Utilidad de los datos enlazados

para la terminología

Jorge Gracia

Ontology Engineering Group

Dpto. de Inteligencia Artificial

Universidad Politécnica de Madrid

jgracia@fi.upm.es

Jornada sobre “TERMINESP y la terminología del español”

Representación de la Comisión Europea en España, Madrid

28 de octubre de 2016

Recursos lingüísticos

en la Web

2

2

Recursos lingüísticos en la Web

Recursos Lingüísticos Electrónicos

• corpus

• lexicones

• diccionarios

• “wordnets”

• terminologías

• etc.

3

Recursos lingüísticos en la Web

Actualmente…

• En formatos heterogéneos

• Diferentes esquemas de representación

• APIs no estándar

• Aislados entre sí (“data silos”)

• Diferentes niveles de acceso (desde “mándame un email” a servicios

web)

• Múltiples catálogos de recursos lingüísticos con diferentes metadatos y

esquemas de representación

Por tanto... el descubrimiento y reutilización de RLs resulta costoso en

tiempo y esfuerzo

4

*Picture attribution: http://commons.wikimedia.org/wiki/User:Gugerell

“Red”

Etimología: Del latin “rete”

Género: “f”

Definición: “Conjunto de

ordenadores o de equipos

informáticos conectados entre

sí….”

“Red”

Traducciones: “xarxa”(ca), “rede”(ga), …

“Red”

Norma: UNE 21302-131

Inglés: network

Alemán: Netzwerk

“Red”

Pronunciation: [red]

Grammar category: sustantivo femenino

Singular: “red”

Plural: “redes”

“Red_de_computadores”

Category: redes informáticas

Image

Recursos lingüísticos en la Web

“Red” (de

ordenadores)

5

*Picture attribution: http://commons.wikimedia.org/wiki/User:Gugerell

“Red”

Etimología: Del latin “rete”

Género: “f”

Definición: “Conjunto de

ordenadores o de equipos

informáticos conectados entre

sí….”

“Red”

Traducciones: “xarxa”(ca), “rede”(ga), …

“Red”

Norma: UNE 21302-131

Inglés: network

Alemán: Netzwerk

“Red”

Pronunciation: [red]

Grammar category: sustantivo femenino

Singular: “red”

Plural: “redes”

“Red_de_computadores”

Category: redes informáticas

Image

Recursos lingüísticos en la Web

Información

complementaria

pero no conectada

6

Datos enlazados para los

recursos lingüísticos

7

Datos enlazados

Prinicipos de los Datos Enlazados

(linked data principles)

1. Usar URIs (Uniform Resource Identifiers) para identificar

“cosas” en la Web

2. Usar HTTP URIs para que la gente pueda acceder a

esos identificadores y obtener algo

3. Cuando alguien accede a una URI, debe proporcionarse

información útil sobre el recurso que identifica (en RDF)

4. Incluir enlaces a otras URIs, para que se puedan

descubrir más cosas.

8

8

Datos enlazados

9

9

Datos enlazados

Red

Phonetic form

Form

numbersingular

[RED]

Form

plural

[REDES]

Phonetic form

number

Red

Sense

written form

“red”@es

Sense

written form

“xarxa”@ca

translation

Red

image

Red

Sense Sense

translation written form

“red” “network”

written form

Red

written form

Form

gender

femenine

“red”

10

Datos enlazados

Red

Phonetic form

Form

numbersingular

[RED]

Form

plural

[REDES]

Phonetic form

number

Red

Sense

written form

“red”@es

Sense

written form

“xarxa”@ca

translation

Red

image

Red

Sense Sense

translation written form

“red” “network”

written form

Red

written form

Form

gender

femenine

“red”

11

Datos enlazados

Algunos BENEFICIOS de los recursos lingüísticos

como datos enlazados

• Agregación e integración de recursos lingüísticos

• Los datos se exponen de manera estandarizada (SPARQL)

• Se facilita el descubrimiento de los datos

• Uso de vocabularios acordados para representar contenido

lingüístico

NIFNLP Interchange Format

12

12

Datos enlazados

Linguistic Linked Data Cloud

Aparición de la “nube de datos lingüísticos enlazados”

Linguistic Linked Open Data (LLOD) cloud

13

http://linguistic-lod.org/llod-cloud

13

El modelo lemon-ontolex

14

lemon-ontolex

15

El núcleo del modelo

https://www.w3.org/2016/05/ontolex/

lemon-ontolex

16

El módulo vartrans

Datos enlazados en

terminologías:

Terminoteca RDF

17

Terminesp TERMCAT IATEOtras

terminologías

Terminoteca RDF

18

Terminoteca RDF

TERMINOTECA RDF como demostrador del potencial de los datos enlazados en terminologías

• Basado en Terminesp y Termcat

• Multilingüe: inglés, catalán, francés, italiano, sueco, alemán, latín

http://linguistic.linkeddata.es/terminoteca/

19

Terminesp

TERMINESP es la base de datos terminológica creada por AETER

(Asociación Española de Terminología) en base a la terminología

contenida en las normas UNE (AENOR)

>30,000 términos técnicos con definiciones (en español)

Variedad de dominios: aeronáutica, agricultura, ingeniería eléctrica, …

Traducciones al Inglés, francés, alemán, italiano, sueco

Denominación científica (latín)

20

http://www.wikilengua.org/index.php/Wikilengua:Terminesp

Terminesp

4

http://www.wikilengua.org/index.php/Wikilengua:Terminesp

21

Termcat

http://www.termcat.cat/en/Terminologia_Oberta/

TERMCAT es el centro de terminología de la lengua catalana,

responsable de la Terminologia Oberta:

Gran variedad de dominios. [En nuestro prototipo: Internet y sociedad

de la información, Telecomunicaciones, Industria electrónica]

Traducciones al español, inglés y francés

Siglas, abreviaturas, sinónimos,…

22

Termcat

http://www.termcat.cat/en/Terminologia_Oberta/

23

Terminoteca RDF

Conversión de TERMINESP y TERMCAT a datos enlazados:

De acuerdo al modelo lemon-ontolex

Cada elemento lingüístico (lexical entry, lexical form, lexical sense,

translation, …) identificado con una URI

Creación de conceptos en skos para dar cuenta de la información

semántica

En TERMINESP:

>30000 conceptos creados

Añadida información de categorías gramaticales (part-of-speech)

Añadido el tipo de sintagma (nominal, adjetival, preposicional, …)

En TERMCAT:

> 7000 conceptos creados (tres dominios)

24

Terminoteca RDF

25

DE ES

SV

IT

FR

EN

ES

FR

EN

CA

Terminoteca RDF

26

DE ES

SV

IT

FR

EN

CA

Terminoteca-RDF

Terminoteca RDF

27

Terminoteca RDF

28

Terminoteca RDF

29

Terminoteca RDF

Interfaz web para obtener traducciones directas

http://linguistic.linkeddata.es/terminoteca/search/

30

Terminoteca RDF

31

Motor SPARQL para búsquedas semánticas más complejas

http://linguistic.linkeddata.es/terminoteca/sparql-editor/

Terminoteca RDF

Ejemplo: “Dame traducciones al catalán [Termcat] y al alemán [Terminesp]

del término en español ‘amplificador’, indicando el origen de los datos y el

dominio de aplicación.”

32

wr_target provenance subject

"amplificador"@cahttp://www.termcat.cat/Thor/files/terminologiaOberta/20101126104034_TO%20Internet%20i%20s

ocietat%20de%20la%20informacio.xml"Electrònica"@ca

"amplificador"@cahttp://www.termcat.cat/Thor/files/terminologiaOberta/20101126103843_TO%20Industria%20electr

onica%20i%20dels%20materials%20electrics.xml"Electrònica"@ca

"amplificador"@cahttp://www.termcat.cat/Thor/files/terminologiaOberta/20101126104034_TO%20Internet%20i%20s

ocietat%20de%20la%20informacio.xml"Societat de la informació"@ca

"amplificador"@cahttp://www.termcat.cat/Thor/files/terminologiaOberta/20101126103843_TO%20Industria%20electr

onica%20i%20dels%20materials%20electrics.xml"Societat de la informació"@ca

"amplificador"@cahttp://www.termcat.cat/Thor/files/terminologiaOberta/20101126104034_TO%20Internet%20i%20s

ocietat%20de%20la%20informacio.xml"Telecomunicacions"@ca

"amplificador"@cahttp://www.termcat.cat/Thor/files/terminologiaOberta/20101126103843_TO%20Industria%20electr

onica%20i%20dels%20materials%20electrics.xml"Telecomunicacions"@ca

"Verstärker"@de http://www.wikilengua.org

"Verstärket"@de http://www.wikilengua.org

Terminoteca RDF

33

Ejemplo: “Dame las siglas [de Termcat] asociadas a las entradas en inglés

que vengan de Terminesp [y que no tenían siglas asociadas, inicialmente].”

label initialism

"code division multiple access"@en "CDMA"@en

"time division multiple access"@en "TDMA"@en

"light-emitting diode"@en "LED"@en

"unipolar transistor"@en "FET"@en

"N-channel field-effect transistor"@en "N-FET"@en

"database management system"@en "DBMS"@en

"frequency division multiple access"@en "FDMA"@en

"low-noise amplifier"@en "LNA"@en

"automatic gain control"@en "AGC"@en

"programmable logic controller"@en "PLC"@en

"alternating current"@en "AC"@en

"direct current"@en "DC"@en

"programmable logic device"@en "PLD"@en

Conclusiones

Conclusiones

• Los datos enlazados pueden ser de utilidad para los recursos

lingüísticos en general y las terminologías en particular

• Iniciativa Terminoteca RDF: crear un grafo unificado de

terminologías en España basado en técnicas de datos enlazados

• Validación y enriquecimiento de los datos, y enlazado a otras

fuentes

• Futuros pasos:

• Enlace con otras terminologías y fuentes de datos (ej.: IATE, DBpedia,

Apertium)

• Evolución más allá de estado de “prototipo” de investigación

• Interacción más directa con los propios procesos de

creación/validación/publicación de datos de Terminesp y Termcat

35

¡Gracias!

36Ontology Engineering Group