Formulario de consulta on-line
Descarga del software

Descargue aquí el código fuente (scripts) del extractor, implementado con el lenguaje interpretado PERL, y lea las instrucciones para su correcta instalación. Última versión de 2011. Requisitos:

GaleXtra incluye la instalacion (parcial) de Tree-Tagger

¿Cómo se instala?


# tar xzvf galeXtra.tgz
# cd gale-extra
# sh install-galextra.sh

¿Cómo se usa?


# sh extractorTermos.sh
Syntax: extractorTermos.sh tagger lang file [freq]

tagger= freeling, treetagger
language= gl, es, en, pt, fr
file= fichero de entrada
freq= frecuencia mínima

Descripción de la entrada y salida del extractor:
Formato de entrada

Un fichero con texto bruto, en formato plano ("plain text"), codificado en ISO-8859-1.

Formato de salida

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 asociación entre las palabras que constituyen el término multi-palabra. Ejemplo:

1 2 3
tasa de crecimiento N-P-N 0.023
tasa interanual N-A 0.056
Descripción

GaleXtract fue elaborado dentro del proyecto Gari-Coter. El sistema toma como entrada un texto en formato "plain text", selecciona candidatos a término a partir de 5 patrones de etiquetas morfosintácticas y un filtro por frecuencias, y finalmente ordena los candidatos seleccionados usando una medida de asociación (entre 4 disponibles). La salida del extractor es una lista ordenada de términos multi-palabra.

GaleXtract genera la lista de términos en cuatro procesos: (1) etiquetación morfosintáctica, (2) pre-selección de candidatos por medio de patrones de etiquetas, (3) filtrado por frecuencias y (4) ordenación por valores de asociación.

(1) Etiquetación morfosintáctica

El extractor parte de texto en "plain text", codificado en ISO latin. El texto de entrada es etiquetado morfosintácticamente mediante Freeling o Treetagger. Se puede usar texto escrito en 5 lenguas:

(2) Patrones de etiquetas

Una vez etiquetado el texto, se seleccionan las expresiones que aparecen en varios 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 sólo permite texto etiquetado con Treetagger.

(3) Filtrado

El sistema selecciona aquellas expresiones que ocurren en el corpus con una frecuencia superior a un determinado umbral (freq=1, por defecto). El formulario de muestra permite escoger un umbral (frecuencia mínima) entre 1 y 5.

(4) Ordenación

Una vez seleccionada la lista de los candidatos a término, el sistema la ordena de mayor a menor utilizando una medida de asociación estadística. Se puede escoger entre 5 medidas: coocurrencias (cooc), loglike (log), ji-cuadrado (chi), información mutua (mi) o SCP (scp).

Última modificación: Febrero de 2011
© Universidade de Santiago de Compostela