Estudio preliminar para la creacin de Euskal PropBank

1
Estudio preliminar para la creación de Euskal
PropBank

• Izaskun Aldezabal Roteta
• Grupo Ixa, UPV-EHU
• SERES. Octubre, 2006

2
Esquema

• Finalidad
• Recursos
• Metodología
• Conclusiones

3
Finalidad

• Comprobar la validez del modelo de etiquetado de
  PropBank para el euskera
• Motivación
• Parten de un corpus etiquetado sintácticamente
• Decisiones importantes tomadas distinción
  argumentos/adjuntos, sentidos...
• Se está trabajando con más lenguas chino,
  español, catalán, euskera (español-catalán-euskera
  , en la acción complementaria CESS-ECE).
  Comparación multilingüe.

4
Recursos

• Corpus Eus3LB Corpus del euskera etiquetado
  sintácticamente, basándose en dependencias
  (50.000 palabras).
• Base de datos creada con la información obtenida
  de PropBank y Verbnet. (Grupo Ixa base de datos
  (de pago) PropBank).
• Diccionarios monolingües y bilingües
  (euskera-castellano inglés)
• Tesis de Aldezabal (2004) Estudio de la
  subcategorización verbal. Análisis detallado de
  100 verbos en euskera, basándose en Levin (1993)
  y utilizando métodos automáticos.

5
Metodología

• Preparar la entrada léxica del verbo
• Elegir el verbo en euskera
• Obtener la visión general de los sentidos del
  verbo en euskera y buscar sus equivalentes
  léxicos en inglés
• Analizar los equivalentes sintácticos en inglés
• Aplicar las entradas equivalentes de VerbNet y
  PropBank al euskera
• Etiquetar el corpus con los roles temáticos
• Etiquetar el corpus
• Criterios generales
• Agrupar las dudas y completar la tabla de
  comentarios
• Revisar/modificar la entrada

6
Metodología IPreparar la entrada léxica del
verbo (I)

• Elegir el verbo en euskera
• Eus3lb
• 622 verbos diferentes
• 40 verbos de más de 20 apariciones
• 482 verbos de menos de 5 apariciones
• Criterios facilidad y frecuencia

7
Metodología IPreparar la entrada léxica del
verbo (II)

• Obtener la visión general de los sentidos del
  verbo en euskera
• Diccionarios monolingües
• Expresar algo mediante palabras / prometer /
  llamarse
• Tesis Aldezabal (2004)
• Dos sentidos
• esan-DU-1 y esan-DU-2 actividad (de expresión)
  de una entidad
• esan-DIO-3 asignación de un atributo o
  característica a una entidad
• Conclusiones
• Dos acepciones
• alguien dice (a alguien) algo
• alguien llama a algo de una manera

8
Metodología IPreparar la entrada léxica del
verbo (III)

• Analizar los equivalentes léxicos en inglés para
  esos sentidos
• Diccionarios bilingües
• alguien dice (a alguien) algo say eta tell
• alguien llama a algo de una madera call

9
Metodología IPreparar la entrada léxica del
verbo (IV)

• Analizar los equivalentes sintácticos en PropBank
  y en Verbnet. Para ello
• Enterder la filosofía general de PropBank
• Entender la filosofía general de Verbnet

10
Metodología IPreparar la entrada léxica del
verbo (V)

• Filosofía general de PropBank
• Dos niveles independientes
• Argumentos y adjuntos
• Argumentos 0-4 (Arg0, Arg1, , Arg4)
• Adjuntos (ArgM)
• Roles semánticos específicos
• buyer, thing bought, speaker
• Cada verbo tiene sus rolsets (sentidos) y cada
  rolset tiene sus frames (realizaciones
  sintácticas frameset)

11
Metodología IPreparar la entrada léxica del
verbo (VI)
Ejemplo tell El roleset de tell.01 es
arg 0 speaker arg 1 utterance arg 2
hearer
Los frames asociados con el rolset tell.01 se
expresan de la siguiente manera ditransitive
(-) The score tell you what the characters are
thinking and feeling. Arg0 The score REL
tell Arg2 you Arg1 what the characters are
thinking and feeling odd ditransitive (-)
prepositional arg2 (-) fronted (-)
12
Metodología IPreparar la entrada léxica del
verbo (VII)

• Filosofía general de Verbnet http//www.cis.upenn
  .edu/group/verbnet/
• Clasificación basada en Levin (1993)
• Número de la clase 9.1, 9.2, 10.1
• Roles semánticos generales
• agent, theme, topic, beneficiary
• Propiedades semánticas
• animate, organization, communication,
  concrete, location, region, animal

13
Metodologia I Preparar la entrada léxica del
verbo (VIII)

• Consultar los verbos (say, tell y call) en la
  base de datos Verbnet/PropBank Ej.
• say.01 (LEVIN say 37.7)
• ARG0-null Sayer (VN Agent 37.7)
  10449 (by 1)
• ARG1-null Utterance (VN Topic 37.7)
  10491 (by 1)
• 10503 ARG2-null Hearer (VN Recipient 37.7)
  12 (to 10)
• ARG3-null Attributive (VN ) 37 (null 2,
  about 10, ADV 1, for 2, For 3, in
  1, of 16, Of 2)
• tell.01 (LEVIN pass along information 37.1-1
  37.2)
• ARG0-null Speaker (VN Agent 37.1-1Agent
  37.2) 323 (by 4)
• 356 ARG1-null Utterance (VN Topic 37.1-1Topic
  37.2) 340 (about 8, of 5)
• ARG2-null Hearer (VN Recipient
  37.1-1Recipient 37.)310 (to2, REC1)

14
Metodología IPreparar la entrada léxica del
verbo (IX)

• Tener en cuenta lo propuesto en la tesis de
  Aldezabal (2004) (esan)
• 3 frames sintáctico-semánticos (fss),
  correspondientes a dos sentidos
• 1. alguien dice algo 2 argumentos con 2
  variantes sintácticas
• esan-DU-1 experimentador (erg) tema (abs)
• esan-DU-2 experimentador (erg) tema (compl.)
• 2. alguien a algo/alguien dice de un forma 3
  argumentos, sin variantes sintácticas
• esan-DU-3 origen (erg) destino (dat)
  característica (abs)

15
Metodologia I Preparar la entrada léxica del
verbo (X)

• Proponer la entrada léxica del verbo esan al
  estilo PropBank, manteniendo la información de
  los casos
• esan.01 (alguien dice algo a alguien sobre
  algo)
• Arg0 el que dice sayer agent ERG
• Arg1 lo dicho utterance topic ABS/COMPL
• Arg2 oyente hearer recipient DAT
• Arg3 atributo attributive??? INS / -i buruz
• esan.02 (alguien dice a algo/alguien de una
  manera)
• Arg0 el que dice caller agent ERG
• Arg1 el calificado item being
  labelled theme DAT
• Arg2 la calificación attribute of
  arg1 predicate ABS

16
Metodología IIEtiquetar el corpus con roles
temáticos (I)

• Etiquetar el corpus EPEC (corpus de referencia
  para el tratamiento del euskera). 300.000
  palabras.
• Euskal gatazka ez dela armen bidez konponduko
  esan digu, politikoki baizik, borroka armatua eta
  errepresio itsua gaitzetsirik (Nos ha dicho que
  el conflicto vasco no se arreglará mediante las
  armas)
• ccomp_obj (konp, esan, aditz_aurk, dela) Arg1
  utterance/topic
• ncsubj (erg, esan, pro2.1, pro2.1, subj)
• nczobj (dat, esan, pro3.1, pro3.1, zobj)
• auxmod (-, esan, digu)
• Gurreak ekintza salatu eta familiari elkartasuna
  adierazi zion, Gobernuaren izenean (Gurrea ha
  denunciado lo sucedido y le ha expresado su
  solidaridad a la familia)
• ncsubj (erg, adierazi, pro1.1, pro1.1, subj)
• nczobj (dat, adierazi, familiari, familiari,
  zobj) Arg2 entzulea/hearer/recipient
• ncobj (abs, adierazi, elkartasuna, elkartasuna,
  obj) Arg1 utterance/topic
• auxmod (-, adierazi, zion)

17
Metodología IIEtiquetar el corpus con roles
temáticos (II)

• Teniendo en cuenta los criterios generales
• Los más importantes
• Semántica superficial (sólo los
  argumentos/adjuntos que aparecen en el corpus)
• La unidad es la oración de cada verbo a tratar
• Dejar a un lado las oraciones dudosas

18
Metodología IIIAgrupar las dudas.
Revisar/modificar la entrada

• Agrupar dudas y completar la tabla de comentarios
• Problemas con los argumentos
• -Arg3 attributive -ren kasuan , ren aurrean ,
  -ren gainean, -ri buruz... Son attributive?.
  Comparar si con otros verbos estos casos
  complejos tienen el mismo valor.
• Ejemplos dudosos
• - Ambigüedad de los modificadores pertenecen a
  un verbo u otro?
• Revisar/modificar la entrada, si hace falta
• añadir/quitar
• argumentos
• sentidos
• realizaciones sintácticas

19
Conclusiones I

• La adecuación al euskera de las entradas y el
  etiquetado del modelo PropBank no ha acarreado
  mayores problemas. Hemos trabajado con tres
  verbos (esan, adierazi, eskatu). Quizás hay que
  probar con verbos más difíciles (ambiguos)
• Con todo, el estudio preliminar ha demostrado que
  el modelo PropBank es válido para el euskera
• Prevemos realizar el etiquetado de forma
  semiautómatica. De la siguiente manera

20
Conclusiones IIEtiquetado semiautomático

• Etiquetado semiautómático
• Se pueden utilizar heurísticos que garantizan un
  etiquetado autómatico correcto
• Pueden ser generales
• Caso de declinación ERG gt Arg0
• Pueden ser específicos (para cada verbo)

21
Conclusiones IIIEtiquetado semiautomático

• Por ejemplo, con el verbo esan, las ambigüedades
  de los casos según los sentidos son las
  siguientes

22
Conclusiones IIIEtiquetado semiautomático

• Así
• Los casos COMP, INS e -I BURUZ, desambiguarían
  los sentidos y roles sin ningún error.
• En el corpus, el COMP aparece en un 82 , y el
  INS en un 3
• Eso significa que sólo un 18 quedaría ambíguo,
  para tratarlo manualmente.

23
Conclusiones IIIEtiquetado semiautomático

• Los adjuntos hay que etiquetarlos manualmente.
• Hace falta una revisión manual final
• La tarea principal consiste en definir bien las
  entradas verbales. A partir de ahí, se pueden
  proponer métodos semiautomáticos que faciliten y
  agilicen la tarea de etiquetado.