Categorias funcionais e de conteúdo na aprendizagem distribucional

Favoritar este trabalho
Como citar esse trabalho?
Detalhes
  • Tipo de apresentação: Trabalho
  • Eixo temático: HUMANAS
  • Palavras chaves: aprendizagem distribucional; modelagem computacional; aquisição da linguagem;
  • 1 Unicamp

Categorias funcionais e de conteúdo na aprendizagem distribucional

MARCOS SERGIO ZANCHETTA JUNIOR

UNICAMP

Resumo

O modelo computacional adotado aqui (Faria e Ohashi, 2018; Faria, 2019a, 2019b) implementa um procedimento de três estágios para aprendizagem distribucional das categorias. Quatro novas condições experimentais são investigadas nesse estudo: (i) usar apenas palavras funcionais como itens contextuais válidos para classificar as palavras de modo geral e, também, separadamente (os próprios itens funcionais, de um lado, e os de conteúdo, de outro); (ii) usar apenas itens de conteúdo para classificar itens funcionais, itens de conteúdo e as palavras de modo geral e (iii) utilizar as primeiras cem palavras mais comuns no corpus para classificá-lo, divididos em grupos de 10 palavras. Os resultados deste último experimento nos levaram a incluir uma quarta condição experimental, considerando o efeito conjunto das 10 palavras mais frequentes e o grupo das palavras que ocupam o intervalo entre a 41ª palavra mais frequente e a 50ª. Os resultados apontam que o modelo tem uma melhora de desempenho, em relação ao experimento padrão, quando são classificados os itens de conteúdo, mostrando um F-Score de 0.67 ("Open_open" e "Closed_open"). O resultado referente à classificação das palavras de conteúdo quando utilizamos os itens funcionais como contexto é melhor, no geral, comparando-o com o resultado "Standard", uma vez que, além de um melhor F-Score, há maior precisão e maior cobertura. Outros resultados são apresentados no resumo da pesquisa.

Apoio/Financiamento da Pesquisa: SAE/UNICAMP

Questões (1 tópico)

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Autor

MARCOS SERGIO ZANCHETTA JUNIOR

Olá, Paulo. Obrigado pelo comentário e pelas perguntas. O CTB, em nosso modelo, serve de classificação de referência contra a qual a performance do modelo vai ser avaliada. O modelo utiliza como medidas base: i) a precisão (p, nas tabelas apresentadas no vídeo) mede a proporção de pares de palavras colocadas em um mesmo cluster que estão realmente corretos, ou seja, a quantidade de pares agrupados que também seriam agrupados na CTB e ii)  a cobertura (c, nas tabelas), mede a proporção dos pares desejados (pares que deveriam estar juntos de acordo com a referência) que o modelo agrupou corretamente no mesmo cluster. A medida F-score integra essas duas em uma fórmula, porque, em exemplo extremo, se fosse formado um cluster único com todos os pares de palavras, o modelo teria 100% de cobertura, porque estão no cluster todos os pares desejados, mas baixa precisão porque ele colocou em um cluster pares de palavras que não estão na mesma categoria de referência. A medida F-score tenta capturar, portanto, o efeito conjunto dessas medidas de forma a ter um equilíbrio na avaliação dos resultados. Por fim, o G é o número de grupos formados nos dados de saída do modelo.

Os resultados mostram que o modelo tem melhor desempenho quando classificamos itens de conteúdo usando, como contexto, tanto itens de conteúdo quanto itens funcionais. Mas precisaríamos verificar, em análises qualitativas, como estão formados os grupos nos arquivos de saída, se há subgrupos (por exemplo, se há agrupamentos de infinitivos, gerúndios etc.).

Quanto à aplicação dele para melhorar o desempenho do parsing da CTB, eu não tenho como avaliar neste momento.