Constituency Structure over Eojeol in Korean Treebanks

Resumo Técnico: Estrutura de Constituintes sobre Eojeol em Treebanks de Coreano

Definição do Problema
O design de treebanks de constituintes coreanos enfrenta um desafio representacional central em relação à escolha das unidades terminais. O coreano é morfologicamente complexo, combinando radicais lexicais com morfemas funcionais (ex: partículas de caso, desinências verbais). Os treebanks existentes diferem na forma como lidam com essa complexidade: alguns tratam morfemas como terminais de constituintes independentes, enquanto outros tratam o eojeol (a unidade de espaçamento ortográfico no coreano) como o terminal.

Tratar morfemas como terminais de constituintes cria problemas significativos:

1. Interpretabilidade: Conflui a morfologia interna da palavra com a estrutura sintática de nível de frase, obscurecendo a distinção entre composição morfológica e agrupamento sintático.
2. Interoperabilidade: Cria incompatibilidades com os recursos de dependência baseados em eojeol predominantes (ex: Universal Dependencies, treebanks de dependência coreana). A conversão entre árvores de constituintes baseadas em morfemas e árvores de dependência baseadas em eojeol requer a reconstrução heurística de fronteiras de palavras, complicando a comparação e avaliação entre recursos.
3. Parsing (Análise Sintática): Terminais baseados em morfemas exigem a segmentação morfológica padrão-ouro como pré-requisito para a análise de estrutura de frase, dificultando o desenvolvimento de parsers de constituintes ponta a ponta que operam diretamente sobre a entrada de superfície.

Metodologia e Estrutura Proposta
O artigo propõe uma representação de constituintes baseada em eojeol, onde o eojeol serve como a unidade terminal estável para a estrutura de frase, enquanto a informação morfológica é codificada em uma camada separada, não constituinte.

• Definição de Terminal: As unidades terminais da árvore de constituintes são eojeols explícitos (unidades de forma de superfície).
• Preterminais: A cada eojeol é atribuída uma etiqueta de Classe Gramatical Universal (UPOS), atuando como uma categoria preterminal que media entre a estrutura de nível de frase e a forma de superfície. Isso abstrai detalhes morfológicos específicos da língua enquanto mantém a interpretabilidade sintática.
• Camada Morfológica: A segmentação morfológica detalhada e as etiquetas de Classe Gramatical específica da língua (XPOS) são registradas em uma camada de anotação paralela e não constituinte. Esta camada captura a estrutura interna da palavra (ex: 프랑스/NNP+의/JKG) sem projetar os morfemas como nós independentes na hierarquia de constituintes.
• Estratégia de Normalização: Os autores demonstram que os treebanks coreanos existentes (Sejong, Penn Korean e KAIST) podem ser mapeados para este backbone compartilhado baseado em eojeol através de etapas explícitas de normalização:
  • Sejong: Desbinarização de expansões estritas de Forma Normal de Chomsky.
  • Penn Korean: Remoção de elementos nulos (ex: pro) e normalização da morfologia funcional.
  • KAIST: Colapso de morfemas funcionais separados de volta aos seus terminais eojeol hospedeiros.

Principais Contribuições

1. Posicionamento Representacional: O artigo argumenta que a morfologia ligada sintaticamente relevante não precisa ser representada como terminais de constituintes independentes. Em vez disso, os terminais eojeol fornecem um backbone sintático estável, com a informação morfossintática preservada separadamente.
2. Análise Comparativa: Os autores fornecem uma análise comparativa dos treebanks Sejong, Penn Korean e KAIST, mostrando que, apesar de seus diferentes designs internos (ramificação binária, elementos nulos ou morfologia exposta), eles podem ser normalizados para um domínio de constituintes compartilhado baseado em eojeol.
3. Esquema de Anotação: É proposto um formato de anotação concreto de seis colunas (semelhante ao CoNLL-U) que integra:
   • ID do Token
   • Forma de superfície (eojeol)
   • Segmentação morfológica (XPOS)
   • POS Universal (UPOS)
   • Bracketing de constituintes à esquerda e à direita
     Este formato permite que o parsing de constituintes e a análise morfológica sejam realizados de forma independente, permanecendo alinhados no nível do eojeol.
4. Validação Estrutural: Uma comparação estrutural em pequena escala (Tabela 2) quantifica o impacto da normalização. Os resultados mostram que a normalização para terminais eojeol reduz a contagem de terminais (colapsando morfemas/nulos) e a contagem de não-terminais (removendo binarização/nós abstratos), alinhando assim a complexidade estrutural de diferentes treebanks sem alterar a sequência de superfície explícita.

Resultados e Descobertas

• Alinhamento Estrutural: A normalização alinha com sucesso os três principais treebanks sobre um rendimento (yield) compartilhado baseado em eojeol. Embora as árvores originais difiram em profundidade e ramificação devido a convenções específicas de cada recurso (ex: a binaridade estrita do Sejong, os elementos nulos do Penn, a morfologia exposta do KAIST), as versões normalizadas compartilham um domínio terminal comum.
• Interoperabilidade: O esquema proposto estabelece uma correspondência direta entre as representações de constituintes e de dependência, pois ambas podem operar sobre a mesma sequência de eojeol. Isso elimina a necessidade de reconstrução heurística de fronteiras de palavras durante o alinhamento entre recursos.
• Implicações para Parsing: A proposta apoia o futuro parsing de constituintes coreanos ponta a ponta ao fornecer uma camada terminal de forma de superfície que não exige a segmentação de morfemas padrão-ouro como pré-requisito.

Significância e Alegações
O artigo alega modestamente que sua proposta é uma fundação representacional e metodológica, e não uma teoria abrangente da sintaxe coreana.

• Clarificação de Papéis: Esclarece a divisão de trabalho entre a sintaxe (estrutura de frase sobre eojeol) e a morfologia (estrutura interna registrada separadamente).
• Desenvolvimento de Recursos: Oferece uma base principiológica para o desenvolvimento de corpora futuros e comparação entre treebanks, garantindo que as diferenças de análise não sejam confundidas por diferenças na granularidade dos terminais.
• Compatibilidade: Permite que a anotação de constituintes coreanos seja interoperável com as Universal Dependencies e outros recursos baseados em eojeol sem sacrificar o acesso à rica informação morfológica.
• Limitações: Os autores reconhecem que o processo de normalização não é sem perdas; ele abstrai detalhes específicos do recurso, como decisões de binarização, categorias vazias e a projeção sintática explícita da morfologia funcional encontrada nos treebanks originais. No entanto, argumentam que essa abstração é necessária para estabelecer um backbone estável e comparável para a análise sintática.