Data de Depósito:Assinatura:________________________
Dedico este trabalho aos meus pais, irmã e avós.
AgradecimientosAgradeço primeiramente a Deus pela força para realizar este trabalho de doutorado durante todos esses anos. À minha família, pelo carinho e apoio mesmo estando longe. Ao meu orientador, Prof. Thiago Pardo, pela paciência, bondade e aprendizado tão valioso ao longo desses anos. A todos os professores do NILC, que contribuíram muito para minha formação profissional. Aos meus colegas e amigos do NILC, pelos momentos de alegria e aprendizado que nunca faltaram ao longo desses anos. Ao meu colega Márcio Dias, pela colaboração no desenvolvimento do Modelo de Coerência. A todos os colegas da equipe de sumarização, que enriqueceram minha formação profissional. A Capes, pelo apoio financeiro. Às minhas queridas amigas Merley, Lianet, Paula, Nathalie, Amanda, Nádia e Mapi pela amizade e carinho ao longo desses anos.
ResumoA Sumarização Multidocumento consiste na produção automática de um único sumário a partir de um conjunto de textos que tratam de um mesmo assunto. Essa tarefa vem se tornando cada vez mais importante, já que auxilia o processamento de grandes volumes de informação, permitindo destacar a informação mais relevante para o usuário. Nesse trabalho, são propostas e exploradas modelagens baseadas em Aprendizado Gerativo, em que a tarefa de Sumarização Multidocumento é esquematizada usando o modelo NoisyChannel e seus componentes de modelagem de língua, de transformação e decodificação, que são apropriadamente instanciados para a tarefa em questão. Essas modelagens são formuladas com atributos superficiais e profundos. Em particular, foram definidos três modelos de transformação, cujas histórias gerativas capturam padrões de seleção de conteúdo a partir de conjuntos de textos e seus correspondentes sumários multidocumento produzidos por humanos. O primeiro modelo é relativamente mais simples, pois é composto por atributos superficiais tradicionais; o segundo modelo é mais complexo, pois, além de atributos superficiais, adiciona atributos discursivos monodocumento; finalmente, o terceiro modelo é o mais complexo, pois integra atributos superficiais, de natureza discursiva monodocumento e semântico-discursiva multidocumento, pelo uso de informação proveniente das teorias RST e CST, respectivamente. Além desses modelos, também foi desenvolvido um modelo de coerência (ou modelo de língua) para sumários multidocumento, que é projetado para capturar padrões de coerência, tratando alguns dos principais fenômenos multidocumento que a afetam. Esse modelo foi desenvolvido com base no modelo de entidades e com informações discursivas. Cada um desses modelos foi inferido a partir do córpus CSTNews de textos jornalísticos e seus respectivos sumários em português. Finalmente, foi desenvolvido também um decodificador para realizar a construção do sumário a partir das inferências obtidas. O decodificador seleciona o subconjunto de sentenças que maximizam a probabilidade do sumário de acordo com as probabilidades ...
