CoGrOO4Py

Uma interface para acessar o analisador morfológico e o corretor gramatical do CoGrOO em Python.

Pré-requisitos

• interpretador Python 2.7
• Pacote py4j (pip install py4j)
• Java Runtime Environment 8+

Como usar

Baixe os arquivos cogroo_interface.py e setup.py e instale o pacote com o comando:

python setup.py install

Se preferir, instale a partir do GitHub pelo pip:

pip install git+https://github.com/proletrus/cogroo4py.git

É necessário executar o arquivo cogroo4py.jar para ativar o Socket que permitirá a comunicação do Python com a JVM através do py4j. Todos os componentes do CoGrOO 4 necessários já estão nesse pacote.

java -jar cogroo4py.jar
Gateway Server Started

Após isso, em uma IDE Python de sua preferência (ex. IPython, Spyder), importe e instancie a classe Cogroo.

from cogroo_interface import Cogroo
cogroo = Cogroo.instance()

Agora você já pode usar os recursos do CoGrOO. Esta interface disponibiliza métodos para retornar uma análise morfológica completa de um documento, lematizar, identificar partes do discurso, dividir em chunks e verificar erros gramaticais.

Lematizando

A lematização consiste em obter o lema das palavras de um texto. O lema é uma versão da palavra que representa todas as suas flexões. Os verbos são alterados para o infinitivo e substantivos e adjetivos são flexionados para o masculino do singular.

	[estava, estaria, estive, estarei, estar] => estar
	[fui, vou, ire, iremos] => ir
	[gato, gatinho, gatão, gata, gatos] => gato

A lematização é uma alternativa ao stemming, um algoritmo que tenta detectar sufixos e removê-los com base nas regras comuns da língua, mas que falha em tratar exceções. A lematização, diferentemente do stemming, usa um dicionário morfológico para encontrar o radical das palavras.

cogroo.lemmatize('Estas laranjas estão deliciosas.')
# este laranja estar delicioso.

Análise morfológica

A análise morfológica consiste em identificar a classe gramatical das palavras de um texto. As classes possíveis são: substantivos, adjetivos, artigos, pronomes, numeral, verbo, advérbio, preposição, conjunção e interjeição.

O método de análise morfológica do CoGrOO usa etiquetas (tags) específicas para cada caso, que podem ser difíceis de entender em um primeiro momento. O dicionário pos_tags da classe Cogroo permite traduzir as etiquetas geradas pelo CoGrOO para um formato legível em português:

def _pos_tags(self):
    pos = {}
    pos.update({"n": "substantivo"})
    pos.update({"prop": "nome próprio"})
    pos.update({"art": "artigo"})
    pos.update({"pron": "pronome"})
    pos.update({"pron-pers": "pronome pessoal"})
    pos.update({"pron-det": "pronome determinativo"})
    pos.update({"pron-indp": "substantivo/pron-indp"})
    pos.update({"adj": "adjetivo"})
    pos.update({"n-adj": "substantivo/adjetivo"})
    pos.update({"v": "verbo"})
    pos.update({"v-fin": "verbo finitivo"})
    pos.update({"v-inf": "verbo infinitivo"})
    pos.update({"v-pcp": "verbo particípio"})
    pos.update({"v-ger": "verbo gerúndio"})
    pos.update({"num": "numeral"})
    pos.update({"prp": "preposição"})
    pos.update({"adj": "adjetivo"})
    pos.update({"conj": "conjunção"})
    pos.update({"conj-s": "conjunção subordinativa"})
    pos.update({"conj-c": "conjunção coordenativa"})
    pos.update({"intj": "interjeição"})
    pos.update({"adv": "advérbio"})
    pos.update({"xxx": "outro"})
    return pos
	
# pos: "part of speech"
pos = cogroo.pos_tags
pos['n']
# substantivo

No contexto de Processamento de Linguagem Natural as palavras e caracteres de pontuação são normalmente tratados como tokens. O método analyze associa uma das etiquetas acima para cada token de um texto. Também são anotadas algumas features que indicam a flexão das palavras, ex. F=P => feminino, plural.

doc = cogroo.analyze('Estas laranjas estão deliciosas.')
doc.sentences[0].tokens
#  [Estas#pron-det F=P,
#   laranjas#n F=P,
#   estão#v-fin PR=3P=IND,
#   deliciosas#adj F=P,
#   .#. -]

Corretor gramatical

O corretor gramatical do CoGrOO verifica a colocação pronominal, concordância nominal, concordância entre sujeito e verbo, concordância verbal, uso de crase, regência nominal, regência verbal e outros erros comuns da língua portuguesa escrita. Mais detalhes sobre as regras aplicadas podem ser encontrados em http://comunidade.cogroo.org/rules.

doc = cogroo.grammar_check('Elas são bonita.')
doc.mistakes
# [[xml:124] O adjetivo na função de predicativo concorda com o sujeito.]

Sobre o CoGrOO

Código fonte e informações sobre o projeto: https://github.com/cogroo/cogroo4

Demonstração online http://comunidade.cogroo.org/grammar

Dissertação de mestrado sobre o desenvolvimento do CoGrOO 4 http://www.teses.usp.br/teses/disponiveis/45/45134/tde-02052013-135414/pt-br.php