RT Journal Article
T1 PoS-tagging the Web in Portuguese. National varieties, text typologies and spelling systems
T2 Anotación morfosintáctica de la Web en portugués. Variedades nacionales, tipologías textuales y sistemas ortográficos
A1 García González, Marcos
A1 Gamallo Otero, Pablo
A1 Gayo, Iria
A1 Pousada Cruz, Miguel Ángel
K1 PoS-tagging
K1 Portuguese
K1 Web as Corpus
K1 Spelling Agreement
K1 Anotación morfosintáctica
K1 Portugués
K1 Acordo ortográfico
AB The great amount of text produced every day in the Web turned it as one of the main sources for obtaining linguistic corpora, that are further analyzed with Natural Language Processing techniques. On a global scale, languages such as Portuguese âofficial in 9 countries- appear on the Web in several varieties, with lexical, morphological and syntactic (among others) differences. Besides, a unified spelling system for Portuguese has been recently approved, and its implementation process has already started in some countries. However, it will last several years, so different varieties and spelling systems coexist. Since PoS-taggers for Portuguese are specifically built for a particular variety, this work analyzes different training corpora and lexica combinations aimed at building a model with high-precision annotation in several varieties and spelling systems of this language. Moreover, this paper presents different dictionaries of the new orthography (Spelling Agreement) as well as a new freely available testing corpus, containing different varieties and textual typologies
AB La gran cantidad de texto producido diariamente en la Web ha provocadoque ésta sea utilizada como una de las principales fuentes para la obtención decorpus lingüísticos, posteriormente analizados utilizando técnicas de Procesamientodel Lenguaje Natural. En una escala global, idiomas como el portugués —oficialen 9 estados— aparecen en la Web en diferentes variedades, con diferencias léxicas,morfológicas y sintácticas, entre otras. A esto se suma la reciente aprobación de unaortografía unificada para las diferentes variedades del portugués, cuyo proceso deimplementación ya ha comenzado en varios países, pero que se prolongará todavíadurante varios años, conviviendo por lo tanto también diferentes ortografías. Unavez que los etiquetadores morfosintácticos existentes para el portugués están adaptadosespecíficamente para una variedad nacional concreta, el presente trabajo analizadiferentes combinaciones de corpus de aprendizaje y de léxicos con el fin de obtenerun modelo que mantenga una alta precisión de anotación en diferentes variedades yortografías de esta lengua. Además, se presentan diferentes diccionarios adaptadosa la nueva ortografía (Acordo Ortográfico de 1990) y un nuevo corpus de evaluacióncon diferentes variedades y tipologías textuales, disponibilizado libremente
PB Sociedad Española para el Procesamiento del Lenguaje Natural (SEPLN)
SN 1135-5948
YR 2014
FD 2014
LK http://hdl.handle.net/10347/17695
UL http://hdl.handle.net/10347/17695
LA eng
NO Garcia, M., Gamallo, P., Gayo, I., & Pousada Cruz, M. (2014). PoS-tagging the Web in Portuguese. National varieties, text typologies and spelling systems. Procesamiento Del Lenguaje Natural, 53, 95-101. Recuperado de http://journal.sepln.org/sepln/ojs/ojs/index.php/pln/article/view/5045/2933
NO This work has been supported by the hpcpln project – Ref: EM13/041 (Galician Government) and by the Celtic – Ref: 2012-CE138 and Plastic – Ref: 2013-CE298 projects (Feder-Interconnecta)
DS Minerva
RD 28 abr 2026