Poda impulsada por errores de gramáticas de Treebank para la identificación de frases nominales básicas

Encontrar frases nominales básicas simples y no recursivas es una sub-tarea importante para muchas aplicaciones de procesamiento de lenguaje natural. Si bien los métodos empíricos anteriores para la identificación de NPs básicas han sido bastante complejos, este artículo propone en cambio un algoritmo muy simple que está diseñado para la relativa simplicidad de la tarea. En particular, presentamos un enfoque basado en corpus para encontrar NPs básicas mediante la coincidencia de secuencias de etiquetas de partes del discurso. La fase de entrenamiento del algoritmo se basa en dos técnicas exitosas: primero, la gramática de NP básica se lee de un corpus de "treebank"; luego, la gramática se mejora seleccionando reglas con altos puntajes de "beneficio". Usando este algoritmo simple con una heurística ingenua para la coincidencia de reglas, logramos una precisión sorprendente en una evaluación sobre el Penn Treebank Wall Street Journal.