Conteúdo

Índice

• Constituição do corpus
• Ferramentas associadas e serviços online
• Manual de anotação
• Conjunto de etiquetas
  • Etiquetas morfo-sintácticas
  • Etiquetas de flexão
  • Etiquetas de entidades nomeadas

Constituição do corpus

O CINTIL-Corpus Internacional do Português é um corpus do português anotado com informação linguística. O corpus contém actualmente 1 milhão de tokens anotados, tendo a anotação sido manualmente verificada por especialistas. A anotação inclui informação sobre a classe morfo-sintáctica, sobre o lema e a flexão das classes abertas, sobre expressões multi-palavra pertencentes à classe dos advérbios e às classes fechadas, e sobre nomes próprios multi-palavra (para o reconhecimento de entidades nomeadas).

Mais de um terço do corpus é constituído por transcrições de gravações orais, sendo que metade destas consistem em transcrições de conversas informais.

Os restante corpus é composto por materiais escritos. A maioria (58,73%) deste corpus escrito inclui artigos de jornais e revistas, tais como o Jornal Público, o Diário de Notícias, a Revista Visão, etc. O resto do corpus escrito é essencialmente constituído por textos literários.

O quadro seguinte apresenta uma descrição mais detalhada da constituição do corpus:

Ferramentas associadas e serviços online

Essas ferramentas, que cobrem procedimentos de análise e de geração, estão listadas a seguir:

• Segmentador de frases: detecta e marca fronteiras de parágrafos e frases; 99.94% de correcção
• Segmentador de lexemas: segmenta texto em tokens, expande contracções, separa os pronomes clíticos dos verbos, etc.; 99.72% de correcção
• Etiquetador morfo-sintáctico: atribui etiquetas morfo-sintácticas aos tokens em contexto; 96.87% de correcção
• Traçador nominal: atribui traços de flexão (género e número; pessoa e grau quando relevante) a palavras (atestadas ou hipotéticas) da classe nominal, resolvendo a ambiguidade em contexto; 91.07% f-score
• Lematizador nominal: atribui um lema a palavras das categorias nominais (nomes comuns e adjectivos), resolvendo a ambiguidade em contexto; 97.67% f-score
• Traçador e lematizador verbais: atribui traços de flexão (tempo, pessoa e número) e lema (infinitivo) a qualquer forma verbal (atestada ou hipotética), resolvendo a ambiguidade em contexto; 95.96% f-score
• Conjugador verbal: devolve uma tabela de conjugação para qualquer forma verbal no infinitivo (atestada ou hipotética) e especifica possíveis formas clíticas co-ocorrentes
• Flexionador nominal: devolve uma forma flexionada dados uma forma (atestada ou hipotética) e os traços flexionais pretendidos para o resultado

• LX-Inflector (http://lxinflector.di.fc.ul.pt) Este serviço permite obter o lema e a forma flexionada de qualquer forma nominal (nomes comuns ou adjectivos - neologismos incluídos), de acordo com as especificações dos valores dos traços de flexão. Esta funcionalidade assenta nos resultados do traçador nominal, do lematizador e das ferramentas de flexão mencionados acima.
• LX-Lemmatizer (http://lxlemmatizer.di.fc.ul.pt) Este serviço permite a lematização exaustiva dos verbos portugueses: para uma forma verbal dada (incluindo neologismos), devolve todos os seus possíveis lemas, juntamente com os respectivos traços de flexão.
• LX-Conjugator, (http://lxconjugator.di.fc.ul.pt) Este serviço permite obter, para qualquer forma verbal (neologismos incluídos), a tabela de conjugação completa, incluindo a totalidade das formas pronominais possíveis.
• LX-Suite (http://lxsuite.di.fc.ul.pt) Este serviço agrupa as ferramentas de análise: segmentador de frases, segmentador de lexemas, etiquetador morfo-sintáctico, traçador nominal, lematizador nominal e verbal. Esta sequência de ferramentas assegura que o input, que consiste em texto simples, é segmentado ao nível da frase e do token, que estes tokens são associados com os lemas correspondentes e que são etiquetados com informação quanto à classe de palavras e aos traços de flexão. O resultado final resolve as ambiguidades que podem surgir nas várias fases do processamento.

Manual de anotação

Conjunto de etiquetas

Etiquetas morfo-sintácticas

Etiquetas de Flexão

Etiquetas de Entidades Nomeadas