Descargue aquí el código fuente (scripts) del extractor, implementado con el lenguaje interpretado PERL, y lea las instrucciones para su correcta instalación. Requisitos:
Un fichero con texto bruto, en formato plano ("plain text"), codificado en ISO-8859-1.
Texto en formato plano codificado en ISO-8859-1. Cada línea contiene tres columnas: (1) el término multi-palabra extraído, (2) el patrón de etiquetas morfosintácticas y (3) el grado de cohesión entre los lemas que constituyen el término multi-palabra. Ejemplo:
1 | 2 | 3 |
tasa de crecimiento | N-P-N | 0.023 |
tasa interanual | N-A | 0.056 |
GaleXtract toma como entrada un texto en formato "plain text" y selecciona candidatos a término a partir de 5 patrones de etiquetas morfosintácticas y 2 filtros: un filtro estadístico y un filtro por frecuencias. La salida del extractor es una lista de términos multi-palabra.
GaleXtract genera la lista de términos en tres procesos: (1) etiquetación morfosintáctica, (2) pre-selección de candidatos por medio de patrones de etiquetas y (3) filtrado.
El extractor parte de texto en "plain text", codificado en ISO latin. El texto de entrada es etiquetado morfosintácticamente mediante Freeling o Treetagger (links...). Se puede usar texto escrito en 5 lenguas:
Una vez etiquetado el texto, se seleccionan las expresiones que aparecen en 5 patrones de etiquetas (N=nombre, A=adjetivo, P=preposición, V=verbo, PCLE=partícula):
En el formulario de consulta, puede escoger 5 lenguas y 2 etiquetadores, teniendo en cuenta que el francés y el portugués sólo permiten texto etiquetado con Treetagger.
El sistema selecciona aquellas expresiones que ocurren en el corpus con una frecuencia superior a un determinado umbral (threshold1=1, por defecto) y también aquéllas con una medida de cohesión (SCP) superior a un determinado umbral (threshold2=0.001, por defecto). Los umbrales de estos dos filtros pueden modificarse manualmente en el formulario de consulta. Para un texto mayor de 50k, se recomienda asignar un valor mayor o igual a "2" para Threshold1.