Procesamiento Autom

1
Procesamiento Automático del Lenguaje Natural
Realizado por José Eduardo Rivera
Cabaleiro Salwa Al Atassi González
2
Introducción I

• Procesador Lingüístico traduce del Lenguaje
  Natural (LN) a una representación formal
  equivalente.
• Sistemas Expertos, Programas de Razonamiento
  realizan operaciones lógicas sobre esa
  representación.

3
Introducción II

• Existen volúmenes inmensos de información en LN
• Se realizan operaciones sobre la información
  tales como búsqueda, comparación, traducción,
• Los computadores son más capaces de procesar la
  información que las personas, pero, son capaces
  de entenderla?

4
El Lenguaje como Codificador-Descodificador
5
Procesador Lingüístico

• Traduce la información entre la representación
  textual y la representación formal equivalente
• Estructura (refleja la del lenguaje)
• Módulo fonético y fonológico
• Módulo morfológico
• Módulo sintáctico
• Módulo semántico y pragmático

6
Módulo Morfológico I

• Diccionarios lista de palabras de una lengua,
  junto con diversas informaciones morfología,
  definición, etimología, estadísticas,
• Lexicón forma típica de la entrada de los
  diccionarios que contiene información fonológica,
  morfológica, sintáctica y semántica
• Formalismo de representación para codificar los
  datos
• Ejemplos los bilingües o multilingües recogen la
  correspondencia entre destintas lenguas

7
Módulo Morfológico II

• Diccionarios electrónicos
• Elementales Léxico desplegado (inmanejable)
• Lengua de expresión compleja el lexicón
  proporciona la raíz y la información gramatical
  asociada, y un componente morfológico genera las
  posibles formas (ayuda a inferir funciones
  sintácticas)

8
Módulo Sintáctico I

• Las estructuras sintácticas se construyen con una
  gramática, una especificación mediante reglas de
  reescritura de las estructuras permitidas en el
  lenguaje.
• El tipo más común de gramáticas son las de
  contexto libre (CFGs)
• CFG es una cuádrupla (N,T,R,S)
• N conjunto de símbolos No-Terminales
• T conjunto de símbolos Terminales
• R conjunto de Reglas de la forma a ? ß, a ? N,
  ß ? (N U T)
• S axioma (No-Terminal)

9
Módulo Semántico y Pragmático II

• La semántica estudia el significado del texto y
  desarrolla los métodos para formar este
  significado a través de una serie de
  representaciones sintácticas de las oraciones.
• La pragmática estudia cómo las intenciones del
  autor del texto están expresadas en el texto, es
  decir, en un contexto dado

10
Problemas Generales

• Ambigüedad Léxica, sintáctica,
• Conocimiento lingüístico conocimiento léxico y
  conocimiento general
• Conocimiento extralingüístico información obvia
  omitida
• Diccionarios de relaciones entre objetos y de
  escenarios de las relaciones típicas
• Métodos de aprendizaje semiautomático

11
PLN CON PROLOG

• Características iniciales
• Gramática como Reconocedor
• Entrada lista de átomos (palabras)
• Diccionario léxico desplegado
• Sintaxis Uso de CFG con difference list
• Sin uso de Semántica ni Pragmática

12
Ejemplo I (Inicial) gram1.pl

• Gramática simple

o(Entrada,Resto) - sn(Entrada,Parte),
sv(Parte,Resto). sn(Entrada,Resto) -
det(Entrada,Parte), n(Parte,Resto). sv(Entrada,Res
to) - v(Entrada,Resto). sv(Entrada,Resto) -
v(Entrada, Parte), sn(Parte,Resto). det(Entrada,R
esto) - terminal(that, Entrada,
Resto). det(Entrada,Resto) - terminal(those,
Entrada, Resto). n(Entrada,Resto) -
terminal(boy, Entrada, Resto). n(Entrada,Resto)
- terminal(cakes, Entrada, Resto). v(Entrada,Rest
o) - terminal(ate, Entrada, Resto). v(Entrada,Res
to) - terminal(slept, Entrada,
Resto). terminal(Palabra,PalabraResto,Resto).
o(that,boy,slept,). o(X,).
13
Ejemplo II gram2.pl

• Entrada texto natural
• Usamos una función leer_texto(X) que nos
  convierta una cadena de entrada en una lista de
  atomos
• ?- leer_texto(X),o(X,).

14
Ejemplo III gram3.pl

• Restricciones de número y transitividad

o(Entrada,Resto) - sn(Entrada,Parte),
sv(Parte,Resto). sn(Entrada,Resto) -
det(Numero,Entrada,Parte), n(Numero,Parte,Resto).
sv(Entrada,Resto) - v(_,Entrada,Resto). sv(Entrad
a,Resto) - v(transitivo,Entrada, Parte),
sn(Parte,Resto). det(singular,Entrada,Resto) -
terminal(that, Entrada, Resto). det(plural,Entrada
,Resto) - terminal(those, Entrada,
Resto). n(singular,Entrada,Resto) -
terminal(boy, Entrada, Resto). n(plural,Entrada,Re
sto) - terminal(cakes, Entrada,
Resto). v(transitivo,Entrada,Resto) -
terminal(ate, Entrada, Resto). v(intransitivoEntra
da,Resto) - terminal(slept, Entrada,
Resto). terminal(Palabra,PalabraResto,Resto).
o(those,boy,ate,that,cakes,). o(X,).
15
Ejemplo IV

• Restricciones semánticas
• Introducimos otra utilidad, generar estructuras
  de la oración Parser

o(o(SN,SV),Entrada,Resto) - sn(SN,Entrada,Parte),
sv(SV,Parte,Resto),not(SVsv(_,SN))
. Rest. Sem. sn(sn(Det,N),Entrada,Resto) -
det(Det,Numero,Entrada,Parte),
n(N,Numero,Parte,Resto). sv(sv(v(V)),Entrada,Resto
) - v(v(V),_,_,Entrada,Resto). sv(sv(v(V),SN),Ent
rada,Resto) - v(v(V),Rasgo,transitivo,Entrada,
Parte), sn(SN,Parte,Resto),
SNsn(_,n(N)),T..Rasgo,N,call(T).
16
Ejemplo IV gram4.pl
det(det(that),singular,Entrada,Resto) -
terminal(that, Entrada, Resto). det(det(those),plu
ral,Entrada,Resto) - terminal(those, Entrada,
Resto). n(n(boy),singular,Entrada,Resto) -
terminal(boy, Entrada, Resto). n(n(cakes),plural,E
ntrada,Resto) - terminal(cakes, Entrada,
Resto). propiedad semantica de los
nombres comible(cakes). v(v(ate),comible,transit
ivo,Entrada,Resto) - terminal(ate, Entrada,
Resto). v(v(slept),_,intransitivo,Entrada,Resto)
- terminal(slept, Entrada, Resto). terminal(Pala
bra,PalabraResto,Resto).
17
Añadiendo reglas morfológicas
Plural(Sing, Plur) - convert (Sing, Singlista),

concat(Base,C,y,SingLista),
not(vocal(C)), concat(Base,C,i,e,s,Plu
rlista), convert(Plur,Plurlista). vocal(C)
- in(C,a,e,i,o,u). plural(chil,children) -
!. plural(mouse,mice) - !.

18
DCG Definitive Clause Grammar

• Formalismo desarrollado por Pereira y Warren
  (1980)
• Reglas gramáticas
• Parte_izq ? Parte_der (como Prolog)
• El sistema se encarga del manejo de la entrada y
  de las difference list (elimina la necesidad de
  los dos predicados de análisis)
• Usar
• Para los predicados con el formalismo propio
  de Prolog
• Para los nodos terminales (predefinido por
  el sistema)

19
DCG Ejemplo DCG.pl
o(o(SN,SV)) --gt sn(SN), sv(SV),not(SVsv(_,SN)).
sn(sn(Det,N)) --gt det(Det,Numero),
n(N,Numero). sv(sv(v(V))) --gt v(v(V),_,_). sv(sv(v
(V),SN)) --gt v(v(V),Rasgo,transitivo), sn(SN),
SNsn(_,n(N)),T..Rasgo,N,call(T). det(det(
that),singular) --gt that. det(det(those),plural)
--gt those. n(n(boy),singular) --gt
boy. n(n(cakes),plural) --gt cakes. v(v(ate),co
mible,transitivo) --gt ate. v(v(slept),_,intransi
tivo) --gt slept. comible(cakes).
20
Aplicacion DC Traductor

• Podemos crear nuevas aplicaciones sustituyendo la
  información de la estructura por otra que queramos

-use_module(input). -use_module(output). traduci
r - leer_texto(X), o(Y,X,), write_word(Y). o(O
) --gt sn(SN,Numero), sv(SV,Numero),not(SV_SN)
, concatena(SN,SV,O). sn(Det,N,Numero) --gt
det(Det,Numero,Genero), n(N,Numero,Genero). sv
(V,Numero) --gt v(V,_,_,Numero). sv(VSN,Nume
ro) --gt v(V,Rasgo,transitivo,Numero),
sn(SN,_), SN_N,T..Rasgo,N,ca
ll(T).
21
Aplicacion DCG MiTraductor.pl
diccionario con correspondencia al
español det(aquel,singular,masculino) --gt
that. det(aquella,singular,femenino) --gt
that. det(aquellos,plural,masculino) --gt
those. det(aquellas,plural,femenino) --gt
those. n(niño,singular,masculino) --gt
boy. n(niña,singular,femenino) --gt
girl. n(pasteles,plural,masculino) --gt
cakes. comible(pasteles). v(comio,comible,tr
ansitivo,singular) --gt ate. v(comieron,comible
,transitivo,plural) --gt ate. v(durmio,_,intran
sitivo,singular) --gt slept. v(durmieron,_,intr
ansitivo, plural) --gt slept.
22
Aplicacion DC Eliza Eliza.pl

• Escrito por Joseph Weizenbaum en1960,
• Demuestra varios aspectos de PLN, por lo que
  adquirió bastante popularidad
• Simula una entrevista con un doctor psicoanalista
  neutral para que el paciente revele sus
  pensamientos y sentimientos de forma espontánea

23
Conclusiones sobre el uso de CFG

• Dan lugar a algoritmos eficientes para muchas
  tareas de tratamiento del lenguaje
• Unen la simplicidad, con la capacidad de
  expresión de una gran variedad de construcciones
  del lenguaje
• Pero necesitan multiplicar las reglar para añadir
  características tales como género y número (y las
  restricciones semánticas en su caso)
• Dependencias de larga distancia. Ejemplo wh-
  pueden servir como sintagma nominal

24
Aplicaciones de PALN

• Comprensión del lenguaje
• Ayuda en preparación de texto
• Búsqueda y minería de texto
• Interfaces en LN
• Traducción automática
• Procesamiento de voz
• Generación de texto
• Conducción del diálogo

25
Comprensión del Lenguaje

• Tarea final de la ciencia del análisis del texto
• Comprensión del texto transformación del mismo a
  una representación formal.
• Resultados prácticos relativamente modestos
• Avance en los sistemas del laboratorio, debido al
  esfuerzo principal que le dirige la lingüística
  computacional

26
Ayuda en Preparación de Texto

• Ejemplo herramientas de Microsoft Word
• Guiones
• Ortografía
• Gramática
• Estilo
• Hechos y coherencia lógica

27
Búsqueda y Minería de Texto

• Desde encontrar documentos concretos, hasta
  descubrir conocimiento nuevo no escrito en
  ninguno de ellos
• TIPOS
• Búsqueda de documentos
• Responder preguntas
• Extracción de información
• Minería de texto

28
Interfaces en LN

• El único modo de comunicarse con los computadores
  es mediante los lenguajes de programación
• La educación computacional cuesta mucho dinero, y
  no es fácil de aprender
• Alternativa enseñar a un computador nuestro
  idioma y copiar el programa a los demás
• Ejemplo sistema TRAINS de J.Allen

29
Traducción Automática

• Traducir un texto consiste en entender ese
  texto y luego generarlo en otro idioma
• Los traductores automáticos entienden algunas
  partes del texto y las traducen en el orden en
  que aparecen en el texto fuente
• Ejemplo Juan le dio a María un pastel. Lo comió

30
Procesamiento de Voz

• El modo más natural para un ser humano es hablar
  y escuchar
• La voz representa más información que el texto
  escrito
• Existen grandes problemas técnicos de convertir
  los sonidos de la voz a las palabras
• Existen grandes avances sistemas capaces de
  hablar con los usuarios (ej. por teléfono)

31
Generación de Texto

• El segundo componente de la comunicación es la
  capacidad de producir el texto o el habla
• Es una tarea más simple que la comprensión
• Dificultad no hacer el texto aburrido,
  incoherente y a veces no entendible
• expresiones que se usan en un contexto dado
  (métodos de planificación contextual)

32
Conducción de Diálogo

• La computadora aprende a entender y producir
  texto, puede conversar con las personas?
• Problemas el contexto y el conocimiento general
  sobre los tipos de situaciones

33
El Futuro del PALN

• Semántica y pragmática
• Lingüística de texto
• Hablar saber pensar
• Los computadores hablan con nosotros
• Los computadores hablan entre sí (paradigma de
  programación orientada a agentes)

34
Conclusiones

• El PLN es fácil de entender, posible y tiene gran
  importancia en nuestra época de información
• Presenta dificultades, pero se desarrolla
  dinámicamente con grandes inversiones

35
Bibliografía

• PROLOG for Natural Language Processing. Annie
  Gal, Guy Lapalme, Patrick Saint-Dizier and Harold
  Somers.
• Avances y perspectivas de procesamiento
  automático de lenguaje natural (Cuento de una
  Máquina Parlante). Alexander Gelbukh, Igor
  Bolshakov. Laboratorio de Lenguaje Natural,
  Centro de Investigación  en Computación,
  Instituto Politécnico Nacional (México). No
  responden.
• http//www.gelbukh.com/CV/Publications/2000/IPN-P
  roc-Leng-Nat.htm
• Procesamiento de Lenguaje Natural. Lourdes
  Araujo.Universidad Complutense de Madrid.
• http//www.fdi.ucm.es/profesor/lurdes/nlp/cap1
  .pdf