tab 4.27).
81
TABELA 4.27 Resultados dos baselines dos Experimentos.

Baselines
% Acertos
Classes
baseline1
(Experimento 1)
baseline2
(Experimento 2)
47,8%
50,9%
nova_discurso
outra
no_correferente
outra
0,48
0
0,51
0
1,00
0
1,00
0
0,64
0
0,67
0
Para cada experimento foram aplicados trs pipes correspondentes aos melhores
resultados da classificao automtica no corpus 1 com os atributos G1, G12, G123 e
correspondentes variaes do fator de confiana de poda (CF). Com a execuo destes seis
pipes, foi realizada a comparao dos resultados encontrados na marcao automtica e na
manual.
Experimento 1 novas no discurso Pblico (ART):

O resultado comparativo do Experimento 1 mostrado na Tab. 4.28.
Atributos % Acertos
Classes
baseline1 47,8% nova_discurso 0,48
1,00
0,64
outra
0
0
0
pipe 2
0,66
0,67
outra
0,69
0,71
0,70
pipe 4
0,68
0,68
outra
0,71
0,70
0,70
pipe 5
0,81
0,77
outra
0,81
0,74
0,77
Os melhores resultados para a classe nova no discurso de preciso (74%), abrangncia
(81%) e F-measure (77%) foram encontrados com a aplicao do pipe 5. Dessa forma, para
avaliar o desempenho dos atributos do pipe 5 em relao aos demais (pipe 2, pipe 4), foi
aplicado o teste de significncia, que resultou em 99,5%.
Em todos os casos, constatamos um ganho significativo na taxa de acertos em relao
ao baseline1 com uma taxa de significncia de 99,5%. Alm disso, com o pipe 5 obtivemos o
melhor resultado com 74% de preciso e 77% de F-measure.
82
Experimento 2 no correferentes Pblico (ART):

O resultado comparativo do Experimento 2 mostrado na Tab. 4.29.
Tabela 4.29 Resultado comparativo do EXPERIMENTO 2.
Atributos % Acertos
Classes
baseline2 50,9% no_correferente 0,51
1,00
0,67
outra
0
0
0
pipe 8
0,66
0,67
outra
0,66
0,68
0,67
pipe 10
0,71
0,69
outra
0,68
0,64
0,66
pipe 12
75,7%
no_correferente
0,70
0,92
0,79
outra
0,88
0,58
0,70
Para o Experimento 2 (classe: no correferente), obtivemos preciso de 70%,

abrangncia de 92% e F-measure de 79% com a aplicao do pipe 12. O ganho do
desempenho dos atributos do pipe 12 em relao aos demais (pipe 8 e pipe 10) significante.
Nos pipes analisados (Tab. 4.29), observamos melhorias na taxa de acertos em relao
ao baseline2 com uma taxa de significncia de 99,5%. Constatamos tambm que o pipe 12
apresentou o melhor resultado em preciso (70%) e em F-measure (79%), o que representa
um ganho em relao ao baseline2.
4.3 Consideraes finais

Neste captulo foram apresentados os experimentos realizados na ferramenta Weka e
no ambiente ART.
Pode-se observar de uma forma geral que o grupo de atributos G1, que considera
unicamente a estrutura do sintagma, consegue melhores resultados em relao ao baseline
(com aumentos de preciso em torno de 15% no Experimento 1 e de 10% no Experimento 2).
O grupo de atributos G12 teve uma pequena influncia positiva no Experimento 2. O grupo
G123 de uma forma geral supera os outros grupos, sendo que o atributo SEM_ANT substitui
83
os demais. O mesmo conjunto de atributos foi testado para classificaes alternativas (novas
no discurso e no correferente), conforme a classificao, conjuntos diferenciados de atributos
foram utilizados na composio das rvores.
O resultado do aprendizado foi utilizado na implementao de rvores no ambiente
ART. Com um teste realizado, nesse ambiente, com o mesmo corpus do aprendizado,
obtivemos resultados correspondentes aos observados anteriormente. Isso valida a
implementao proposta.
Para verificar o potencial de generalizao das rvores geradas fizemos novos
experimentos com um corpus novo. As rvores demonstraram um bom potencial de
generalizao, sendo que os resultados apresentaram taxas de acerto em torno de 75%
comparveis a taxa de acertos encontrados para o corpus 1.
84
5. Concluses e Trabalhos Futuros

Este trabalho apresentou um estudo de caractersticas das descries definidas que
pode auxiliar na identificao das expresses novas no discurso e das expresses no
correferentes. Este estudo importante, pois o nmero de expresses sem antecedentes
textuais no discurso expressivo. Por exemplo, no corpus da Folha de So Paulo (seo 3.1),
das 1105 descries definidas analisadas, 550 so novas no discurso e 661 so no
correferentes de acordo com a marcao manual (seo 3.3).
Desta forma, um estudo de corpus foi realizado para investigar as caractersticas
significativas das descries definidas da Lngua Portuguesa com base na estrutura do
sintagma, anlise da sentena e do texto. Partimos de estudos realizados em outras lnguas
apresentados na seo 2.5, onde foram analisadas quais caractersticas da Lngua Inglesa so
vlidas para a Lngua Portuguesa. Alm dessas, outras caractersticas foram adicionadas e
organizadas em grupos na seo 3.7.
De posse dos grupos de caractersticas, aplicou-se o algoritmo de rvores de deciso
j48 (seo 3.5) para a investigao da relevncia dessas caractersticas para a classificao das
expresses novas no discurso e no correferentes.
Com a execuo dos experimentos na ferramenta Weka (seo 4.1), foram geradas
rvores de deciso e os atributos que apresentaram os melhores resultados foram analisados.
Como resultados, a combinao de atributos G123 apresentou os melhores ndices de
desempenho no Experimento 1 (preciso de 65%, abrangncia de 88%, F-measure de 75%) e
no Experimento 2 (preciso de 76%, abrangncia de 89%, F-measure de 82%). Nas duas
rvores de deciso correspondentes, so comuns os atributos: PRI_SENT, SEM_ANT, SUP,
NUM. No Experimento 2 (classe: no correferente), alm desses atributos, tambm
85
apresentam os atributos: SA, COP, SP, TAM. A taxa de acertos aumentou de 18% a 20%
nesses experimentos.
As rvores de deciso geradas com a ferramenta Weka foram implementadas e
avaliadas no ambiente ART em um novo corpus, com textos do jornal portugus Pblico.
Como resultados, obtivemos para o pipe 5 (atributos: G123, classe: nova no discurso) um
ndice de 74% de preciso, 81% de abrangncia e 77% de F-measure. Na comparao com o
baseline1 foi constatado um aumento de 29,8% na taxa de acerto (de 47,8% para 77,6%) com
grau de significncia de 99,5%. interessante observar que o pipe 2, com os atributos G1
baseados apenas na estrutura do sintagma, j apresenta melhoras em relao ao baseline1 (de
20,9% na taxa de acertos).
Com o pipe 12 (atributos: G123, classe: no correferente) obtivemos 70% de preciso,
92% de abrangncia e 79% de F-measure. Da comparao com seu baseline2 foi constatado
um aumento de 24,8% na taxa de acerto (de 50,9% para 75,7%) com grau de significncia de
99,5%. Cabe ressaltar que, o pipe 8 com os atributos G1 (baseados apenas na estrutura do
sintagma) j apresenta ganho em relao ao baseline2 (de 16,1% na taxa de acertos).
Os trabalhos relacionados (seo 2.6) reportam resultados da classificao de
expresses referenciais com base em outros corpora e lnguas, o que torna a comparao
difcil. No entanto, apresentamos aqui alguns desses resultados para dar uma idia dos nveis
alcanados para essa tarefa em outros estudos (Tab 5.1). Cabe ressaltar que, neste trabalho
diferentemente dos demais, foi realizada uma anlise detalhada dos atributos utilizados na
classificao, contribuindo para o entendimento do problema que est sendo analisado e que a
distino entre novas no discurso e no correferentes foi abordada.
Como trabalhos futuros, pretendemos realizar uma anlise detalhada dos erros
ocorridos na classificao das descries definidas e dar continuidade a anlise de atributos
relevantes para a classificao em questo. Outro objetivo realizar uma investigao das
86
demais classificaes das descries definidas (anafrica direta, indireta, associativa). Na

anlise das descries definidas anafricas associativas analisaremos as marcaes semnticas
fornecidas pelo analisador sinttico PALAVRAS. Pretende-se, tambm associar este trabalho
a um estudo de correferncia pronominal, o qual j foi iniciado com primeiros resultados em
AIRES et al. (2004).
Alm disso, pretendemos aplicar uma extenso deste estudo das descries definidas,
no sistema de perguntas e respostas sobre textos jurdicos da Procuradoria Geral da Repblica
de Portugal em desenvolvimento junto ao Departamento de Informtica da Universidade de
vora.
TABELA 5.1 Resultados dos trabalhos relacionados.
Trabalhos Relacionados
Fmeasure
Abordagem
AONE, BENNET (1995)
MCCARTHY, LEHNERT
(1995)
BEAN, RILOFF (1999)
CARDIE, WAGSTAFF (1999)
VIEIRA, POESIO (2000)
SOON; NG; LIM (2001)
NG, CARDIE (2002a)
0,77
0,86
resoluo de anforas definidas e pronominais

resoluo de correferncia de sintagmas nominais
0,82
0,53
0,70
0,62
0,66
classificao de descries definidas no anafricos

classificao de descries definidas novas no discurso
classificao de sintagmas nominais anafricos e no
anafricos
resoluo de pronomes e descries definidas
MULLER; RAPP; STRUBE

(2002)
0,80
STRUBE; RAPP; MULLER
0,68
(2003)
URYUPINA (2003)
POESIO et al (2005)
COLLOVINI (2005) no Weka
com o corpus 1
COLLOVINI (2005) no weka
com o corpus 1
COLLOVINI (2005) no ART
com o corpus 1
com o corpus 1
com o corpus 2
com o corpus 2
0,83
0,82
0,75
resoluo de correferncia de pronomes e descries

definidas
classificao de entidades novas no discurso e nicas
0,82
classificao de descries definidas no correferentes
0,74
0,84
0,77
0,79
87
Referncias
AIRES, Ana Margarida et al. Avaliao de Centering em Resoluo Pronominal da
Lngua Portuguesa. In: Workshoop Herramientas y Recursos Lingusticos para el Espaol y
el Portugus (IBERAMIA). Tonantzintla, Mxico, 22 - 26 de novembro de 2004.
AMADO, Nuno Manuel Reis. Algoritmos Paralelos de Induo de rvores de Deciso.
Dissertao (Mestrado em Engenharia) - Faculdade de Engenharia, Universidade de Porto,
Porto, 2001.
AONE, Chinatsu; BENNETT, Scott W. Evaluating automated and manual acquisition of
anaphora resolution strategies. In: Proceedings of the 33rd Annual Meeting of the
Association for Computational Linguistics. Cambridge, Massachusetts, 2630 June 1995, p.
122 129.
BEAN, David L.; RILOFF, Ellen. Corpus-based Identification of Non-Anaphoric Noun
Phrases. In: Proceedings of the 37th Annual Meeting of the Association for Computational
Linguistics (ACL 1999). University of Maryland, College Park, Maryland, USA, 20-26 June
1999, p. 373380.
BICK, Eckhard. The Parsing System PALAVRAS: Automatic Grammatical Analysis of
Portuguese in a Constraint Grammar Framework. Tese (Doutorado) - Arhus University,
Arhus, 2000.
BONINI, Adair. Gneros textuais e cognio: um estudo sobre a organizao cognitiva da
identidade dos textos. Florianpolis: Insular, 2002, 239 p.
BREIMAN, Leo et al. Classification and Regression Trees. Wadsworth and Brooks,
Monterey, Ca, 1984.
CARDIE, Claire; WAGSTAFF, Kiri. Noun phrase coreference as clustering. In:
Proceedings of the Conference on Empirical Methods in Natural Language Processing and
Very Large Corpora (SIGDAT 1999). College Park, Md., 2122 June 1999, p. 8289.
COHEN, William W. Fast Effective Rule Induction. In: Proceedings of the 12TH
International Conference on Machine Learning. Lake Tahoe, California, 1995, p. 115-123.
88
COLLOVINI, Sandra; GOULART, Rodrigo; VIEIRA, Renata. Identificao de Expresses

Anafricas e No Anafricas com Base na Estrutura do Sintagma. In: 2. Workshop em
Tecnologia da Informao e da Linguagem Humana (TIL 2004). Salvador, Bahia, 05 e 06 de
agosto de 2004.
FVERO, Leonor Lopes. Coeso e Coerncia Textuais. 4. ed. So Paulo: tica, 1997. 104
p.
FVERO, Leonor Lopes; KOCH, Ingedore Grunfeld Villaa. Lingstica textual:
introduo. 5. ed. So Paulo: Cortez, 1994, 105 p.
GAMMA, Erich. Design Patterns: Elements of Reusable Object-Oriented Software.
Reading: Addison-Wesley, 1995, 395 p.
GASPERIN, Caroline et al. Extrating XML Syntactic Chunks from Portuguese Corpora.
In: Traitement Automatique Ds Langues Minoritaires(TALN 2003). Btaz-sur-mer, France,
2003.
GASPERIN, Caroline; GOULART, Rodrigo; VIEIRA, Renata. Uma Ferramenta para
Resoluo Automtica de Correferncia. In: Anais do Encontro Nacional de Inteligncia
Artificial (ENIA 2003). Campinas, SP, 2003.
GOULART, Rodrigo; GASPERIN, Carolina; VIEIRA, Renata. Uma Ferramenta para
Resoluo Automtica de Correferncia. Scientia, v. 14, n. 2, So Leopoldo, 2004, p. 238256.
HAUSSER, Roland. Foundations of computational linguistics:
communication in natural language. Erlangen: Springer, 1999, 534 p.
man-machine
JURAFSKY, Daniel; MARTIN, James H. Speech and language processing: an introduction

to natural language processing, computational linguistics and speech recognition. Upper
Saddle River: Prentice-Hall, 2000, 934 p.
KOCH, Ingedore Grunfeld Villaa. Desvendando os segredos do texto. 2. ed. So Paulo:
Cortez, 2003. 168 p.
KOCH, Ingedore Grunfeld Villaa. Argumentao e linguagem. 6. ed. So Paulo: Cortez,
2000, 240 p.
89
KOCH, Ingedore Grunfeld Villaa; TRAVAGLIA, Luiz Carlos. A coerncia textual. So

Paulo: Contexto, 2002, 94 p.
KOCH, Ingedore Grunfeld Villaa; TRAVAGLIA, Luiz Carlos. A coerncia textual. 7. ed.
So Paulo: Contexto, 1996, 94 p.
KORFHAGE, Robert R. Information Retrieval and Storage. New York: John Wiley &
Sons, 1997, 349 p.
KOWALSKI, Gerald. Information Retrieval Systems: Theory and Implementation.
Boston: Kluwer Academic Publishers, 1997, 282 p.
MACAMBIRA, Jos Rebouas. A estrutura morfo-sinttica do portugus: aplicao do
estruturalismo lingstico. 6. ed. So Paulo: Pioneira, 1990, 363 p.
MCCARTHY, Joseph F.; LEHNERT, Wendy G. Using decision trees for coreference
resolution. In: Proceedings of the 14th International Joint Conference on Artificial
Intelligence. Montreal, Canada, 1995, p. 10501055.
MITCHELL, Tom Michael. Machine learning. Boston: McGraw-Hill, 1997, 414 p.
MONARD, Maria Carolina; BARANAUSKAS, Jos Augusto. Induo de rvores de
Deciso, Captulo 5, Solange Oliveira Rezende. In: Sistemas Inteligentes: Fundamentos e
Aplicaes. Baueri, SP, Manole, 2003, p. 115-139.
MUC-6. Coreference task definition. In: Proceedings of the Sixth Message Understanding
Conference (MUC-6), v. 2.3. San Francisco, CA, 8 Sep 1995, p. 335-344.
MUC-7. Coreference task definition. In: Proceedings of the Seventh Message
Understanding Conference (MUC-7), v. 3.0. San Francisco, CA, 13 Jul 1997.
MULLER, Christoph; STRUBE ,Michael. MMAX: A tool for the annotation of multi-modal
corpora. In: Proceedings of the IJCAI 2001. Seattle, 2000, p. 4550.
MULLER, Christoph; RAPP, Stefan; STRUBE, Michael. Applying Co-training to
reference resolution. In: Proceedings of the 40th Annual Meeting of the Association for
Computational Linguistics (ACL 2002). Philadelphia, Penn., 712 July 2002, p. 352-359.
90
NG, Vincent; CARDIE, Claire. Identifying Anaphoric and Non-Anaphoric Noun Phrases
to Improve Coreference Resolution. In: Proceedings of the Nineteenth International
Conference on Computational Linguistics (COLING 2002). Taipei, Taiwan, 2002, p. 730
736.
NG, Vincent; CARDIE, Claire. Improving machine learning approaches to coreference
resolution. In: Proceedings of the 40th Annual Meeting of the Association for Computational
Linguistics. Philadelphia, PA, 2002.
POESIO, Mximo et al. Does Discourse-new Detection Help Definite Description
Resolution? In: Sixth International Workshop on Computational Semantics (IWCS 6).
Tiburg, 2005.
PRINCE, Ellen F. Toward Taxonomy of given-new information. In: P. Cole, editor,
Radical Gramatics. Academic Press, New York, 1981, p. 223-256.
QUINLAN, John Ross. Induction of Decision Trees. Machine Learning, v. 1, n. 1, 1986, p.
81 106.
QUINLAN, John Ross. C4.5: programs for machine learning. San Mateo: Morgan Kaufmann,
1993. 302 p.
SANTOS, Diana. O projecto Processamento Computacional do Portugus: Balano e
Perspectivas. In: V Encontro para o Processamento da Lngua Portuguesa Escrita e Falada
(PROPOR). Atibaia, So Paulo, Brasil, 2000, p. 105-113.
SANTOS, Diana. Introduo ao Processamento da Linguagem Natural atravs das
Aplicaes. In: Ranchhod. Tratamento das Lnguas pro Computador Uma introduo
Lingstica Computacional e suas Aplicaes. Lisboa, Caminho, 2001, p. 229-259.
SOON, Wee Meng; NG, Hwee Tou; LIM, Daniel Chung Yong. A machine learning
approach to coreference resolution of noun phrases. In: Computational Linguistics, v. 27,
n. 4, 2001, p. 521544.
STRUBE, Michael; RAPP, Stefan; MULLER, Christoph. The influence of minimum edit
distance on reference resolution. In: Proceedings of the 2002 Conference on Empirical
Methods in Natural Language Processing. Philadelphia, Pa., 67 July 2002, p. 312-319.
91
SALMON-ALT, Susanne; VIEIRA, Renata. Nominal Expressions in Multilingual

Corpora: Definites and Demonstratives. In: Preceedings of teh LREC. Ls Palmas de Gran
Canria, 2002.
URYUPINA, Olga. High-precision Identification of Discourse New and Unique Noun
Phrases. In: Proceedings of the ACL Student Workshop. Sapporo, 2003.
VIEIRA, Renata et al. From concrete to virtual annotation mark-up language: the case of
COMMOn-REFs. In: Proceedings of the ACL 2003 - Workshop on Linguistic Annotation:
Getting the Model Right. Sapporo, 2003.
VIEIRA, Renata; GASPERIN, Caroline; GOULART, Rodrigo. From manual to automatic
annotation of coreference. In: Proceedings of the International Symposium on Reference
Resolution and Its Applications to Question Answering and Summarization. Venice, 2003.
VIEIRA, Renata; SALMON-ALT, Susanne; SCHANG, Emmanuel. Multilingual corpora
annotation for processing definite descriptions. In: Proceedings of the PorTAL. Faro,
Portugal, 2002, p. 249-258.
VIEIRA, Renata et al. Coreference and anaphoric relations of demonstrative noun
phrases in multilingual corpus. In: Proceedings of the 4th Discourse Anaphora and Anaphor
Resolution Colloquium. Lisboa, 2002. Edies Colibri, v.1, p. 233 238.
VIEIRA, Renata; POESIO, Massimo. An empirically-based system for processing definite
descriptions. In: Computational Linguistics, v. 26, n. 4, 2000, p. 539594.
VIEIRA, Renata. Definite description processing in unrestricted text. Tese (Doutorado) University of Edinburgh, Edinburgh, 1998.
VILELA, Mrio Augusto do Quinteiro; KOCH, Ingedore Grunfeld Villaa. Gramtica da
Lngua Portuguesa: gramtica da palavra, gramtica da frase, gramtica do texto/discurso.
Coimbra: Almedina, 2001, 565 p.
WITTEN, Ian H.; FRANK, Eibe. Data mining: practical machine learning tools and
techniques with java implementations. San Francisco: Morgan Kaufmann, 2000, 369 p.
ZUMTHOR, Paul. Performance, recepo, leitura. So Paulo: Educ, 2000, 137 p.
92
APNDICE A Folhas de Estilo XSL

A seguir apresentada a folha de estilos em XSL para a extrao das descries
definidas de cada texto do corpus.
<?xml version="1.0" encoding="ISO-8859-1"?>

<xsl:stylesheet version="1.0"
xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="xml" encoding="ISO-8859-1" doctypesystem="anaphor.dtd"/>
<xsl:param name="fwords" select="../data/default_words.xml"/>
<xsl:param name="fpos" select="../data/default_pos.xml"/>
<xsl:param name="fchunks" select="../data/default_chunks.xml" />
<xsl:param name='debug' select="true" />
<xsl:variable name='words' select="document($fwords)"/>
<xsl:variable name='pos' select="document($fpos)"/>
<xsl:variable name='chunks' select="document($fchunks)"/>
<xsl:include
href="http://www.inf.unisinos.br/~renata/tools/write_words.xsl"/>
<xsl:template match="/text">
<xsl:element name="anaphor-set">
<xsl:apply-templates select="paragraph"/>
</xsl:element>
</xsl:template>
<xsl:template match="paragraph">
<xsl:apply-templates select="sentence"/>
</xsl:template>
<xsl:template match="sentence">
<xsl:apply-templates select="chunk"/>
</xsl:template>
<xsl:template match="chunk">
<xsl:if test="@form='np'">
<xsl:variable name="first_word" select="substringbefore(@span,'..')"/>
<xsl:if
test="$pos//word[@id=$first_word]/art/secondary_art/@tag = 'artd'">
<xsl:element name="anaphor">
<xsl:attribute name="span">
<xsl:value-of select="@span"/>
</xsl:attribute>
<xsl:attribute name="pointer">
<xsl:value-of select="''"/>
</xsl:attribute>
<xsl:if test="$debug='true'">
<xsl:call-template name="write_words">
<xsl:with-param name="span">
93
</xsl:with-param>
</xsl:call-template>
</xsl:if>
</xsl:element>
<xsl:value-of select="'
'"/>
</xsl:if>
</xsl:if>
<xsl:apply-templates select="chunk"/>
</xsl:template>
</xsl:stylesheet>
94
A seguir apresentada a folha de estilos em XSL para a identificao automtica das

caractersticas 1,5,6 nas descries definidas de cada texto do corpus.

<xsl:output method="xml" encoding="ISO-8859-1"/>
<xsl:include href="write_words.xsl"/>
<xsl:param name="fchunks" select="../data/default_chunks.xml"/>
<xsl:param name="fcandidates" select="../data/candidates.xml"/>
<xsl:param name="debug" select="'true'"/>
<xsl:param name="ap" select="'true'"/>
<xsl:param name="pp" select="'true'"/>
<xsl:param name="prop_comp" select="'true'"/>
<xsl:variable name="words" select="document($fwords)"/>
<xsl:variable name="pos" select="document($fpos)"/>
<xsl:variable name="chunks" select="document($fchunks)"/>
<xsl:variable name="candidates" select="document($fcandidates)"/>
<xsl:template match="/anaphor-set">
<xsl:element name="anaphor-set"><xsl:value-of
select="'
'"/>
<xsl:apply-templates select="anaphor"/>
</xsl:element>
</xsl:template>
<xsl:template match="anaphor">
<xsl:element name="anaphor">
<xsl:variable name="v_anaphor_span" select="@span"/>
<xsl:variable name="v_pp"
select="$chunks//chunk[@span=$v_anaphor_span]/chunk[@form='pp']/@span"/>
<xsl:variable name="v_ap"
select="$chunks//chunk[@span=$v_anaphor_span]/chunk[@form='ap']/@span"/>
<xsl:variable name="v_prop_comp"
select="$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h' and
@form='prop']/@span"/>
<xsl:attribute name="span">
</xsl:attribute>
<xsl:attribute name="pointer">
<xsl:value-of select="@pointer"/>
</xsl:attribute>
<xsl:attribute name="classification">

<xsl:if test="$v_pp != ''">
<xsl:value-of select="'nova_discurso'"/>
</xsl:if>
<xsl:if
test="contains($words//word[@id=$v_prop_comp],'_')">
95
</xsl:if>
<xsl:if test="$v_ap != ''">
</xsl:if>
</xsl:attribute>
<xsl:if test="$debug='true'">
<xsl:call-template name="write_words">
<xsl:with-param name="span">
</xsl:with-param>
</xsl:call-template>
</xsl:if>
</xsl:element><xsl:text>
</xsl:text>
</xsl:template>
</xsl:stylesheet>
96
A seguir apresentada a folha de estilos em XSL para gerar o script de entrada para a
Ferramenta Weka, considerando as classes: nova no discurso e outra.

<xsl:output method="text" encoding="ISO-8859-1" doctypesystem="anaphor.dtd"/>
<xsl:include href="write_words.xsl"/>
<xsl:param name="fchunks" select="../data/default_chunks.xml"/>
<xsl:param name="fcandidates" select="../data/candidates.xml"/>
<xsl:param name="fspecial_words" select="special_words.xml"/>
<xsl:param name="debug" select="'true'"/>
<xsl:variable name="v-found" select="false"/>
<xsl:variable name="words" select="document($fwords)"/>
<xsl:variable name="pos" select="document($fpos)"/>
<xsl:variable name="chunks" select="document($fchunks)"/>
<xsl:variable name="candidates" select="document($fcandidates)"/>
<xsl:variable name="special_words" select="document($fspecial_words)"/>
<xsl:template match="/markables">@relation script

@attribute S_ANT {TRUE,FALSE}
@attribute PRE_ADJ {TRUE,FALSE}
@attribute PRE_NUM {TRUE,FALSE}
@attribute NUM {TRUE,FALSE}
@attribute REL {TRUE,FALSE}
@attribute NP_COM {TRUE,FALSE}
@attribute COP {TRUE,FALSE}
@attribute SP {TRUE,FALSE}
@attribute SA {TRUE,FALSE}
@attribute APO {TRUE,FALSE}
@attribute APO_NP {TRUE,FALSE}
@attribute SUP {TRUE,FALSE}
@attribute SUP_A {TRUE,FALSE}
@attribute PRI_SENT {TRUE,FALSE}
@attribute TAM {TRUE,FALSE}
@attribute DET {TRUE,FALSE}
@attribute category {nova_discurso,outra}
@data
<xsl:apply-templates select="markable[@form='defnp' and @span =
$chunks//chunk/@span]"/>
</xsl:template>
<xsl:template match="markable">
<xsl:variable name="v_anaphor_span" select="@span"/>


<xsl:variable name="v-chunk-span"
select="$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h']/@span"/>

<xsl:variable name="v-anaphor-word-pos" select="substringafter($v-chunk-span,'_')"/>
97
<xsl:variable name="v-anaphor-word"
select="$words//word[@id=$v-chunk-span]"/>

<xsl:variable name="v-anaphor-antecedent">
<xsl:for-each select="$words//word[substringafter(@id,'_') < substring-after($v-chunk-span,'_')]">
<xsl:if test=". = $v-anaphor-word">
<xsl:value-of select="$words//word[@id =
$v-chunk-span]"/> ,
</xsl:if>
</xsl:for-each>
</xsl:variable>

<xsl:choose>
<xsl:when test="$v-anaphor-antecedent =
''">TRUE,</xsl:when>
<xsl:otherwise>FALSE,</xsl:otherwise>
</xsl:choose>

<xsl:variable name="v_pre-adj1" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h']/precedingsibling::chunk/@span]/adj/@canon"/>

<xsl:variable name="v_pre-adj2" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h']/precedingsibling::chunk/@span]/v/pcp/@number"/>
<xsl:choose>
<xsl:when test="$v_pre-adj1!='' or $v_pre-adj2!=''">TRUE,</xsl:when>
</xsl:choose>

<xsl:variable name="v_pre-num" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h']/precedingsibling::chunk/@span]/num/@canon"/>
<xsl:choose>
<xsl:when test="$v_pre-num != ''">TRUE,</xsl:when>
</xsl:choose>

<xsl:variable name="v_pos-num" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h']/followingsibling::chunk/@span]/num/@canon"/>
<xsl:choose>
<xsl:when test="$v_pos-num != ''">TRUE,</xsl:when>
</xsl:choose>

98
<xsl:variable name="v_np"
select="$chunks//chunk[@span=$v_anaphor_span]"/>

<xsl:variable name="v_prop_comp1" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h' and
@form='prop']/following-sibling::chunk/@span]/prop/@canon"/>

<xsl:variable name="v_prop_comp"
select="$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h' and
@form='prop']/@span"/>
<xsl:choose>
<xsl:when test="contains($words//word[@id=$v_prop_comp],'_') or
$v_prop_comp1 != ''">TRUE,</xsl:when>
</xsl:choose>


<xsl:variable name="v_cop" select="$chunks//chunk[@span=$v_anaphor_span
and @ext='subj']/@span"/>
<xsl:variable name="v_copula" select="substring-after(substringafter($v_cop,'..'),'_')"/>
<xsl:variable name="v_t" select="concat('word','_',$v_copula+1)"/>
<xsl:variable name="v_teste" select="$pos//word[@id=$v_t]/v/@canon"/>

<xsl:variable name="v_copular"
select="$chunks//chunk[@span=$v_anaphor_span and @ext = 'sc']/@span"/>
<xsl:choose>
<xsl:when test="$v_teste='ser' or $v_teste='estar' or $v_copular!=
</xsl:choose>

<xsl:variable name="v_pp"
select="$chunks//chunk[@span=$v_anaphor_span]/chunk[@form='pp']/@span"/>
99

<xsl:choose>
<xsl:when test="$v_pp != ''">TRUE,</xsl:when>
</xsl:choose>

<xsl:variable name="v_Sadj"
select="$chunks//chunk[@span=$v_anaphor_span]/chunk[@form='ap']/@span"/>

<xsl:variable name="v_pos-adj_1" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h']/followingsibling::chunk/@span]/adj/@canon"/>

<xsl:variable name="v_pos-adj_2" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h']/followingsibling::chunk/@span]/v/pcp/@number"/>
<xsl:choose>
<xsl:when test="$v_Sadj != '' or $v_pos-adj_1 != '' or $v_pos-adj_2 !=
</xsl:choose>

<xsl:variable name="v_app"
select="$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='app']/@span"/>
<xsl:choose>
<xsl:when test="$v_app != ''">TRUE,</xsl:when>
</xsl:choose>

<xsl:variable name="v_app-prop" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h']/followingsibling::chunk/@span]/prop/@canon"/>
<xsl:choose>
<xsl:when test="$v_app-prop != ''">TRUE,</xsl:when>
</xsl:choose>

<xsl:variable name="v_super" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span]/chunk[@ext='h']/precedingsibling::chunk/@span]/adj/secondary_adj/@tag"/>
<xsl:choose>
<xsl:when test="$v_super != ''">TRUE,</xsl:when>
</xsl:choose>

<xsl:variable name="v_adj" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span and @ext='sc']/chunk[@ext='h' and
@form='adj']/@span]/adj/secondary_adj/@tag"/>
100
<xsl:variable name="v_tamanho_abs" select="substring-after(substringafter($v_anaphor_span,'..'),'_') - substring-after(substringbefore($v_anaphor_span,'..'),'_') "/>

<xsl:choose>
<xsl:when test="$v_adj != '' and $v_tamanho_abs = 1">TRUE,</xsl:when>
</xsl:choose>

<xsl:variable name="v_pri-sent"
select="$chunks/text[1]/paragraph[1]/sentence[1]/descendant::chunk[@span =
$v_anaphor_span]/@span"/>
<xsl:choose>
<xsl:when test="$v_pri-sent != ''">TRUE,</xsl:when>
</xsl:choose>

<xsl:variable name="v_tamanho" select="substringafter(substring-after($v_anaphor_span,'..'),'_') - substringafter(substring-before($v_anaphor_span,'..'),'_') "/>
<xsl:choose>
<xsl:when test="$v_tamanho >= 4">TRUE,</xsl:when>
</xsl:choose>

<xsl:variable name="v_pron" select="$pos//word[@id =
$chunks//chunk[@span=$v_anaphor_span]/chunk[@form='pron_det']/@span]/pron/s
econdary_pron/@tag"/>
<xsl:choose>
<xsl:when test="$v_pron = 'poss' or $v_pron = 'dem' or $v_pron =
'quant'">TRUE,</xsl:when>
</xsl:choose>

<xsl:choose>
<xsl:when
test="@classification='discourse_new'">nova_discurso</xsl:when>
<xsl:otherwise>outra</xsl:otherwise>
</xsl:choose>
<xsl:text>
</xsl:text>
</xsl:template>
</xsl:stylesheet>
101
APNDICE B rvores de Deciso

EXPERIMENTO 1
rvore de Deciso do Experimento 1 com atributos G1 e CF 0,10
TAM = TRUE: nova_discurso (271.0/87.0)
TAM = FALSE
| SA = FALSE
| | NP_COM = FALSE
| | | PRE_ADJ = FALSE: outra (656.0/249.0)
rvore de Deciso do Experimento 1 atributos G1 e CF 0,35

TAM = TRUE
| APO_NP = TRUE: outra (3.0/1.0)
| APO_NP = FALSE: nova_discurso (268.0/85.0)
TAM = FALSE
| SA = FALSE
| | NP_COM = FALSE
| | | | PRE_NUM = TRUE: nova_discurso (12.0/5.0)
| | | | PRE_NUM = FALSE
rvore de Deciso do EXPERIMENTO 1 atributos G12 e CF 0,10

PRI_SENT = TRUE: nova_discurso (35.0)
PRI_SENT = FALSE
| TAM = TRUE: nova_discurso (261.0/87.0)
| TAM = FALSE
| | SA = TRUE: nova_discurso (91.0/32.0)
| | SA = FALSE
| | | | NP_COM = TRUE: nova_discurso (56.0/23.0)
| | | | NP_COM = FALSE: outra (638.0/231.0)
102
rvore de Deciso do EXPERIMENTO 1 com atributos G12 e CF 0,35

PRI_SENT = FALSE
| TAM = TRUE
| | APO_NP = TRUE: outra (3.0/1.0)
| | APO_NP = FALSE: nova_discurso (258.0/85.0)
| TAM = FALSE
| | SA = TRUE: nova_discurso (91.0/32.0)
| | SA = FALSE
| | | | NP_COM = TRUE: nova_discurso (56.0/23.0)
| | | | NP_COM = FALSE

PRI_SENT = FALSE
| SEM_ANT = TRUE: nova_discurso (705.0/260.0)
| SEM_ANT = FALSE
| | SUP = TRUE: nova_discurso (6.0/1.0)
| | SUP = FALSE
| | | NUM = TRUE: nova_discurso (4.0/1.0)
| | | NUM = FALSE: outra (355.0/62.0)

PRI_SENT = FALSE
| SEM_ANT = TRUE: nova_discurso (705.0/260.0)
| SEM_ANT = FALSE
| | SUP = TRUE: nova_discurso (6.0/1.0)
| | SUP = FALSE
| | | NUM = TRUE: nova_discurso (4.0/1.0)
| | | NUM = FALSE
| | | | SA = TRUE
| | | | | COP = TRUE
| | | | | | SP = TRUE: outra (3.0/1.0)
| | | | | | SP = FALSE: nova_discurso (4.0/1.0)
| | | | | COP = FALSE
| | | | | | TAM = TRUE: nova_discurso (4.0/1.0)
| | | | | | TAM = FALSE: outra (24.0/9.0)
| | | | SA = FALSE: outra (320.0/46.0)
103
EXPERIMENTO 2
TAM = TRUE: nao_correferente (271.0/70.0)
TAM = FALSE
| NUM = TRUE: nao_correferente (6.0/1.0)
| NUM = FALSE
| | APO_NP = TRUE: nao_correferente (33.0/8.0)
| | APO_NP = FALSE
| | | SA = TRUE: nao_correferente (92.0/29.0)
| | | SA = FALSE
| | | | NP_COM = TRUE: nao_correferente (55.0/19.0)
| | | | | PRE_ADJ = TRUE: nao_correferente (21.0/4.0)
| | | | | PRE_ADJ = FALSE
| | | | | | SP = TRUE: nao_correferente (46.0/18.0)
| | | | | | SP = FALSE: outra (581.0/269.0)

TAM = TRUE: nao_correferente (271.0/70.0)
TAM = FALSE
| NUM = TRUE: nao_correferente (6.0/1.0)
| NUM = FALSE
| | APO_NP = FALSE
| | | SA = TRUE: nao_correferente (92.0/29.0)
| | | SA = FALSE
| | | | NP_COM = TRUE: nao_correferente (55.0/19.0)
| | | | | PRE_ADJ = TRUE: nao_correferente (21.0/4.0)
| | | | | PRE_ADJ = FALSE
| | | | | | SP = TRUE: nao_correferente (46.0/18.0)
| | | | | | SP = FALSE
| | | | | | | PRE_NUM = TRUE: nao_correferente (12.0/5.0)
| | | | | | | PRE_NUM = FALSE: outra (569.0/262.0)
104

PRI_SENT = TRUE: nao_correferente (39.0)
PRI_SENT = FALSE
| TAM = TRUE: nao_correferente (261.0/70.0)
| TAM = FALSE
| | APO_NP = FALSE
| | | NUM = TRUE: nao_correferente (5.0/1.0)
| | | NUM = FALSE
| | | | SA = TRUE: nao_correferente (89.0/29.0)
| | | | SA = FALSE
| | | | | NP_COM = TRUE: nao_correferente (52.0/19.0)
| | | | | NP_COM = FALSE
| | | | | | PRE_ADJ = TRUE: nao_correferente (21.0/4.0)
| | | | | | PRE_ADJ = FALSE
| | | | | | | SP = TRUE: nao_correferente (46.0/18.0)
| | | | | | | SP = FALSE: outra (560.0/248.0)
PRI_SENT = TRUE: nao_correferente (39.0)
PRI_SENT = FALSE
| TAM = TRUE: nao_correferente (261.0/70.0)
| TAM = FALSE
| | APO_NP = FALSE
| | | NUM = TRUE: nao_correferente (5.0/1.0)
| | | NUM = FALSE
| | | | SA = TRUE: nao_correferente (89.0/29.0)
| | | | SA = FALSE
| | | | | NP_COM = TRUE: nao_correferente (52.0/19.0)
| | | | | NP_COM = FALSE
| | | | | | PRE_ADJ = TRUE: nao_correferente (21.0/4.0)
| | | | | | PRE_ADJ = FALSE
| | | | | | | SP = TRUE: nao_correferente (46.0/18.0)
| | | | | | | SP = FALSE
| | | | | | | | COP = TRUE: nao_correferente (36.0/17.0)
| | | | | | | | COP = FALSE: outra (524.0/229.0)
105

SEM_ANT = TRUE: nao_correferente (737.0/174.0)
SEM_ANT = FALSE
|
|
|
|
|
|
NUM = TRUE: nao_correferente (5.0)

NUM = FALSE
| PRI_SENT = TRUE: nao_correferente (3.0)
| PRI_SENT = FALSE
| | SUP = TRUE: nao_correferente (6.0/1.0)
| | SUP = FALSE: outra (354.0/68.0)

SEM_ANT = TRUE: nao_correferente (737.0/174.0)
SEM_ANT = FALSE
|
|
|
|
|
|
|
|
|
|
|
|
|
|
NUM = TRUE: nao_correferente (5.0)

NUM = FALSE
| PRI_SENT = TRUE: nao_correferente (3.0)
| PRI_SENT = FALSE
| | SUP = TRUE: nao_correferente (6.0/1.0)
| | SUP = FALSE
| | | SA = TRUE
| | | | COP = TRUE
| | | | | SP = TRUE: outra (3.0/1.0)
| | | | | SP = FALSE: nao_correferente (4.0/1.0)
| | | | COP = FALSE
| | | | | TAM = TRUE: nao_correferente (4.0/1.0)
| | | | | TAM = FALSE: outra (24.0/9.0)
| | | SA = FALSE: outra (319.0/52.0)

An Alise de Express Oes Re Ferenc I A Is

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

An Alise de Express Oes Re Ferenc I A Is

Uploaded by

Copyright:

Available Formats

Anlise de Expresses Referenciais

em Corpus Anotado da Lngua Portuguesa

UNIVERSIDADE DO VALE DO RIO DOS SINOS

Sandra Collovini de Abreu

Anlise de Expresses Referenciais em Corpus Anotado da

Dissertao de Mestrado submetida a avaliao como

Dedico este trabalho em memria minha me que

CAPES pelo auxlio financeiro durante o transcorrer do Mestrado e pelo

The automatically generated trees were evaluated in a new corpus, composed of

Anaphor Resolution Tool

Multi-Modal Annotation in XML

Ncleo Interinstitucional de Lingstica

Processamento de Linguagem Natural

Sistema de Categorizao de Textos

Waikato Environment for Knowledge Analysis

eXtensible Markup Language

eXtensible Stylesheet Language

Materiais e Mtodos ................................................................................................... 37

Expresses Referenciais: Sintagmas Nominais e Descries Definidas ................. 18

Concluses e Trabalhos Futuros................................................................................ 84

Estudos anteriores (VIEIRA; GASPERIN; GOULART, 2003) mostram que as

1.1.2 Objetivos Especficos

corpus anotado com relaes de correferncia;

Levantamento de caractersticas para a classificao das descries definidas como

expresses novas no discurso (no possuem um antecedente textual) ou outra (possuem um

Construo da base de dados para o aprendizado automtico, com base nas

caractersticas identificadas que serviro de atributos para as rvores de deciso;

Gerao e anlise de rvores de deciso para a investigao dos atributos

Implementao das rvores de deciso no ambiente ART (GOULART;

GASPERIN; VIEIRA, 2004);

Avaliao final das rvores de deciso implementadas no ambiente ART com um

1.2 Organizao do Texto

2.1 Expresses Referenciais: Sintagmas Nominais e Descries Definidas

ou sucedem o ncleo. Por exemplo, em as acusaes, observa-se um sintagma nominal

2.2 Correferncia e Anfora

O Eurocenter oferece cursos de Japons na bela cidade de Kanazawa. Os cursos tm

caractersticas; as possveis classificaes das descries definidas sero apresentadas a

2.3 Classificao das descries definidas

Cabe ressaltar que as expresses anafricas diretas e indiretas so expresses

Estudo das caractersticas das descries definidas

sinttica; aspectos lexicais; semnticos; posicionais; de contexto; entre outras caractersticas

2.4.1 Partes fundamentais das descries definidas

Artigo definido: palavra que acompanha o substantivo, determinando-o de forma

Nome (substantivo): palavra que designa os seres/objetos reais ou imaginrios. O

2.4.2 Os complementos das descries definidas

Aposto: um ou mais termos que se referem a um substantivo ou pronome

O bicheiro, Castor de Andrade,.

Sintagma preposicional: sintagma que possui como ncleo uma preposio,

especifica e caracteriza seres/objetos atribuindo-lhes estados ou qualidades).

Clusula relativa: so oraes que funcionam como sintagmas adjetivais e

apresentam-se encaixadas na posio de modificador do nome. Por exemplo:

Tabela 2.1 Configuraes das descries definidas.

As antigas casas medievais.

O meu amigo de infncia.

A nossa proposta ambiental.

As nossas grandes faanhas administrativas.

A antiga cidade de Kanazawa.

Os momentos mais difceis de minha carreira.

O comunicado que deve ser assinado pelos jornalistas.

As grandes deficincias da gesto financeira que recentemente provocou

O texto do comunicado que deve ser assinado hoje.

O ex-deputado, Agnaldo Timteo,

O diretor do Departamento de Polcia do Interior, delegado Mrio Covas,