Generación automática de una gramática de estados finitos para la morfología del español
	Proyecto de doctorado
	Carlos Francisco Méndez Cruz
A) Resumen de la tesis
El presente trabajo de investigación propone un método no supervisado de segmentación morfológica automática que infiere parte de la morfotáctica del español. Su principal interés ha sido el descubrimiento de patrones morfotácticos que describan el orden y secuencialidad de unidades morfológicas a partir de corpus (datos empíricos). Ya que la morfotáctica de una lengua puede llegar a ser muy compleja, este trabajo se aboca únicamente al descubrimiento de bases y secuencias de sufijos (sufitáctica). Con estas unidades se crea un aparato de descripción formal que describe su orden y secuencialidad. Así, los objetivos planteados son: 1. Descubrir, a partir de corpus y mediante un método no supervisado de segmentación morfológica automática, los sufijos y sufitáctica de la lengua española. 2. Generar, a partir de los sufijos y sufitáctica descubiertos, una gramática de estados finitos que describa la morfotáctica del español. Estos objetivos se llevaron a cabo mediante el procesamiento automático del Corpus del Español Mexicano Contemporáneo, que fue creado bajo criterios estadísticos como muestra representativa del léxico del español mexicano. Para lograr el primer objetivo, se modificó el método propuesto por Medina (200; 2003), que cuantifica la afijalidad de segmentos al interior de una palabra. Este método propone que los valores más altos de afijalidad dan cuenta de fronteras morfológicas. Después de un primer acercamiento, en el que se desarrolló un truncador morfológico que demostró su efectividad para la tarea de resumen automático de documentos, y diversos experimentos de segmentación morfológica, se determinó la mejor estrategia para el descubrimiento de bases y sufijos de acuerdo a una evaluación hecha mediante un corpus segmentado manualmente. Para el logro del segundo objetivo, se desarrolló un procedimiento que genera un autómata de estados finitos a partir de las unidades descubiertas. Como parte de la experimentación, dos autómatas fueron generados, uno a partir de la representación ortográfica del corpus y otro a partir de su representación fonológica. El autómata generado de esta última representación mostró patrones morfotácticos que no estaban presentes en el otro autómata, por lo que se tomó como mejor descripción de la morfotáctica del corpus. Mediante la evaluación cualitativa de una muestra de patrones morfotácticos inmersos en el autómata, se observó que la gran mayoría son pertinentes y dan cuenta de distintas regularidades morfológicas del español. De esta manera, el método desarrollado incluye los siguientes pasos: 1. Cuantificar la afijalidad de segmentos al interior de la palabra. 2. Descubrir las bases y sufijos mediante una estrategia de segmentación basada en la afijalidad. 3. Descubrir los patrones morfotácticos mediante la generación de un autómata de estados finitos. Este método ofrece distintas ventajas, como la posibilidad de describir automáticamente la morfotáctica (bases y sufijos) de lenguas predominantemente afijales. Además, permite sentar las bases para futuras investigaciones en el descubrimiento de la morfotáctica mediante la inferencia de su aparato de descripción y no mediante su construcción manual. Esto es importante porque se estudia la lengua sin presuponer sus unidades y su secuencialidad.
B) Autómatas generados
Seleccione el tipo de autómatas que desea ver: Con base en una representación fonológica del corpus Con base en representación ortográfica del corpus
C) Patrones morfotácticos descubiertos
Posición (r) Patrón Frecuencia (f) C = r x f 1 base~A 3200 3200 2 base~O 2811 5622 3 base~S 2324 6972 4 base~OS 1318 5272 5 base~AR 1276 6380 6 base~E 1261 7566 7 base~AS 1224 8568 8 base~Ó 1094 8752 9 base~A~S 1022 9198 10 base~AN 938 9380 11 base~O~S 875 9625 12 base~AD~A 812 9744 13 base~ANDO 810 10530 14 base~AD~O 768 10752 15 base~ABA 738 11070 16 base~ARON 685 10960 17 base~ES 599 10183 18 base~ARSE 590 10620 19 base~EN 545 10355 20 base~E~S 541 10820 21 base~AD~O~S 532 11172 22 base~ÍA 495 10890 23 base~AD~A~S 478 10994 24 base~AMOS 463 11112 25 base~É 448 11200 26 base~ASIÓN 436 11336 27 base~AMENTE 435 11745 28 base~ADO 418 11704 29 base~R 411 11919 30 base~ABAN 408 12240 31 base~N 384 11904 32 base~ÓN 370 11840 33 base~ARÁ 365 12045 34 base~SIÓN 364 12376 35 base~AL 311 10885 36 base~MENTE 293 10548 37 base~E~N 292 10804 38 base~ITA 270 10260 39 base~ONES 262 10218 40 base~ITO 259 10360 41 base~IENDO 243 9963 42 base~DO 239 10038 43 base~ASIONES 234 10062 44 base~ARME 232 10208 45 base~IDAD 229 10305 46 base~ID~A 228 10488 47 base~A~N 222 10434 48 base~IÓ 222 10656 49 base~TE 220 10780 50 base~ID~O 217 10850 51 base~ARÍA 210 10710 52 base~IERON 210 10920 53 base~SE 204 10812 54 base~ADO~R 202 10908 55 base~IK~O 199 10945 56 base~ADA 186 10416 57 base~IK~A 185 10545 58 base~ID~O~S 184 10672 59 base~ISTA 184 10856 60 base~ISMO 180 10800 61 base~T~A 180 10980 62 base~AL~ES 178 11036 63 base~ANDO~SE 176 11088 64 base~L 172 11008 65 base~AR~A 168 10920 66 base~ARL~A 164 10824 67 base~I~R 164 10988 68 base~ARL~O 163 11084 69 base~ARÁ~N 162 11178 70 base~ERO 155 10850 71 base~ID~A~S 154 10934 72 base~E~R 153 11016 73 base~L~A 148 10804 74 base~ADO~S 146 10804 75 base~ARA 145 10875 76 base~ADOR~ES 139 10564 77 base~T~O 139 10703 78 base~ANTE 137 10686 79 base~ANTE~S 137 10823 80 base~ARNOS 136 10880 81 base~D~O 135 10935 82 base~LO 134 10988 83 base~AMIENTO 130 10790 84 base~Í 129 10836 85 base~OS~O 129 10965 86 base~S~A 128 11008 87 base~ÍAN 126 10962 88 base~LE 126 11088 89 base~EMOS 124 11036 90 base~IT~A 123 11070 91 base~AD~AS 119 10829 92 base~TA 116 10672 93 base~OS~A 115 10695 94 base~L~O 112 10528 95 base~ARLO 111 10545 96 base~I 108 10368 97 base~L~ES 106 10282 98 base~R~A 106 10388 99 base~SI~ONES 106 10494 100 base~I~MOS 105 10500 101 base~IK~AS 104 10504 102 base~IKO 103 10506 103 base~ASTE 102 10506 104 base~DA 102 10608 105 base~IK~OS 102 10710 106 base~IDO 101 10706 107 base~IT~O 101 10807 108 base~SI~ÓN 101 10908 109 base~SIA 101 11009 110 base~ME 100 11000 111 base~IERA 98 10878 112 base~S~O 98 10976 113 base~T~E 98 11074 114 base~A~R 97 11058 115 base~LA 96 11040 116 base~ÍA~N 94 10904 117 base~ISTA~S 93 10881 118 base~E~MOS 92 10856 119 base~ER 92 10948 120 base~ABA~N 91 10920 121 base~AD~OS 91 11011 122 base~ABAMOS 89 10858 123 base~MIENTO 89 10947 124 base~NDO 89 11036 125 base~IA 88 11000 126 base~MOS 88 11088 127 base~ER~A 87 11049 128 base~ER~O 87 11136 129 base~I~RSE 87 11223 130 base~ITOS 87 11310 131 base~ARL~E 86 11266 132 base~ARTE 85 11220 133 base~TO 85 11305 134 base~AREMOS 84 11256 135 base~RON 84 11340 136 base~SIONES 84 11424 137 base~ADOS 83 11371 138 base~AN~TE 83 11454 139 base~IO 83 11537 140 base~ABLE 81 11340 141 base~ARÁN 81 11421 142 base~ERA 81 11502 143 base~I~A 81 11583 144 base~ÉS 80 11520 145 base~BA 79 11455 146 base~IYA 78 11388 147 base~ANDOSE 77 11319 148 base~ARA~N 77 11396 149 base~ARL~AS 77 11473 150 base~ARLA 77 11550 151 base~RSE 77 11627 152 base~IS 76 11552 153 base~A~SE 75 11475 154 base~ARL~OS 75 11550 155 base~ITO~S 75 11625 156 base~E~SE 74 11544 157 base~ÍA~S 74 11618 158 base~R~ES 74 11692 159 base~IKA 73 11607 160 base~RÍA 73 11680 161 base~ADO~R~A 72 11592 162 base~ARLE 72 11664 163 base~ARÉ 71 11573 164 base~RA 71 11644 165 base~AL~MENTE 69 11385 166 base~ENSIA 69 11454 167 base~I~RÁ 69 11523 168 base~ITAS 69 11592 169 base~ADAS 68 11492 170 base~D~A 68 11560 171 base~IDAD~ES 68 11628 172 base~ADA~S 66 11352 173 base~ARAN 66 11418 174 base~I~O 66 11484 175 base~ITA~S 63 11025 176 base~ON~ES 63 11088 177 base~ISTAS 62 10974 178 base~NOS 62 11036 179 base~NTE 62 11098 180 base~Á 61 10980 181 base~E~O 61 11041 182 base~I~D~O 61 11102 183 base~ISIMO 61 11163 184 base~L~E 60 11040 185 base~I~Ó 59 10915 186 base~N~A 59 10974 187 base~Í~A 58 10846 188 base~IYO 58 10904 189 base~ABLE~S 57 10773 190 base~DOS 57 10830 191 base~EROS 57 10887 192 base~OS~OS 57 10944 193 base~T~AS 57 11001 194 base~INA 56 10864 195 base~L~AS 56 10920 196 base~URA 56 10976 197 base~IK~AMENTE 55 10835 198 base~T~OS 55 10890 199 base~E~RSE 54 10746 200 base~ERO~S 54 10800 201 base~LOS 54 10854 202 base~T~AR 54 10908 203 base~A~TE 53 10759 204 base~ADOR 53 10812 205 base~OR 53 10865 206 base~R~SE 53 10918 207 base~AR~É 52 10764 208 base~ARLOS 52 10816 209 base~IENDO~SE 52 10868 210 base~ISA 52 10920 211 base~L~OS 52 10972 212 base~ON 52 11024 213 base~RÁ 52 11076 214 base~T~Ó 52 11128 215 base~AN~DO 51 10965 216 base~E~RÁ 51 11016 217 base~ÍN 51 11067 218 base~KA 51 11118 219 base~ADORES 50 10950 220 base~ANDO~LE 50 11000 221 base~AR~TE 50 11050 222 base~I~MIENTO 50 11100 223 base~ON~A 50 11150 224 base~IT~OS 49 10976 225 base~AD~AMENTE 48 10800 226 base~AJE 48 10848 227 base~KO 48 10896 228 base~NA 48 10944 229 base~O~R 48 10992 230 base~ANDO~LO 47 10810 231 base~N~O 47 10857 232 base~N~TE 47 10904 233 base~BLE 46 10718 234 base~ER~OS 46 10764 235 base~IS~A 45 10575 236 base~DOR 44 10384 237 base~OS~AS 44 10428 238 base~R~TE 44 10472 239 base~SA 44 10516 240 base~ÁN 43 10320 241 base~ANDO~ME 43 10363 242 base~E~RA 43 10406 243 base~ERÍA 43 10449 244 base~TE~S 43 10492 245 base~AMIENTO~S 42 10290 246 base~ANTES 42 10332 247 base~S~E 42 10374 248 base~AL~IDAD 41 10168 249 base~IN~A 41 10209 250 base~N~OS 41 10250 251 base~RME 41 10291 252 base~S~OS 41 10332 253 base~A~DO 40 10120 254 base~ALES 40 10160 255 base~ARÍAN 40 10200 256 base~E~AR 40 10240 257 base~I~RÍA 40 10280 258 base~IK~O~S 40 10320 259 base~T~AN 40 10360 260 base~AR~SE 39 10140 261 base~Ó~N 39 10179 262 base~OSA 39 10218 263 base~R~A~S 39 10257 264 base~E~A 38 10032 265 base~E~RÍA 38 10070 266 base~ENTE~S 38 10108 267 base~IR 38 10146 268 base~ISASIÓN 38 10184 269 base~ISIMA 38 10222 270 base~R~O 38 10260 271 base~RNOS 38 10298 272 base~TOR~ES 38 10336 273 base~AM~E 37 10101 274 base~LAS 37 10138 275 base~MO 37 10175 276 base~TIB~O 37 10212 277 base~ARÍA~N 36 9972 278 base~I~DO 36 10008 279 base~LES 36 10044 280 base~OSO 36 10080 281 base~RÁ~N 36 10116 282 base~ARL~O~S 35 9870 283 base~ATE 35 9905 284 base~ATIB~O 35 9940 285 base~ER~AS 35 9975 286 base~LE~S 35 10010 287 base~T 35 10045 288 base~US 35 10080 289 base~AN~A 34 9826 290 base~AN~O 34 9860 291 base~DAS 34 9894 292 base~EA 34 9928 293 base~ERA~S 34 9962 294 base~IL 34 9996 295 base~IT~AS 34 10030 296 base~L~E~S 34 10064 297 base~L~O~S 34 10098 298 base~T~ABA 34 10132 299 base~TA~S 34 10166 300 base~ARIO 33 9900 301 base~ASO 33 9933 302 base~I~STE 33 9966 303 base~IE~RA 33 9999 304 base~IENTE 33 10032 305 base~ISIM~O 33 10065 306 base~IT~O~S 33 10098 307 base~S~AS 33 10131 308 base~ARIAMOS 32 9856 309 base~ARL~E~S 32 9888 310 base~D 32 9920 311 base~N~AS 32 9952 312 base~STE 32 9984 313 base~ADO~RA 31 9703 314 base~ATIB~A 31 9734 315 base~GO 31 9765 316 base~ID~AS 31 9796 317 base~TIB~A 31 9827 318 base~ANDO~LA 30 9540 319 base~I~AMOS 30 9570 320 base~IDA 30 9600 321 base~S~A~S 30 9630 322 base~ESE 29 9338 323 base~IDO~S 29 9367 324 base~IMIENTO 29 9396 325 base~T~AD~O 29 9425 326 base~A~MOS 28 9128 327 base~AR~LO 28 9156 328 base~ARL~A~S 28 9184 329 base~IS~AR 28 9212 330 base~OR~ES 28 9240 331 base~OS~AMENTE 28 9268 332 base~R~AS 28 9296 333 base~RÁN 28 9324 334 base~SIS 28 9352 335 base~T~A~S 28 9380 336 base~TES 28 9408 337 base~ATO 27 9099 338 base~E~LO 27 9126 339 base~IAMOS 27 9153 340 base~IÓN 27 9180 341 base~R~E 27 9207 342 base~ANDO~LOS 26 8892 343 base~AR~AN 26 8918 344 base~ARÁ~S 26 8944 345 base~AS~TE 26 8970 346 base~D~E 26 8996 347 base~EO 26 9022 348 base~ER~O~S 26 9048 349 base~ETE 26 9074 350 base~M~E 26 9100 351 base~T~ANDO 26 9126 352 base~ARI~O 25 8800 353 base~B~E 25 8825 354 base~ENTE 25 8850 355 base~IRÁ~N 25 8875 356 base~IS~ASIÓN 25 8900 357 base~MA 25 8925 358 base~OS~O~S 25 8950 359 base~REMOS 25 8975 360 base~SITO 25 9000 361 base~T~ARON 25 9025 362 base~TO~S 25 9050 363 base~AB~LE 24 8712 364 base~AR~ES 24 8736 365 base~ÁS 24 8760 366 base~ER~ÍA 24 8784 367 base~IKOS 24 8808 368 base~NO 24 8832 369 base~RÉ 24 8856 370 base~TIK~A 24 8880 371 base~EDAD 23 8533 372 base~ER~SE 23 8556 373 base~ETA 23 8579 374 base~GA 23 8602 375 base~IN~O 23 8625 376 base~IYAS 23 8648 377 base~LO~S 23 8671 378 base~ONA 23 8694 379 base~S~O~S 23 8717 380 base~T~AD~A 23 8740 381 base~T~EN 23 8763 382 base~T~O~S 23 8786 383 base~TIK~O 23 8809 384 base~ABLES 22 8448 385 base~ARI~A 22 8470 386 base~EL 22 8492 387 base~ER~A~S 22 8514 388 base~ERAS 22 8536 389 base~ESA 22 8558 390 base~ISIM~A 22 8580 391 base~RO 22 8602 392 base~SO 22 8624 393 base~TAS 22 8646 394 base~TIB~OS 22 8668 395 base~TOR 22 8690 396 base~A~S~O 21 8316 397 base~AR~A~N 21 8337 398 base~ARLAS 21 8358 399 base~ARLO~S 21 8379 400 base~DOR~ES 21 8400 401 base~E~RME 21 8421 402 base~I~D~A 21 8442 403 base~IERAN 21 8463 404 base~IK~A~S 21 8484 405 base~IMOS 21 8505 406 base~N~E 21 8526 407 base~O~R~A 21 8547 408 base~TIB~AS 21 8568 409 base~UM 21 8589 410 base~A~ME 20 8200 411 base~ABILIDAD 20 8220 412 base~AL~ISMO 20 8240 413 base~ENSE 20 8260 414 base~ES~E 20 8280 415 base~IKAS 20 8300 416 base~ÍS 20 8320 417 base~ISA~SIÓN 20 8340 418 base~ISTE 20 8360 419 base~OTE 20 8380 420 base~R~L~E 20 8400 421 base~T~AMOS 20 8420 422 base~T~E~S 20 8440