Descubriendo las reglas para construir nuevas palabras Morfología Luis Villaseñor Pineda Laboratorio de Tecnologías del Lenguaje Coordinación de Ciencias Computacionales, Instituto Nacional de Astrofísica, Óptica y Electrónica

Morfología Entrada: Salida: Estudia: Secuencia de fonemas (letras) Secuencia de pares (lema, tag(s)) Estudia: Composición de fonemas/grafemas en formas léxicas (palabras) a partir de sus raíces (lema) + categorías morfológicas (inflexión, derivación, composición). Laboratorio de Tecnologías del Lenguaje

Contenido ¿Cómo construimos nuevas palabras? ¿Qué es una palabra? Funciones de la Morfología Inflexión Derivación y Composición Algunos enfoques para su resolución Laboratorio de Tecnologías del Lenguaje

¿Para qué la morfología? Usos corrientes Corrigiendo la ortografía *presición => inherente a la palabra Yo caminabas => concordancia número y género termino / término => contexto / categoría gramatical sólo / solo => contexto / categoría gramatical Separando en sílabas ta-re-a trans-crip-ción dí-a Laboratorio de Tecnologías del Lenguaje

¿Para qué la morfología? Recuperando su origen – significado Para clasificación de textos: mientras más se mencione una palabra (un significado) con mayor seguridad el texto versa sobre ese tema huracán, huracanes lluvia, lluvias Como primer paso de un analizador sintáctico Laboratorio de Tecnologías del Lenguaje

¿Para qué la morfología? Recordemos: Recuperación de información: recopilación de documentos pertinentes Extracción de información: extracción de piezas de información de interés a partir de documentos Minería de texto: descubriendo nuevas asociaciones entre las piezas de información extraídas Laboratorio de Tecnologías del Lenguaje

Morfología computacional Trata con el procesamiento de las palabras tanto en su forma escrita (grafemas) como su forma hablada (fonemas). Sistematización para la creación de nuevas palabras así como formas léxicas a partir de unidades más pequeñas. Nuevas palabras deberán considerar la fonología del lenguaje déjà vu bougambillia – bugambilia computadora – ordenador Laboratorio de Tecnologías del Lenguaje

Conceptos básicos Morfemas - los bloques básicos, entidades abstractas expresando características básicas Conceptos semánticos (raíces) Puerta, lápiz Características abstractas Puerta-s plural

Conceptos básicos ¿qué es una palabra? “algo” entre blancos – ¿entonces en el habla? “algo” con significado – Dímelo - una sola palabra pero son tres “algos” Laboratorio de Tecnologías del Lenguaje

Conceptos básicos ¿qué es una palabra? “algo” entre blancos – ¿entonces en el habla? “algo” con significado – Dímelo - una sola palabra pero son tres “algos” Unidades a partir de las cuales se forman oraciones Las palabras se agrupan por su función estructurando una frase (parte de la oración) Laboratorio de Tecnologías del Lenguaje

Funciones de la morfología Varía considerablemente entre idiomas: Inglés/Español I speak – hablo --- I will speak –hablaré Náhuatl Popocatépetl Popocitlali Laboratorio de Tecnologías del Lenguaje

Funciones de la morfología I Inflexión Cambia su categoría gramatical pero no su categoría de parte de la oración. comeré – comiste ladrón – ladronzuelo Tres clases en función de su inflexión Partículas o palabras sin inflexión (conjunciones, artículos, etc.) Verbos – admiten la conjugación Nominales – palabras con declinación (adjetivos, adverbios, etc.) Laboratorio de Tecnologías del Lenguaje

Funciones de la morfología II Derivación Proceso para crear nuevas palabras. Cambia su categoría gramatical y cambia su categoría de parte de la oración. Comer - comestible La derivación es incompleta no se puede aplicar a todas las palabras de una determinada clase Correr – *corrible Depende de su origen (es una raíz latina o griega) Triste – tristeza Feo – *feeza Laboratorio de Tecnologías del Lenguaje

Funciones de la morfología II I Composición Proceso para crear nuevas palabras. A partir de dos palabras (dos raíces) creamos una nueva Cabizbajo Maniatado malhablado No es claro donde termina la derivación y empieza la composición Dinosaurio Televisión Laboratorio de Tecnologías del Lenguaje

¡Los límites no son claros! Pasta – pasto Foco – foca Campana – campanilla Raya – rayo Velo – vela Taza – tazo Punto – punta Marco – marca Fila – filo Pilón – piloncillo Manzana – manzanilla Manzano – manzanillo Laboratorio de Tecnologías del Lenguaje

Construyendo palabras Una palabra es una secuencia / concatenación de morfemas El morfema principal o libre es la raíz Un afijo es un morfema secundario o atado Prefijo – afijo concatenado frente a la raíz Feliz – infeliz Sufijo – afijo concatenado al final de la raíz Marca – marcas Árbol – árboles Laboratorio de Tecnologías del Lenguaje

Ejemplos Pseudohospitalización Destruir Mano Capital Sucio Hospitalizar – hospitalización Hospital – hospitalizar Destruir Mano Capital Sucio Laboratorio de Tecnologías del Lenguaje

Restricciones sobre los afijos Tenemos restricciones semánticas, por ejemplo, no es posible adjetivar negativamente un nombre que ya tiene una carga negativa: Feliz – infeliz Triste – *intriste Correcto – incorrecto Errado – *inerrado Existen muchas más incluyendo restricciones fonológicas Propio – impropio Tonantzintla – Tonanzintla Cempoaxochitl – Cempaxúchil Laboratorio de Tecnologías del Lenguaje

Etiquetando en partes de la oración Usamos las características morfológicas de las palabras junto con su contexto para determinar su parte de la oración (su función gramatical) La ayuda desinteresada de mi parte La – artículo femenino singular Ayuda – sustantivo femenino singular Desinteresada – adjetivo femenino singular De – preposición Mi – adjetivo posesivo primera persona singular Parte – sustantivo femenino singular Laboratorio de Tecnologías del Lenguaje

El contexto es indispensable *parte ayuda mi desinteresada de la ¿Qué pasa con estas frases? dímela Él ayuda a su madre Las notas son: do, re, mi, fa, sol La muy desinteresada se fue con otro Dé el nombre de un árbol Él parte el pastel con cuidado Laboratorio de Tecnologías del Lenguaje

El contexto y nuestra expectativa ¿Qué tanto leemos y que tanto “inventamos”? Laboratorio de Tecnologías del Lenguaje

El contexto y nuestra expectativa ¿Qué tanto leemos y que tanto “inventamos”? "Sgeun un etsduio de una uivenrsdiad ignlsea, no ipmotra el odren en el que las ltears etsan ersciats, la uicna csoa ipormtnate es que la pmrirea y la utlima ltera esten ecsritas en la psiocion cocrrtea. El rsteo peuden estar ttaolmntee mal y aun pordas lerelo sin pobrleams. Etso es pquore no lemeos cada ltera por si msima snio la paalbra cmoo un tdoo. Pesornamelnte me preace icrneilbe..." Laboratorio de Tecnologías del Lenguaje

¿Qué hay detrás de un etiquetador? Un sistema de reglas aplicadas a un lexicón de base Junto con un proceso estocástico para incluir el contexto (Modelos Ocultos de Markov) Sistema con el que trabajaremos FreeLing LingPipe Laboratorio de Tecnologías del Lenguaje

Aplicación: clasificación de preguntas Objetivo: agrupar las preguntas por el tipo de respuesta esperada ¿Dónde nació Benito Juárez? – LUGAR ¿Quién inventó el teléfono? – PERSONA ¿Cuándo cayó la primera bomba atómica? – FECHA ¿Quién invadió a Kuwait? Laboratorio de Tecnologías del Lenguaje

Solución con aprendizaje automático Caracterizamos las preguntas: Los pesos de las palabras objetivo de la pregunta con respecto al tipo de pregunta Usamos la Web ”President is a person” ”President is a place” ”President is a date” ”President is a measure” ”President is an organization” Las palabras de la pregunta (bolsa de palabras) Laboratorio de Tecnologías del Lenguaje

¿Cómo obtener las palabras objetivo? Las obtenemos al consultar sobre la Web: Por ejemplo: Who is the President of the French Republic? Eliminamos las palabras vacías (partículas sin contenido) Eliminamos los adverbios o pronombres interrogativos Reformulamos la consulta con el resto de las palabras: ”President French Republic is a si” donde si є {Person, Organization, Place, Date, Measure}. Si el motor de búsqueda no regresa ningún resultado entonces eliminamos palabras de derecha a izquierda: ”President French is a si” ”President is a si” En particular, para este último caso tenemos respuesta para todas las clases semánticas excepto FECHA Laboratorio de Tecnologías del Lenguaje

Usando la Web para caracterizar una pregunta Laboratorio de Tecnologías del Lenguaje

Usando las palabras de la pregunta Usamos todas las palabras de la pregunta La presencia de una palabra caracteriza una pregunta Problema: los plurales, las conjugaciones !! Quién, Quienes Es, eran, fue Cuánto, Cuántas Solución: un analizador morfológico Laboratorio de Tecnologías del Lenguaje

Usando las palabras de la pregunta Problema: depende del idioma Solución: truncado Quién – quienes A 4 caracteres >quie< A 5 caracteres >quien< Se hicieron cálculos para tres idiomas: Español, italiano e inglés Laboratorio de Tecnologías del Lenguaje

Resultados al clasificación usando palabras, prefijos y la Web Laboratorio de Tecnologías del Lenguaje

Resultados al clasificación usando palabras, prefijos y la Web Laboratorio de Tecnologías del Lenguaje

Resultados al clasificación usando palabras, prefijos y la Web y el lenguaje !!! Laboratorio de Tecnologías del Lenguaje