Uma utilidade para o reconhecimento de topónimos em documentos medievais

Abstract

Este artigo apresenta o método de construção duma ferramenta para a anotação de entidades geográficas mencionadas em textos medievais. A nova ferramenta foi desenvolvida a partir dos módulos de língua contemporânea do LinguaKit, pacote multilingue de ferramentas de PLN. Uma coleção de corpora anotados manualmente serviu de recurso para elaborar uma lista de topónimos medievais (gazetteers) e observar padrões para a melhora e implementação de novas regras de reconhecimento dos nomes de lugar. Depois da lista de entidades geográficas, os ativadores contextuais (triggers) foram o recurso determinante na melhora da abrangência. Para o produto final, fizeram-se também ajustes menores na procura de recolher os elementos mais comuns do léxico e os contextos gramaticais das entidades geográficas mencionadas. Ainda que muito trabalho fica por fazer na elaboração de listas para entidades não geográficas, na construção dum modelo de língua medieval e um lexicon específico, o novo módulo pode ser utilizado para anotar textos e mostra uma melhora significativa a respeito dos módulos previamente existentes.

Detection of Loanwords in Angolan Portuguese: A Text Mining Approach

“…Canosa et al [6] describe a method to build a tool designed to recognise named geographical entities in medieval texts. However, the new tool was developed from the contemporary language modules of LinguaKit, a natural language processing toolkit, with which gazetteers, a list of medieval toponyms, was developed.…”

Características identificadoras e dificuldades na aplicação de listas para a anotação de Entidades Geográficas Mencionadas

“…Estas regras podem ser expressadas de modo explícito no código da ferramenta (sistema de regras) ou aprendidas a partir do treino em corpora (sistema de aprendizado de máquina). A vantagem do primeiro tipo é que, ao permitir otimizar os resultados mediante a depuração das regras, resulta facilmente adaptável para o trabalho com corpora históricos em que a modalidade de língua apresenta grandes diferenças com o padrão contemporâneo, caso do galego-português medieval (Canosa et al 2018). Para serem convenientemente treinados, os sistemas de aprendizado requerem texto previamente anotado e estatisticamente relevante, num volume nem sempre disponível no caso de textos históricos.…”