ESERCITAZIONE TERM EXTRACTION DEL

Transcript

1 Esercitazione URL: ESERCITAZIONE TERM EXTRACTION DEL DOMINIO MUSICALE &Itemid=116 L accesso alla pagina delle Esercitazioni è autorizzato solo agli utenti registrati del sito. REQUISITI Tutti gli studenti frequentanti e non frequentanti devono svolgere le esercitazioni obbligatoriamente per sostenere l esame. Sono previste esercitazioni diverse in considerazione del fatto che i non frequentanti devono essere resi totalmente autonomi rispetto alle verifiche che si svolgono a lezione. La prima cosa da fare è contattare via la docente all indirizzo isabella.chiari@uniroma1.it chiedendo l assegnazione di un pacchetto di lemmi da trattare. Gli studenti frequentanti avranno l assegnazione in classe e pubblicata sul sito. Requisiti tecnici Per svolgere le esercitazioni bisogna a) avere un indirizzo di ; b) avere un computer o recarsi nelle aule informatica disponibili in Facoltà o Ateneo; c) avere una connessione internet (o essere nella rete della Facoltà). Le esercitazioni richiedono operazioni da svolgersi online. Non ci sono requisiti di sistema operativo. ESERCITAZIONE La presente esercitazione è esclusivamente indirizzata agli studenti afferenti a ogni corso di studio. TASK 1: Estrazione semi-automatica di terminologia da testi di dominio Task 1.1: Questo task ha lo scopo di osservare la terminologia del dominio musicale e individuare termini settoriali (mono e polirematici) non inclusi in dizionari tradizionali. L obiettivo è trovare forme monorematiche e polirematiche del dominio musicale che non siano ancora censite in risorse elettroniche di dominio. E raccogliere il corpus di Wikipedia del dominio musicale. 1

2 Task 1.1: Raccolta del corpus delle pagine Wikipedia I lemmi assegnati servono per individuare le pagine di Wikipedia da usare come corpus (come nella Esercitazione precedente). Dalla lista dei lemmi inviata dalla docente, contenente un pacchetto di lemmi, prendere il primo lemma (ad esempio AEROFONO). I lemmi sono selezionati se hanno almeno una accezione del dominio musicale. Non è detto che tutti i lemmi che sono assegnati abbiano una voce di Wikipedia che tratta quell accezione. I lemmi sono usati come input per i testi che costituiscono il corpus base per l estrazione di terminologia. Per ciascun lemma assegnato occorre compilare una scheda. La terminologia da selezionare devono essere esempi d uso esclusivamente relativi ad accezioni del dominio musicale. Andare alla specifica voce di Wikipedia del lemma in questione (se non disponibile, passare al lemma successivo) su FIGURA 1 - PAGINA WIKIPEDIA DEL LEMMA Segnarsi l url della pagina (perché serve per la compilazione della scheda): Copiare il testo della voce nel Blocco Note (Windows/Applicazioni/Blocco Note oppure Mac/Applicazioni/Textpad. Eliminare dalla voce le informazioni di servizio. Lasciare tutto il resto, inclusi links e voci correlate. Quando copiate e incollate fidatevi di quello che viene modificato e non domandatevi altro. Ad esempio eliminare la parte indicata in Figura 2. 2

3 FIGURA 2 - PARTE DELLA VOCE ELIMINABILE Salvare il file in formato Solo testo (vengono perse le immagini, ecc.) con la codifica Unicode UTF-8, come in figura: FIGURA 3 - SALVATAGGIO IN FORMATO UTF- 8 Nominare il file nel modo seguente: lemma_wiki.txt Es. nota_musicale_wiki.txt; accordo_wiki_txt Task 1.2: Estrazione della terminologia dalle pagine selezionate Andate al sito: Lì troverete un tool per l estrazione di terminologia. Per ciascun articolo di wikipedia salvato copiate il testo nella schermata di input: 3

4 FIGURA 4 - SCHERNATA DI INPUT DEL TOOL DI ESTRAZIONE DI TERMINOLOGIA Selezionare la lingua italiana e poi cliccare su Estrazione terminologia. Uscirà un quadro terminologico come quello che segue in Figura 5: FIGURA 5 - ESTRAZIONE DEI PRIMI 20 TERMINI 4

5 A questo punto confrontare la lista dei 20 termini e individuare quelli effettivamente appartenenti anche al dominio musicale (che abbiano almeno una accezione musicale). È utile leggere nel riquadro sottostante i contesti di occorrenza (Figura 6) ed eventualemente confrontarsi con un dizionario della lingua italiana. FIGURA 6 - RIQUADRO DEI TERMINI IN CONTESTO Nella selezione dei termini (mono e polirematici) seguire un criterio di buon senso lessicografico. Non inserire termini occasionali, nomi di opere o di autori, ecc. Tra i termini selezionati individuare quelli che NON fanno parte della lista allegata all esercitazione (lemmi_mus.txt). I termini selezionati verranno indicati nell apposita scheda online di cui al punto successivo. Nell esempio riportato in Figura 5 dei venti termini suggeriti ne verranno selezionati solo 3. Termine estratto scala diatonica flat musical note nicu bucule queant laxis Problemi di valutazione che servono per la selezione SI, perché c è scala, ma nella lista di riferimento non ci sono polirematiche NO, Termine inglese ha un corrispondente non è usato in modo regolare nel testo NO, inglese non integrato nel testo NO, non si capisce cosa sia 5

6 notazione letterale suoni omofoni note diatoniche mediante bemolle semitoni famuli tuorum inno ut queant laxis labbra indegne omofono pentagramma cerchietti vuoti sancte iohannes sharp cerchietto vuoto aiuti mnemonici resonare fibris labii reatum Sì, perché c è notazione, ma nella lista di riferimento non ci sono polirematiche Sì NO, pare una costruzione non polirematica data da una cattiva segmentazione della sequenza NO, c è già nella lista di riferimento NO, è una citazione extra NO, c è già nella lista di riferimento NO, c è già nella lista di riferimento NO, guardando il contesto si capisce che non è un termine del dominio musicale NO, Termine inglese ha un corrispondente non è usato in modo regolare nel testo NO, guardando il contesto si capisce che non è un termine del dominio musicale NO, guardando il contesto si capisce che non è un termine del dominio musicale Non è necessario fare una tabella come questa. Si tratta solo di un esempio per capire i criteri di inclusione o esclusione dei termini. Task 1.2: inserimento dei dati nella apposita scheda online Una volta selezionati gli elementi di terminologia nuovi, oppure contemporaneamente alla selezione, a seconda di come vi trovate a lavorare meglio, potete per ciascun esempio compilare una scheda. La compilazione della scheda avviene online all indirizzo url: La prima parte della Scheda riguarda i Dati personali: E necessario inserire NOME e COGNOME. La seconda parte permette di inserire i dati da raccogliere per la risorsa. È possibile indicare un massimo di 20 termini per ciascuna scheda. Se individuate meno di 20 termini (come è normale) indicate 0 nel campo relativo. I campi richiesti sono: Lemma di riferimento; Presenza in Wikipedia; Caricamento del file txt del corpus. 6

7 FIGURA 7 - RACCOLTA DATI: GENERALE La seconda parte della scheda riguarda l inserimento dell indirizzo e dei termini selezionati. FIGURA 8 - INSERIMENTO TERMINI 7

8 Nell inserimento dei dati (con il copia e incolla, non ridigitando) è possibile che vediate cambiare alcuni caratteri (gli spazi si trasformano in %, ecc.). E normale perché i dati sono convertiti in un formato più semplice. Non è possibile inserire corsivi, grassetti, ecc. Il lemma va scritto in minuscolo, mai in maiuscolo. FIGURA 9 - INSERIMENTO DELLA FONTE E NOTE 8