Extração de Características Candidatas

No passo 2 do framework o m´odulo Extrator de Caracter´ısticas recebe como artefa- tos de entrada uma lista de coment´arios produzida no passo 1, um conjunto de tags de caracter´ıstica e uma ´arvore Trie contendo grupos de caracter´ısticas, e retorna todas as ca- racter´ısticas candidatas aprovadas pelas heur´ısticas representadas pelas tags informadas pelo usu´ario que se encontram nestes coment´arios.

O m´odulo Extrator de Caracter´ısticas utiliza heur´ısticas definidas pelo usu´ario, estas heur´ısticas s˜ao criadas utilizando os r´otulos fornecidos pelo POS Tagger. O m´odulo de extra¸c˜ao de caracter´ısticas aceita qualquer combina¸c˜ao de r´otulos para compor suas tags. O Sentimentalista utiliza uma solu¸c˜ao ad hoc para agrupar caracter´ısticas candidatas. A ´arvore Trie com o grupo da caracter´ıstica tem como objetivo agrupar caracter´ısticas

candidatas formadas por palavras diferentes, mas que se referem ao mesmo aspecto da entidade. O uso das ´arvores Trie tem como objetivo propor uma solu¸c˜ao de simples entendimento por parte do usu´ario, e que possa ser customizado com facilidade. Para criar grupos de caracter´ıstica com uma maior qualidade, ´e necess´ario que o usu´ario conhe¸ca o contexto com o qual trabalhar´a, ou que avalie uma primeira execu¸c˜ao do framework para verificar as caracter´ısticas encontradas e agrup´a-las. O agrupamento tamb´em pode ser realizado posteriormente `a extra¸c˜ao das caracter´ısticas candidatas.

As tags escolhidas pelo usu´ario s˜ao procuradas na ordem fornecida, em cada um dos coment´arios informados como parˆametro de entrada do algoritmo. Este ponto ´e muito importante, pois permite que o usu´ario escolha quais tags ele considera mais importantes, e coloc´a-las antes das que ele considera menos importantes, por isto o framework n˜ao executa nenhuma ordena¸c˜ao nas tags.

A Figura 8 demonstra o texto que comp˜oe o coment´ario que ser´a enviado ao algoritmo de extra¸c˜ao de caracter´ısticas. Considere que o usu´ario tenha escolhido as tags [NN, NN] e [NN], onde NN significa substantivo de acordo com o Penn Treebank Tagset que se encontra no Anexo B.

O Algoritmo 1 apresenta o procedimento para extra¸c˜ao de caracter´ısticas candidatas utilizado no passo 2 da arquitetura do Sentimentalista. O algoritmo ´e explicado detalha- damente e exemplificado a seguir.

Algoritmo 1: Extra¸c˜ao de Caracter´ısticas Candidatas

Entrada: coment´arios, tags de caracter´ıstica, trie de grupos Sa´ıda: caracter´ısticas candidatas

1 in´ıcio

2 para cada coment´ario ∈ coment´arios fa¸ca

3 Crie um vetor texto com o conte´udo do coment´ario; 4 para cada tag ∈ tags de caracteristica fa¸ca

5 Crie um vetor r´otulos com o conte´udo da tag;

6 Defina posi¸c˜ao inicial ´e igual a 0; Defina posi¸c˜ao final ´e igual a tamanho do

vetor texto - tamanho do vetor r´otulos;

7 para posi¸c˜ao inicial at´e posi¸c˜ao final fa¸ca

8 Retire um sub-vetor do vetor texto do tamanho do vetor r´otulos; 9 Crie um vetor palavras com as palavras do sub-vetor;

10 Crie um vetor classes gramaticais com classes gramaticais do sub-vetor; 11 Crie um vetor posi¸c˜oes com as posi¸c˜oes do sub-vetor;

12 se classes gramaticais for igual a r´otulos ent˜ao

13 Crie uma caracter´ıstica candidata com os vetores palavras, classes

gramaticais e posi¸c˜oes;

14 Remova as palavras do conte´udo do coment´ario;

15 Realize a tentativa de agrupamento da caracter´ıstica candidata; 16 Adicione a caracter´ıstica candidata em uma lista de caracter´ısticas

candidatas;

17 retorna caracter´ısticas candidatas

Para cada coment´ario fornecido como entrada (linha 2), o algoritmo transforma o conte´udo do coment´ario em um vetor de Strings (linha 3). Em seguida, para cada tag fornecida como entrada (linha 4), o algoritmo cria um vetor de Strings com os r´otulos da tag informada (linha 5).

As posi¸c˜oes inicial e final s˜ao instanciadas (linha 6) e o algoritmo ent˜ao come¸ca a extrair, se for poss´ıvel (linha 7), sub-vetores do vetor de Strings, os quais tem o tamanho do vetor da tag (linha 8). Para cada sub-vetor, 3 vetores s˜ao criados. O primeiro vetor armazena as palavras que est˜ao no sub-vetor extra´ıdo do coment´ario, o segundo vetor armazena as classes gramaticais e o terceiro vetor armazena as posi¸c˜oes extra´ıdas do vetor original (linhas 9,10 e 11). O Quadro 13 apresenta os sub-vetores gerados pelo algoritmo a partir do exemplo da Figura 8.

O algoritmo compara ent˜ao o vetor de classes gramaticas com a tag (linha 12), que nada mais ´e que um vetor de r´otulos. A Figura 9 apresenta a primeira compara¸c˜ao

Quadro 13: Sub-vetores e seus conte´udos Sub-vetor Conte´udo

Palavras [”Female”, ”,”] Classes gramaticais [”NNP”,”,”] Posi¸c˜oes [0,1]

utilizando os sub-vetores do Quadro 13, os vetores de entrada do m´etodo de compara¸c˜ao seriam [”NNP”, ”,”] e [”NN”,”NN”].

A compara¸c˜ao ent˜ao ´e realizada: [”NN”, ”,”] == [”NN”,”NN”] tendo false como retorno. As tags informadas n˜ao s˜ao iguais, o algoritmo ent˜ao realiza a busca nas palavras restantes do coment´ario. A Figura 10 resume as buscas pela caracter´ıstica candidata representada pela tag [NN,NN].

O algoritmo interrompe sua execu¸c˜ao quando chega na ´ultima posi¸c˜ao poss´ıvel do vetor de Strings formado pelo coment´ario. A Equa¸c˜ao 4.1 define se ´e poss´ıvel realizar uma compara¸c˜ao na posi¸c˜ao atual (linha 7).

posicaoAtual <= tamanhoT extoAlteracao − tamanhoV etorT ags (4.1) Neste caso tem-se:

posicaoAtual (8) <= tamanhoT extoAlteracao (9) − tamanhoV etorT ags (2) ⇒ f also

A ´ultima posi¸c˜ao v´alida ´e 7. Nesta itera¸c˜ao, nenhuma combina¸c˜ao foi encontrada, portanto nenhuma caracter´ıstica candidata foi encontrada. O algoritmo ent˜ao procura ocorrˆencias da pr´oxima tag [NN], como apresentado na Figura 11.

Utilizando a tag [NN] uma ocorrˆencia ´e encontrada na primeira posi¸c˜ao do coment´ario e o algoritmo cria uma caracter´ıstica candidata com as informa¸c˜oes dos vetores gerados no in´ıcio do algoritmo. O vetor que cont´em as palavras ´e utilizado para criar o nome da caracter´ıstica , o vetor que cont´em as posi¸c˜oes ´e utilizado para definir as posi¸c˜oes inicial e final da caracter´ıstica candidata dentro do coment´ario (linha 13) e para remover a caracter´ıstica candidata do conte´udo do coment´ario (linha 14). Essa remo¸c˜ao ´e feita alterando o r´otulo das palavras utilizadas para criar a caracter´ıstica pelo r´otulo <CAR>, o que impede que outra tag utilize uma palavra que j´a comp˜oe uma outra caracter´ıstica.

Neste ponto o algoritmo realiza o agrupamento de caracter´ısticas utilizando a ´arvore Trie de grupos de caracter´ısticas passada como artefato de entrada (linha 15). Por exem- plo, a caracter´ıstica injector e fuel injector compartilham o mesmo grupo na ´arvore. O formato de ´arvore Trie tamb´em foi pensado para que usu´arios do Sentimentalista possam compartilhar seus grupos de caracter´ısticas.

A caracter´ıstica ent˜ao ´e adicionada a uma lista de caracter´ısticas candidatas (linha 16).

Ao final de sua execu¸c˜ao, o algoritmo do m´odulo Extrator de Caracter´ıstica retorna uma lista de caracter´ısticas candidatas (linha 17). Neste exemplo as caracter´ısticas can- didatas encontradas foram female e Audi.