DANTENER---Anotacao

O objetivo desse repositório é abrigar o processo da segunda anotação de Entidades Nomeadas no DANTEStocks. Esse é um corpus de material textual compilado do Twitter, atualmente X. As postagens foram coletadas automaticamente em 2014 com base nos tickers (código das ações) negociados pelo índice IBOVESPA. Este é o primeiro corpus em português de conteúdo gerado por usuários (user-generated content - UGC) com anotação seguindo o modelo Universal Dependencies (UD). A versão utilizada nesta anotação corresponde à disponibilizada em 15/12/2022. Esta é a segunda anotação de Entidades Nomeadas (EN) no corpus DANTE e busca expandir aquela realizada por Zerbinati et al. (2024). Esse trabalho faz parte do mestrado em linguística em andamento "Caracterização de entidades nomeadas em um corpus de tweets: contribuição para o processamento automático do português" da aluna Laís Piai.

Este trabalho foi apoiado pelo Ministério da Ciência, Tecnologia e Inovações, com recursos da Lei N. 8.248, de 23 de outubro de 1991, no âmbito do PPI-Softex, coordenado pela Softex e publicado como Residência em TIC 13, DOU 01245.010222/2022-44.

Resumo da estrutura de diretórios e arquivos:

• Corpus

  • Última versão do corpus anotado.
  • A versão utilizada é de 15/12/2022 no formato conllu. Contém 4.048 tweets e 84.396 tokens.
  • Anotação realizada na quinta coluna.

• Decisões da anotação

  • Arquivo com as decisões de anotação tomadas para casos de dúvida.

• Tagset

  • Conjunto de etiquetas possíveis, conforme a marcação BIOES e a taxonomia baseada no Segundo HAREM (Mota; Santos, 2008).

• Regras

  • Pasta com as regras usadas para anotar automaticamente entidades no corpus.
  • As regras baseadas em regex foram executadas no ambiente de anotação Interrogatório.

• Entidades anotadas

  • Contém pastas com as instâncias anotadas. Elas estão separadas por categorias em arquivos JSON.
    • Pasta com entidades unitárias (compostas por um único token)
    • Pasta com entidades multipalavras (compostar por mais de um token)
  • Arquivo JSON com as entidades anotadas em mais de uma categoria.