Corpus Processor é uma ferramenta para trabalhar com Linguística de Corpus. Ele converte corpora entre diferentes formatos para serem usado em ferramentas de Processamento de Linguagem Natural (NLP).
O primeiro propósito do Corpus Processor e seu único recurso implementado até agora é transformar corpora encontrados na Linguateca para o formato usado pelo treinamento do Stanford NER.
Linguateca é uma fonte de corpora em português.
Stanford NER é uma implementação de Reconhecimento de Entidade Mencionada (NER).
Corpus Processor é uma Ruby Gem. Para instalar, dada uma instalação de Ruby, rode:
$ gem install corpus_processorConverter corpus do formato do LâMPADA 2.0 para o formato do Stanford-NER:
$ corpus-processor process [INPUT_FILE [OUTPUT_FILE]]Para um exemplo de conversão usando o Corpus Processor, veja este gist.
O corpus é do LâMPADA 2.0 / Classic HAREM 2.0 Golden Collection e o treinamento usou o Stanford NER.
Note que a transformação do Corpus Processor descarta muita informação do corpus anotado. Os corpora usados são bastante ricos em anotações e para tirar completo proveito deles considere usar as ferramentas encontradas na Linguateca.
Para entender melhor, siga as seguintes referências:
Diana Santos. "O modelo semântico usado no Primeiro HAREM". In Diana Santos & Nuno Cardoso (eds.), Reconhecimento de entidades mencionadas em português: Documentação e actas do HAREM, a primeira avaliação conjunta na área. Linguateca, 2007, pp. 43-57.
http://www.linguateca.pt/aval_conjunta/LivroHAREM/Cap04-SantosCardoso2007-Santos.pdf
Diana Santos. "Evaluation in natural language processing". European Summer School on Language, Logic and Information (ESSLLI 2007) (Trinity College, Dublin, Irlanda, 6-17 de Agosto de 2007).
- Time do HAREM / Linguateca pelo corpus com anotações semânticas em português.
- Time de NLP de Stanford pela ferramenta Stanford NER.
Corpus Processor is a tool to work with Corpus Linguistics. It converts corpora between different formats for use in Natural Language Processing (NLP) tools.
The first purpose of Corpus Processor and its current only feature is to transform corpora found in Linguateca into the format used for training in Stanford NER.
Linguateca is an source of corpora in Portuguese.
Stanford NER is an implementation of Named Entity Recognition.
Corpus Processor is a Ruby Gem. To install it, given a working installation of Ruby, run:
$ gem install corpus_processorConvert corpus from LâMPADA 2.0 format to Stanford-NER format:
$ corpus-processor process [INPUT_FILE [OUTPUT_FILE]]For an example of converting one corpus with Corpus Processor, refer to this gist.
The corpus is from LâMPADA 2.0 / Classic HAREM 2.0 Golden Collection and the training used Stanford NER.
Note that the transformation performed by Corpus Processor discards lots of information from the annotated corpus. The corpora used in this process are very rich in annotations, in order to extract all of it consider using one of the tools found in Linguateca.
Further information about the subject can be found in the following sources:
Diana Santos. "O modelo semântico usado no Primeiro HAREM". In Diana Santos & Nuno Cardoso (eds.), Reconhecimento de entidades mencionadas em português: Documentação e actas do HAREM, a primeira avaliação conjunta na área. Linguateca, 2007, pp. 43-57.
http://www.linguateca.pt/aval_conjunta/LivroHAREM/Cap04-SantosCardoso2007-Santos.pdf
Diana Santos. "Evaluation in natural language processing". European Summer School on Language, Logic and Information (ESSLLI 2007) (Trinity College, Dublin, Irlanda, 6-17 de Agosto de 2007).
- HAREM / Linguateca team for the semantic annotated corpus in Portuguese.
- Stanford NLP team for the Stanford NER tool.
- Fork it.
- Create your feature branch (
git checkout -b my-new-feature). - Commit your changes (
git commit -am 'Add some feature'). - Push to the branch (
git push origin my-new-feature). - Create new Pull Request.
- LâMPADA 2.0 / Classic HAREM 2.0 Golden Collection Parser.
- Stanford NER Generator.
- Renamed Harem to LâMPADA, as asked by Linguateca's team.
Copyright (c) 2013 Das Dad
MIT License
Permission is hereby granted, free of charge, to any person obtaining a copy of this software and associated documentation files (the "Software"), to deal in the Software without restriction, including without limitation the rights to use, copy, modify, merge, publish, distribute, sublicense, and/or sell copies of the Software, and to permit persons to whom the Software is furnished to do so, subject to the following conditions:
The above copyright notice and this permission notice shall be included in all copies or substantial portions of the Software.
THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE SOFTWARE.