DILUCT: Automatic Semantic Role Labeling using Selectional Preferences with Very Large Corpora Determinación automática de roles semánticos usando preferencias de selección sobre corpus muy grandes

We present a method for recognizing semantic roles for Spanish sentences. This method is based on dependency parsing using heuristic rules to infer dependency relationships between words, and word cooccurrence statistics (learnt in an unsupervised manner) to resolve ambiguities such as prepositional phrase attachment. If a complete parse cannot be produced, a partial structure is built with some (if not all) dependency relations identified. Evaluation shows that in spite of its simplicity, the parser’s accuracy is superior to the available existing parsers for Spanish. Though certain grammar rules, as well as the lexical resources used, are specific for Spanish, the suggested approach is language-independent. A particularly interesting ambiguity which we have decided to analyze deeper, is the Prepositional Phrase Attachment Disambiguation. The system uses an ordered set of simple heuristic rules for determining iteratively the relationships between words to which a governor has not been yet assigned. For resolving certain cases of ambiguity we use cooccurrence statistics of words collected previously in an unsupervised manner, whether it be from big corpora, or from the Web (through a search engine such as Google). Collecting these statistics is done by using Selectional Preferences. In order to evaluate our system, we developed a Method for Converting a Gold Standard from a constituent format to a dependency format. Additionally, each one of the modules of the system (Selectional Preferences Acquisition and Prepositional Phrase Attachment Disambiguation), is evaluated in a separate and independent way to verify that they work properly. Finally we present some Applications of our system: Word Sense Disambiguation and Linguistic Steganography. Resumen Se presenta un método para reconocer los roles semánticos de las oraciones en español, es decir, identificar el papel que tiene cada uno de los elementos de la oración. Este método se basa en análisis de dependencias usando reglas heurísticas para inferir relaciones de dependencia entre palabras, así como estadísticas de coocurrencia (aprendidas de manera no supervisada) para resolver ambigüedades como la adjunción de sintagma preposicional. Si no se puede producir un análisis completo, se construye una estructura parcial con algunas (si no todas) relaciones de dependencia identificadas. La evaluación muestra que a pesar de su simplicidad, la precisión del analizador es superior a aquella de los analizadores existentes actuales para el español. A pesar de que ciertas reglas gramaticales y los recursos léxicos usados son específicos para el español, el enfoque sugerido es independiente del lenguaje. Una ambigüedad interesante que hemos decidido analizar a mayor profundidad, es la desambiguación de sintagma preposicional. Automatic Semantic Role Labeling using Selectional Preferences with Very Large Corpora 129 Computación y Sistemas Vol. 12 No. 1, 2008, pp. 128-149 ISSN 1405-5546 El sistema usa un conjunto ordenado de reglas heurísticas simples para determinar iterativamente las relaciones entre palabras para las cuales no se les ha asignado aún un gobernante. Para resolver ciertos casos de ambigüedad usamos estadísticas de co-ocurrencias de palabras. Estas estadísticas han sido obtenidas previamente de una manera no supervisada, ya sea a partir de grandes corpus de texto, o a través de Internet (a través de un motor de búsqueda como Google). El conjunto de estadísticas de co-ocurrencias de uso conforman una base de datos de Preferencias de Selección. Para evaluar este sistema, desarrollamos un método para convertir un estándar existente, de un formato de constituyentes a un formato de dependencias. Adicionalmente, cada uno de los módulos del sistema (Adquisición de Preferencias de Selección, Desambiguación de Sintagma Preposicional) se evalúa de una forma separada e independiente para verificar su correcto funcionamiento. Finalmente, presentamos algunas aplicaciones de nuestro sistema: Desambiguación de sentidos de palabras y Estaganografía lingüística.