Tagueamento de PoS e Derivação Não Supervisionados para Línguas Aglutinativas

O número de formas de palavras possíveis é teoricamente infinito em línguas aglutinativas. Isso levanta a questão do vocabulário fora do limite (OOV) para o tagueamento de parte do discurso (PoS) em línguas aglutinativas. Como a morfologia flexional não altera a etiqueta PoS de uma palavra, propomos aprender as raízes junto com as etiquetas PoS simultaneamente. Portanto, nosso objetivo é superar o problema da escassez reduzindo as formas de palavras em suas raízes. Adotamos um modelo bayesiano que é completamente não supervisionado. Construímos um Modelo de Markov Oculto para o tagueamento de PoS onde as raízes são emitidas através de estados ocultos. Várias versões do modelo são introduzidas para observar os efeitos de diferentes dependências em todo o corpus, como a dependência entre raízes e etiquetas PoS ou entre etiquetas PoS e afixos. Além disso, utilizamos incorporações de palavras neurais para estimar a similaridade semântica entre a forma da palavra e a raiz. Usamos a similaridade semântica como informação prévia para descobrir a raiz real de uma palavra, uma vez que a flexão não altera o significado de uma palavra. Comparamos nossos modelos com outros modelos não supervisionados de derivação e tagueamento de PoS em turco, húngaro, finlandês, basco e inglês. Os resultados mostram que um modelo conjunto para tagueamento de PoS e derivação melhora em relação a um tagueador e derivador de PoS independentes em línguas aglutinativas.