Inducción automática de una taxonomía multilingüe de marcadores discursivos: primeros resultados en castellano, inglés, francés, alemán y catalán

Abstract

Este artículo presenta una propuesta metodológica para la inducción automática de una taxonomía multilingüe de marcadores discursivos, que en el caso del castellano corresponden a unidades tales como sin embargo, por lo tanto, por un lado, etc. Se propone primeramente un método para separar estas unidades del resto del vocabulario por medio del cálculo de su cantidad de información, seguido de su agrupación en categorías funcionales mediante un corpus paralelo. Finalmente, esta categorización se utiliza como base para la obtención y clasificación de nuevas unidades. Además del método, se describen los primeros resultados, consistentes en una base de datos que actualmente supera ya los 2.600 marcadores.

This paper presents a methodological proposal por the automatic induction of a multilingual taxonomy of discourse markers which, in the case of English, correspond to units such as however, therefore, by the way, etc. First, a method is proposed to separate such units from the rest of the vocabulary using a measure of information, followed by a method to group them using a parallel corpus. Finally, this categorization is used as the basis for the extraction and classification of new units. Apart from the method, the first results are described, which consist of a database that currently surpasses 2600 units.