Algumas palavras tˆem m´ultiplos sentidos e na comunica¸c˜ao humana a determina¸c˜ao do sentido correto de uma palavra num texto ou conversa¸c˜ao ´e uma tarefa constante e trivial que raramente causa problemas. J´a para o computador, esse problema torna-se numa enor- me dificuldade, ainda que as palavras sejam ´obvias para um humano. Essa dificuldade por parte do computador deve-se ao facto das m´aquinas interpretarem texto como um conjunto de palavras sem qualquer significado e/ou valor. Assim, para conseguir a compreens˜ao e in- terpreta¸c˜ao adequada do informa¸c˜ao ´e essencial analisar com detalhe cada palavra de forma a obter o sentido apropriado. ´E por este motivo que a desambigua¸c˜ao de sentido de palavra, cujo tarefa ´e identificar de forma autom´atica o correto sentido (ou conceito) de uma palavra amb´ıgua, assume um papel de relevo dentro do PLN.
Recupera¸c˜ao de Informa¸c˜ao ´e a tarefa de indexa¸c˜ao e busca de dados, e nesse processo, os documentos precisam ser devidamente indexados com base no conceito das palavras nos documentos, em vez da pr´opria palavra, de forma que documentos apropriados sejam retor- nados. A tarefa de mapeamento de conceitos ´e feita atrav´es do mapeamento de palavras nos documentos ao seu conceito adequado na base de dados. Por isso, e a fim de fazer isso com precis˜ao, o conceito adequado deve ser identificado.
Algum trabalho tem sido feito, especificamente utilizando a informa¸c˜ao biom´edica para desambiguar palavras em artigos biom´edicos. Mcinnes propˆos, na sua tese de doutoramento [23], dois m´etodos que calculam a probabilidade de uma palavra estar no mesmo contexto da palavra-alvo de forma a determinar o conceito adequado. A probabilidade ´e obtida atrav´es da contagem do n´umero de vezes que uma palavra ocorre com a palavra-alvo no mesmo trecho de texto. Aplicar estes m´etodos ao texto biom´edico requer apenas um texto de referˆencia na ´
area biom´edica para determinar a probabilidade de termos biom´edicos ocorrerem com outros termos biom´edicos.
Como referimos em 2.1.3, UMLS ´e uma estrutura que integra conceitos de fontes bio- m´edicas e cl´ınicas numa ´unica base de dados contendo informa¸c˜oes sint´aticas e semˆanticas sobre esses conceitos. No UMLS, os conceitos associados as palavras e termos s˜ao enume- rados atrav´es de identificadores exclusivos denominados Concept Unique Identifiers(CUI), e dois m´etodos foram desenvolvidos com base nesses identificadores para resolver o problema
de termos amb´ıguos, tendo a particular vantagem de poder ser utilizado em qualquer texto biom´edico [23]. Um dos m´etodos utiliza o CUI como recurso para um m´etodo de apren- dizagem supervisionada para eliminar a ambiguidade, enquanto que o outro, baseado em conhecimento, faz uso da informa¸c˜ao UMLS para representar o contexto de poss´ıveis sentidos de uma palavra. No UMLS esses identificadores s˜ao mapeados considerando os termos, em vez de palavras individuais. A elimina¸c˜ao de ambiguidades em UMLS Metathesaurus ´e uma preocupa¸c˜ao nossa para este trabalho porque, independentemente do tipo, as ambiguidades devem ser resolvidas, especialmente se os conceitos UMLS, obtidos pelo algoritmos de mapea- mento, forem usado como suporte ao processamento adicional de texto de entrada, que ´e o que acontece no nosso caso, pois utilizamos um dicion´arios de termos UMLS para especificar o texto a ser indexado.
O UMLS Metathesaurus cont´em uma quantidade significativa de ambiguidade agrupadas em algumas classes [14]:
• Ambiguidade de Contexto. Surge, normalmente, a partir de termos que exigem contexto dentro do seu vocabul´ario, a fim de ser devidamente compreendido. Muitos dos problemas relacionados com ambiguidade foram corrigidos suprimindo termos errados do conceito, mas os problemas continuam a aparecer `a medida que o Metathesaurus cresce.
• Ambiguidade de Generaliza¸c˜ao. Tal como a ambiguidade de contexto, a ambigui- dade de generaliza¸c˜ao pertence a classe de falsa ambiguidade, e ´e causada por agrupa- mento de v´arios conceitos num conjunto, utilizando um termo mais geral.
• Ambiguidade de Abreviatura. Esta grande classe de ambiguidade ´e causada por situa¸c˜oes em que diferentes conceitos tˆem a mesma sigla (ou abreviatura). Por exemplo, “focal glomerular sclerosis”, “focal glomerulosclerosis”, “focal segmental glomeruloscle- rosi” e “focal sclerosing glomerulonephrit” todos tˆem a mesma abreviatura “FSGS” ou “fsgs”. Embora essa classe represente ambiguidade verdadeira no sentido estrito, a mesma ´e desencorajada nas situa¸c˜oes de processamento de elevada quantidade de texto, especialmente aqueles em que os autores definem as abreviaturas que usam.
No sistema proposto por [24] o processo de WSD ´e impulsionado por regras associadas aos tipos semˆanticos. Cada tipo semˆantico tem associado a si uma regra de desambigua¸c˜ao que especifica a evidˆencia de que suporta a sele¸c˜ao deste tipo semˆantico. O princ´ıpio geral que suporta a resolu¸c˜ao dessa ambiguidade ´e a no¸c˜ao de que um determinado sentido de um termo ocorre num contexto definido. Isto ´e, ap´os a sele¸c˜ao de um tipo semˆantico, o conceito UMLS associado a esse tipo semˆantico ´e selecionado e todos os restantes candidatos s˜ao rejeitados. Uma caracter´ıstica importante dessa abordagem ´e o facto da mesma ser probabil´ıstica, ou seja, a aplica¸c˜ao bem sucedida de uma regra a favor de um determinado tipo semˆantico indica que existe uma probabilidade da ambiguidade ser resolvida a favor desse tipo semˆantico.
2.2.1 Metodologia B´asica
No WSD, o contexto s˜ao as palavras que se encontram no lado direito e esquerdo da palavra amb´ıgua num texto. As palavras de contexto auxiliam os m´etodos de WSD a encontrar rela¸c˜oes ou padr˜oes que caraterizam o sentido de uma palavra a desambiguar.
Por se tratar de um fen´omeno dif´ıcil de ser tratado ´e de vital importˆancia entender como outros componentes no PLN interagem com o l´exico, e a partir dessa informa¸c˜ao tornar poss´ıvel a elimina¸c˜ao da ambiguidade determinando a semˆantica das palavras num contexto. Segundo [23] os m´etodos utilizados na tarefa de WSD podem ser agrupados em trˆes grandes grupos de m´etodos de Machine Learning:
• M´etodos baseados em conhecimento • M´etodos de Aprendizagem Supervisionada • M´etodos Aprendizagem n˜ao Supervisionada M´etodos baseados em conhecimento
Para essa disserta¸c˜ao, esse ´e o m´etodo que mais nos interessa pelo facto do mesmo utilizar recursos externos, tais como, dicion´arios, Thesaurus ou mesmo textos sem qualquer tipo de anota¸c˜ao, para eliminar ambiguidades de conceitos. A grande vantagem desse m´etodo em rela¸c˜ao aos outros dois mencionados, ´e que n˜ao existe a necessidade de se ter dados de teste para cada palavra amb´ıgua, permitido dessa forma que o sistema possa eliminar as ambiguidades em texto “corrido”. Por outro lado, tem a desvantagem de ser um m´etodo dependente da l´ıngua e dom´ınio, pois ´e necess´ario uma fonte de conhecimento na l´ıngua e dom´ınio apropriado.
M´etodos de Aprendizagem Supervisionada
Estes m´etodos eliminam as ambiguidades recorrendo `as informa¸c˜oes obtidas automatica- mente a partir de um corpus manualmente anotado. Normalmente, tˆem uma fase de treino onde o algoritmo aprende a reconhecer o contexto em torno do conceito, e ap´os o treino o modelo de WSD ´e gerado e pode ser usado para resolver novos casos de ambiguidades que, no entanto, apare¸cam. A principal vantagem desses m´etodos ´e o facto de que os sentidos podem ser estabelecidos, previamente, fornecendo uma anota¸c˜ao mais adequada e refinada.
Essa caracter´ıstica faz com que os m´etodos supervisionados apresentem, geralmente, um melhor desempenho na precis˜ao da elimina¸c˜ao de ambiguidades, tanto para um pequeno grupo de palavras, como para todas as palavras do texto. No entanto, a necessidade de haver dados de teste, manualmente anotados, para cada palavra amb´ıgua constitui uma desvantagem, uma vez que se trata de um trabalho intensivo e um processo bastante demorado, aspetos que acabam, inevitavelmente, por restringir a abrangˆencia de muitos trabalhos a poucas palavras, porque n˜ao h´a, ainda, corpus representativos com anota¸c˜oes de sentido, que possam ser utilizados de forma generalista para o WSD, uma vez que o n´ıvel de refinamento de anota¸c˜oes exigida depende da aplica¸c˜ao e do dom´ınio [25].
M´etodos de Aprendizagem n˜ao Supervisionada
Ao contr´ario dos m´etodos supervisionados, os m´etodos n˜ao supervisionados identificam padr˜oes nos conjuntos de dados sem benef´ıcio dos dados anotados, ou seja, confiam nos dados de testes n˜ao anotados. Estes padr˜oes s˜ao utilizados para agrupar dados com caracter´ısticas similares. Ou seja, agrupam palavras tendo como referˆencia a similaridade do contexto (cada
grupo representa um conceito), sem, no entanto, ter um conjunto pr´e-determinado de cate- gorias. Essa caracter´ıstica baseia-se na premissa de que palavras com significado similares tendem a ter contexto similares. Em geral, este m´etodo favorece a descrimina¸c˜ao do sentido de palavra em vez de WSD, pois possui apenas um conjunto de dados n˜ao anotados como ´
unico recurso. Dito de outra maneira, o m´etodo procura identificar grupos de conceitos simi- lares e, na presen¸ca de uma nova palavra, verificar em que grupo ela pertence.
Dessa forma, a grande vantagem dos m´etodos de aprendizagem n˜ao supervisionada ´e o facto de n˜ao ser necess´ario uma grande quantidade de dados de teste, anotados manualmente, porque esse trabalho ´e feito usando algoritmos de clustering em vez de anotadores humanos como nos m´etodos supervisionados. Outro aspeto vantajoso desse m´etodo ´e o facto de ser independente da l´ıngua e dom´ınio de interesse. Por outro lado, s˜ao necess´arios dados de teste para cada palavra que ´e preciso desambiguar, e, em termos de precis˜ao na desambigua¸c˜ao de sentido de palavras, este m´etodo n˜ao consegue resultados t˜ao bons como nos m´etodos supervisionados.
2.2.2 Desambigua¸c˜ao de abreviaturas
A resolu¸c˜ao de uma abreviatura num documento consiste em obter o seu sentido para o contexto em que est´a a ser utilizado. Este ´e um aspeto muito importante a ter em considera¸c˜ao porque o seu devido tratamento melhora a precis˜ao dos sistemas de RI. As abreviaturas (ou siglas ou acr´onimos) podem ser distinguidas como globais e locais [26], sendo que as globais aparecem nos documentos sem a indica¸c˜ao expl´ıcita da sua forma extensa, enquanto que as locais aparecem acompanhadas da sua forma extensa. As abreviaturas globais s˜ao geralmente amb´ıguas, o que significa que tˆem diferentes sentidos em documentos diferentes. Em particu- lar, 80% das abreviaturas definidas no UMLS tˆem ocorrˆencias amb´ıguas no Medline.
Muitos erros na identifica¸c˜ao de nomes de entidade s˜ao explicados por varia¸c˜oes obser- vadas nas abreviaturas globais. Por isso, a resolu¸c˜ao de abreviaturas locais e globais para as suas formas extensa ´e um passo importante para a melhoria da qualidade de extra¸c˜ao de informa¸c˜ao e sistemas de recupera¸c˜ao de informa¸c˜ao, sendo que a etapa mais problem´atica na resolu¸c˜ao da abreviatura ´e a recupera¸c˜ao do sentido de uma abreviatura global que ´e amb´ıgua. A desambigua¸c˜ao de uma abreviatura contida num documento consiste em calcular o seu contexto no documento e recuperar o sentido mais prov´avel, dado o contexto.
Entre os trabalhos relacionados com abreviaturas, destaca-se o de Rebholz-Schuhmann et al. [26] que apresentou t´ecnicas distintas para a resolu¸c˜ao de abreviaturas globais e locais. Quando uma abreviatura ´e identificada, ´e realizada uma pesquisa eficiente para todas as formas poss´ıveis que corresponde a abreviatura localizada no documento. Se for encontrada uma correspondˆencia, a sua forma mais frequente ´e mantida. Se nenhuma forma extensa da abreviatura puder ser recuperada a partir do documento, ´e realiza uma verifica¸c˜ao no dicion´ario. Se apenas um sentido ´e encontrado, ent˜ao a abreviatura n˜ao ´e amb´ıgua e a forma mais frequente do sentido original ´e mantida. Caso contr´ario, se v´arios sentidos para a mesma abreviatura forem encontrados, ent˜ao ´e aplicado o processo de desambigua¸c˜ao.
Para as abreviaturas locais utiliza um dicion´ario de abreviaturas onde se procura a sua forma extensa que ocorre com mais frequente nos textos, enquanto que no caso de abreviaturas globais amb´ıguas ´e utilizado um processo de WSD que consiste no uso do contexto para identificar o significado adequado da abreviatura. ´E um processo baseado num dicion´ario de alta qualidade, onde n˜ao ´e tomado em considera¸c˜ao os pares abreviatura/sentido que raramente ocorrem, sem, no entanto, alterar a natureza do problema de desambigua¸c˜ao. Os termos de contexto utilizados nessa abordagem s˜ao extra´ıdos com recurso ao uso do m´etodo “C-value” que combina aspetos lingu´ısticos e estat´ısticos dos termos [27]. De acordo com esse m´etodo, apenas as palavras que contˆem termos com pontua¸c˜ao (score) elevada s˜ao mantidas para representar um documento.