PDF de programación - Una Herramienta de Recuperación Morfoléxica aplicada a Microsoft Word

Una Herramienta de

Recuperación Morfoléxica
Aplicada a Microsoft Word

Octavio Santana Suárez ([email protected])
Universidad de Las Palmas de Gran Canaria
Zenón Hernández Figueroa
([email protected])
Universidad de Las Palmas de Gran Canaria
Gustavo Rodríguez Rodríguez
([email protected])
Universidad de Las Palmas de Gran Canaria
Luis Losada García ([email protected])
Universidad de Las Palmas de Gran Canaria

1. Introducción
U no de los aspectos de la investigación en lingüística es el

estudio del uso de la lengua en documentos escritos; se

trata de identificar y analizar la aparición de determinadas
construcciones, lo que, en gran medida, puede entenderse como
una clase particular de lo que en informática se conoce como
recuperación de información. En el ámbito de la recuperación
de información se ha tenido desde siempre conciencia de la
insuficiencia de las b úsquedas exacta y parcial de las palabras
de un texto, y también de la necesidad de incorporar información
lingüística para una recuperación más completa. Las ya antiguas
búsquedas con truncamiento parten de la hipótesis de que las
distintas formas de una palabra se componen de una raíz fija
acompañada de un sufijo o un prefijo v
ariables; tal hipótesis
suele ser bastante acertada para lenguas poco fle xivas, pero
resulta muy pobre con lenguas muy fle xivas y con altas tasas
de irregularidad. Las búsquedas con máscara, por similitud o
en base a expresiones regulares no incorporan la adecuada
información sobre la naturaleza morfológica de las palabras.

2. Antecedentes
E l Grupo de Estructuras de Datos y Lingüística

Computacional (GEDLC, <http://www.gedlc.ul
pgc.es>) del Departamento de Informática y Sistemas de la
Universidad de las Palmas de Gran Canaria lleva algún tiempo

ACH/ALLC 2005

desarrollando trabajos en morfología computacional, sintaxis
automatizada, análisis de textos y lexicografía que incluyen
lematizadores y fle xionadores del español, así como el estudio
de relaciones morfoléxicas entre las palabras.

El bagaje de conocimientos acumulado y la experiencia en el
desarrollo de herramientas en el campo se ponen en este trabajo
al servicio del desarrollo de sistemas de localización de
fenómenos morfológicos del español dentro de un texto. Se ha
realizado una aplicación de búsqueda lingüística aplicada a un
procesador de textos popular —Microsoft Word.

El hecho de que el diálogo "Buscar y reemplazar" de MS-Word
XP ofrezca una opción llamada «Todas las formas de la palabra»
que según la ayuda de la aplicación sirve para «Buscar o
reemplazar sustantivos, adjetivos o tiempos verbales» demuestra
el interés de este tipo de búsquedas en el contexto de un
procesador de textos. Pero la propia ayuda de la aplicación hace
dudar del alcance de tales búsquedas al poner ejemplos como:
«reemplace 'manzana' por 'naranja' y, al mismo tiempo,
reemplazará 'manzanas' por 'naranjas'» o «reemplace 'peor' por
'mejor' y, al mismo tiempo, reemplazará 'el peor' por 'el mejor'»
; ambos casos corresponden a simples sustituciones de cadenas
de caracteres que no requieren ningún conocimiento lingüístico
especial y que, de hecho, se pueden realizar sin seleccionar la
opción «Todas las formas de la palabra» ; más prometedor
parece el ejemplo de los verbos: «reemplace 'dormir' por 'salir'
y, al mis mismo tiempo, reemplazará 'dormido' por 'salido'» ,
pero el GEDLC no ha logrado verlo funcionar.

3. La herramienta desarrollada
S e ha desarrollado una herramienta de búsqueda textual para

MS-Word que incorpora los aspectos fle xivos, derivativos
y prefijales entre otros mecanismos de formación de palabras
del español, lo que aporta una gran potencia de búsqueda.

A la hora de diseñar una aplicación que permita especificar
patrones de búsqueda que tengan en cuenta aspectos fle xivos y
derivativos de la lengua hay que observar una cuestión
fundamental: la gran cantidad de detalles que son susceptibles
de configuración —la fle
diferentes.

xión verbal admite 116 configuraciones

3.1 Organización

La aplicación se ha diseñado para presentar distintos niveles de
detalle. El nivel básico muestra: una caja de entrada de texto,
en la que el usuario debe introducir la palabra a buscar, un botón
para iniciar la búsqueda, otro para usar la palabra como parte
de una coocurrencia, y un par de flechas que dan acceso a
mayores detalles.

Page 1

ACH/ALLC 2005

4. Conclusiones
S e ha elegido MS-Word por ser, seguramente, el procesador

de textos más extendido bajo el entorno MS-Windows y
disponer de interfaz COM (Component Object Model) que
facilita
interoperabilidad con otras aplicaciones. La
concepción de la herramienta en si es tal que podría interactuar
con otras aplicaciones que ofrezcan interfaces COM.

la

Figure 1

El usuario sólo tiene que escribir una palabra y pulsar el botón
Buscar. El patrón de búsqueda que se aplicará será el que esté
configurado —por defecto corresponde a "cualquier palabra del
texto que tenga una forma canónica que coincida con alguna de
las formas canónicas de la palabra de búsqueda y que, para esa
forma canónica, tenga la misma fle xión".

En el siguiente nivel de detalle se pueden elegir los grados de
derivación y de fle xión; se usan tres escalas independientes:
una para la derivación y otras dos para la fle xión de las formas
verbales y de las no verbales.

Si el usuario requiere una recuperación más precisa accederá
al último nivel de detalle de la fle xión —las relaciones
morfoléxicas continúan en un nivel paralelo—, donde se podrá
modificar el patrón de b úsqueda, ampliando o recortando
elecciones de fle xión. Existe la posibilidad de añadir o quitar
del patrón de búsqueda prefijos y , en el caso de los verbos,
pronombres enclíticos.

Cabe tener en cuenta las formas canónicas que correspondan a
la palabra de búsqueda o ignorarlas: por ejemplo, buscar palabras
que sean "primera persona del singular del presente de indicativo
de un verbo introducido" o, ignorando la forma canónica,
"primera persona del singular del presente de indicativo de
cualquier verbo".

Eligiendo una forma canónica se accede a la interfaz de
configuración de las relaciones morfolé xicas en donde se puede
indicar qué formas relacionadas se desea incluir en la búsqueda.

Si el usuario escribe un asterisco en lugar de una palabra, se
abre la posibilidad de configurar un patrón de b úsqueda por
características morfogramaticales, sin determinación léxica; por
ejemplo, localizar todas las palabras que sean "sustantivos
femeninos plurales" o "formas verbales del presente de
indicativo", independientemente de cualquier forma canónica.

Además de la búsqueda de palabras individuales, es posible la
localización de coocurrencias, tanto con determinación léxica,
como por características morfogramaticales —lo que permite
afinar la b úsqueda hasta el punto de poder situar fenómenos
lingüísticos específicos, tales como: perífrasis v erbales,
regímenes preposicionales y colocaciones léxicas.

Page 2

De hecho, el objetivo principal consistió en cómo configurar
una interfaz que aprovechara lo motores de lematización
desarrollados por el GEDLC para realizar búsquedas que
incorporen conocimiento lingüístico de forma potente, usable
y efectiva. La decisión de que la herramienta desarrollada se
aplicase a un procesador de textos pretendió evitar las
distracciones derivadas de problemas particulares de otros
ámbitos, tales como los de la navegación, si la herramienta se
aplicaba a realizar búsquedas en la red, por ejemplo. El siguiente
paso será adaptar la interfaz desarrollada para aplicarla a
entornos más complejos que un procesador de textos, tales como:
el análisis de corpus, el estudio del uso de la lengua en Internet,
herramientas de apoyo a la enseñanza, etc. Es un proceso
abordable dada la experiencia que también posee el GEDLC en
ese campo, como se refleja en trabajos pre viamente publicados
sobre analizadores de páginas Web. Análogamente,
la
herramienta desarrollada podría aplicarse a la recuperación de
información en bases de datos textuales.

Bibliografía

Figuerola, Carlos G., Raquel Gómez, Angel F. Zazo Rodríguez,
and José Luis Alonso Berrocal. "Stemming in Spanish: A first
approach to its impact on information retrieval." Results of the
Cross-Language System Evaluation Campaign CLEF 2001,
Darmstadt, Germany. Ed. Carol Peters. September 2001.
197-202.

Figuerola, Carlos G., Raquel Gómez Diaz, Angel F. Zazo
Rodríguez, and José Luis Alonso Berrocal. "Spanish
monolingual track: the impact of stemming on retrieval."
Evaluation of Cross-Language Information Retrieval Systems.
Second Workshop of the Cross-Language Evaluation Forum,
CLEF 2001. Darmstadt, Germany, September 2001; Revised
papers, volume LNCS 2406 of Lecture Notes in Computer
Science (2002): 253-261.

Santana, O., F. Carreras, J. Pérez, and G. Rodríguez. "Relaciones
morfoléxicas prefijales del español." Procesamiento de Lenguaje
Natural 32 (2004): 9-36.

ACH/ALLC 2005

Santana, O., F. Carreras, J. Pérez, and G. Rodríguez. "Relaciones
morfoléxicas sufijales en español." Procesamiento de Lenguaje
Natural 30 (Marzo, 2003): 1-73.

Santana, O., J. Pérez, Z. Hernández, F. Carreras, and G.
Rodríguez. "FLAVER: Flexionador y lematizador automático
de formas verbales." Lingüística Española Actual XIX.2 (1997):
229-282.

Santana, O., J. Pérez, F. Carreras, Z. Hernández, J. Duque, and
G. Rodríguez. "FLANOM: Flexionador y lematizador
automático de formas nominales." Lingüística Española Actual
XXI.2 (1999): 253-297.

Page 3