Reconhecimento de entidades nomeadas para conteúdo publicado em diários oficiais com base em uma abordagem de supervisão fraca

Abstract

O Reconhecimento de Entidade Nomeada em português é uma tarefa desafiadora, especialmente em textos formais e oficiais, como Licitações e Contratação Pública. A anotação manual desses textos é cara, demorada e requer conhecimento específico no domínio. Este estudo propõe a criação de um corpus anotado de Licitação e Contratação Pública utilizando métodos de supervisão fraca (SF). Estes métodos empregam técnicas de aprendizado de máquina semi-supervisionados para extrair entidades nomeadas de textos não anotados. A aplicação dos métodos fracamente supervisionados, combinando o uso de anotações fracas e funções de rótulo de conhecimentos heurísticos, correspondência de palavras e modelos de aprendizado de máquina pré-treinados desempenham um papel crucial na tarefa de NER, especialmente em cenários nos quais grandes quantidades de dados anotados não estão disponíveis, são caros de obter ou são impraticáveis de rotular manualmente. Assim, adotou-se uma metodologia que possibilitou a geração de um corpus de Licitação e Contratação Pública e a validação desse corpus com um corpus formal anotado manualmente. Para validação deste estudo foram realizados experimentos com modelos CRF, Bi-LSTM-CNN e SF para NER. Os resultados do modelo Bi-LSTM, treinado com os dados provenientes da supervisão fraca, demonstraram um desempenho significativo, atingindo um F1 Score médio de 84,3%, contra apenas 0,756% da base ouro. Notavelmente, o destaque foi para o treinamento do Bi-LSTM-CNN com os dados gerados pela supervisão fraca do ato extrato de contrato, alcançando um impressionante F1 Score de 96%, superando os 95% obtidos com os dados da base ouro. No entanto, o cenário mais desafiador foi observado no contexto do extrato de convênio, onde a aplicação das FR de supervisão fraca resultou em um F1 Score de apenas 47%, em comparação com os 66,9% alcançados pelo CRF sobre a base ouro, acredita-se que esses resultados foram afetados devido a pouca quantidade exemplos no corpus. Os resultados obtidos demonstram que a combinação de NER e SF produz um corpus de alta qualidade com menos esforço que a anotação manual. Assim, é possível afirmar que o mecanismo de programação do de dados da SF é uma ferramenta promissora para a geração de corpora anotados em português, especialmente em domínios específicos como Licitação e Contratação Pública. Ela acelera o desenvolvimento de ferramentas de NER, reduzindo o tempo e o custo da anotação manual. Este estudo pode ser aplicado para melhoria da ferramenta de NER para o português, desenvolvimento de sistemas de informação para o setor público e extração de informação de documentos de Licitação e Contratação Pública.