A Dependency Treebank of Tweets in Brazilian Portuguese: Syntactic Annotation Issues and Approach
Open Access
- 17 November 2024
- conference paper
- Published by Sociedade Brasileira de Computação
- p. 192-201
Abstract
Amplia-se a análise de dependência do português brasileiro (pt-br) para lidar com “conteúdo-gerado por usuários” ao desenvolver e anotar o primeiro treebank de tweets (atuais posts do X) em pt-br segundo o modelo Universal Dependencies. O DANTEStocks possui 4,048 tweets do mercado financeiro e anotação-UD de tags PoS e traços morfológicos. Neste artigo, descreve-se a estratégia de anotação sintática adotada para lidar com as idiossincrasias do Twitter e do domínio desse corpus. A versão do DANTEStocks enriquecida com as relações de dependência-UD e as diretrizes de anotação já estão publicamente disponíveis.Keywords
This publication has 10 references indexed in Scilit:
- Tipologia de fenômenos ortográficos e lexicais em CGU: o caso dos tweets do mercado financeiro2023
- The Dawn of the Porttinari Multigenre Treebank: Introducing its Journalistic Portion2023
- Treebanking user-generated content: a UD based overview of guidelines, corpora and unified recommendationsLanguage Resources and Evaluation, 2022
- Universal Dependencies for Tweets in Brazilian Portuguese: Tokenization and Part of Speech Tagging2021
- Stanza: A Python Natural Language Processing Toolkit for Many Human Languages2020
- UDPipe 2.0 Prototype at CoNLL 2018 UD Shared Task2018
- Anotação de Sentidos de Verbos em Textos Jornalísticos do Corpus CSTNewsRevista de Estudos da Linguagem, 2015
- User-Generated ContentIEEE Pervasive Computing, 2008
- A Coefficient of Agreement for Nominal ScalesEducational and Psychological Measurement, 1960
- A Statistical Approach to Mechanized Encoding and Searching of Literary InformationIBM Journal of Research and Development, 1957