Abordagem para o desenvolvimento de um etiquetador de alta acur��cia para o Portugu��s do Brasil

A etiquetagem morfossint��tica �� uma tarefa b��sica requerida por muitas aplica����es de processamento de linguagem natural, tais como an��lise gramatical e tradu����o autom��tica, e por aplica����es de processamento de fala, por exemplo, s��ntese de fala. Essa tarefa consiste em etiquetar palavras em uma senten��a com as suas categorias gramaticais. Apesar dessas aplica����es requererem etiquetadores que demandem maior precis��o, os etiquetadores do estado da arte ainda alcan��am acur��cia de 96 a 97%. Nesta tese, s��o investigados recursos de corpus e de software para o desenvolvimento de um etiquetador com acur��cia superior �� do estado da arte para o portugu��s brasileiro. Centrada em uma solu����o h��brida que combina etiquetagem probabil��stica com etiquetagem baseada em regras, a proposta de tese se concentra em um estudo explorat��rio sobre o m��todo de etiquetagem, o tamanho, a qualidade, o conjunto de etiquetas e o g��nero dos corpora de treinamento e teste, al��m de avaliar a desambiguiza����o de palavras novas ou desconhecidas presentes nos textos a serem etiquetados. Quatro corpora foram usados nos experimentos: CETENFolha, Bosque CF 7.4, Mac-Morpho e Selva Cient��fica. O modelo de etiquetagem proposto partiu do uso do m��todo de aprendizado baseado em transforma����o(TBL) ao qual foram adicionadas tr��s estrat��gias, combinadas em uma arquitetura que integra as sa��das (textos etiquetados) de duas ferramentas de uso livre, o TreeTagger e o ���-TBL, com os m��dulos adicionados ao modelo. No modelo de etiquetador treinado com o corpus Mac-Morpho, de g��nero jornal��stico, foram obtidas taxas de acur��cia de 98,05% na etiquetagem de textos do Mac-Morpho e 98,27% em textos do Bosque CF 7.4, ambos de g��nero jornal��stico. Avaliou-se tamb��m o desempenho do modelo de etiquetador h��brido proposto na etiquetagem de textos do corpus Selva Cient��fica, de g��nero cient��fico. Foram identificadas necessidades de ajustes no etiquetador e nos corpora e, como resultado, foram alcan��adas taxas de acur��cia de 98,07% no Selva Cient��fica, 98,06% no conjunto de teste do Mac-Morpho e 98,30% em textos do Bosque CF 7.4. Esses resultados s��o significativos, pois as taxas de acur��cia alcan��adas s��o superiores ��s do estado da arte, validando o modelo proposto em busca de um etiquetador morfossint��tico mais confi��vel.