As ferramentas de tradução assistida por computador tentam reutilizar as traduções realizadas pelo tradutor sempre que uma frase semelhante tenha sido já traduzida. Para o intercâmbio destes documentos foi definido um formato denominado TMX (Translation Memory Exchange) baseado em XML. Este tipo de documento ganha facilmente tamanhos incomportáveis para o seu processamento com métodos tradicionais. Neste artigo propomos uma metodologia de ordem superior para o processamento de documentos de estrutura repetitiva (em que se inserem as memórias de tradução) com uma abordagem baseada na conjunção de SAX e DOM. São apresentados vários exemplos de filtros sobre memórias de tradução bem como um conjunto de medidas da sua eficiência.

This paper details the SysBio Explorer, a Systems Biology Literature Retrieval and Processing Framework, whose aim relies on the automatic inference of regulatory and metabolic networks based on biomedical literature. The SysBio Explorer does not focus on any organism or problem in particular and encompasses a number of processing and analysis techniques. It works over full-text documents, applying Natural Language Processing techniques and using biomedical dictionaries and ontologies together with hand-made rules. Besides biological entity recognition and relation extraction, document classification, relevance assessment and authoring networks are also within its present scope. The framework is described in terms of its design requirements and implementation decisions, exposing current achievements, but also highlighting present obstacles and future work. Experiments over real-world problems concerning the organisms E. coli, S. cerevisiae and H. pylori are used in its validation.

Some processes are not easy to be programmed from scratch for parallel machines (clusters), but can be easily split on simple steps. Makefile::Parallel is a tool which lets users to specify how processes depend on each other. The language syntax resembles the well known Makefile makefiles format, but instead of specifying files or targets dependencies, Makefile::Parallel specifies processes (or jobs) dependencies. The scheduler submits jobs to the cluster scheduler (in our case, Rocks PBS) waiting them to end. When each process finishes, dependencies are calculated and direct dependent jobs are submitted. Makefile::Parallel language includes features to specify parametric rules, used to split and join processes dependencies. Some tasks can be split into n smaller jobs working on different portions of files. At the end, another process can be used to join the results.

Abstract.Music Classification is a particular area of Computational Musicology that provides valuable insights about the evolving of composition patterns and assists in catalogue generation. The proposed work detaches from former works by classifying music based on music score information. Text Mining techniques support music score processing while Classification techniques are used in the construction of decision models. Although research is still at its earliest beginnings, the work already provides valuable contributes to symbolic music representation processing and subsequent analysis. Score processing involved the counting of ascending and descending chromatic intervals, note duration and meta-information tagging. Analysis involved feature selection and the evaluation of several data mining algorithms, ensuring extensibility towards larger repositories or more complex problems. Experiments report the analysis of composition epochs on a subset of the Mutopia project open archive of classical LilyPond-annotated music scores.

Dictionary and Thesaurus are valuable resources for Natural Language Processing but do not exist as freely available as expected, especially for languages other than English and, when they exist, they are just available for querying online. Our main goal with T2O — Thesaurus to Ontology framework — is to create a multilingual ontology: freely available online and to download; with a computer readable format; with a good API; with a structure as rich as possible; reusing all the structured information we can get;

É consensual que o XML como linguagem para a estruturação de documentos tem vindo a tomar um lugar relevante. É também evidente a vantagem obtida no uso de XML como linguagem de intercâmbio. No entanto, a sua sintaxe é demasiado descritiva pelo que a geração de documentos de forma manual é dolorosa sendo útil dispor de módulos que simplifiquem essa tarefa. Neste artigo propomos um módulo Perl (XML::Writer::Simple) configurável via DTD que simplifica a tarefa de gerar XML.

In this article we present T₂O — a workbench to assist the process of translating heterogeneous resources into ontologies, to enrich and add multilingual information, to help programming with them, and to support ontology publishing. T₂O is an ontology algebra.

True accessibility requires minimizing the scanning time to find a particular piece of information. Sequentially reading web pages do not provide this type of accessibility, for instance before the user gets to the actual text content of the page it has to go through a lot of menus and headers. However if the user could navigate a web page based through semantically classified blocks then the user could jump faster to the actual content of the page, skipping all the menus and other parts of the page. We propose a transcoding engine that tackles accessibility at two distinct, yet complementary, levels: for specific known sites and general unknown sites. We present a tool for building customized scripts for known sites that turns this process in an extremely simple task, which can be performed by anyone, without any expertise. For general unknown sites, our approach relies on statistical analysis of the structural blocks that define a web page to infer a semantic for the block.

One of the bottlenecks of example-based machine translation (EBMT) is to be able to amass automatically quantities of good examples. In our work in EBMT, we are investigating how far one can go by performing example extraction from parallel corpora using Probabilistic Translation Dictionaries to obtain example segmentation points. In fact, the success of EBMT highly depends on examples quality and quantity, but also in their length. Thus, we give special importance on methods to extract different size examples from the same translation unit. With this article we show that it is possible to extract quantities for examples from parallel corpora just using probabilistic translation dictionaries extracted from the same corpora.

Parallel corpora are important resources for most Natural Language processing tasks. From the common applications, like machine translation, to the usually mono-lingual tasks as paraphrase detection and word sense disambiguation, most researchers are using massive parallel corpora. Thus, the availability of an efficient way to manage them is very important. This paper presents a Client-Server architecture to query efficiently parallel corpora and probabilistic translation dictionaries.

Desde o advento do SGML e posteriormente do XML, que a validação de documentos tem sido focada. Esta validação surgiu para analisar a estrutura dos documentos SGML e XML usando DTDs. Além dessa, e devido às restrições do XML em relação ao SGML, a validação de XML bem formado também tem sido usada. Mais recentemente, os Schema e Schematron vieram permitir a validação a um nível superior: não só a estrutura do documento mas também alguma validação de conteúdo. Neste artigo apresentamos a ferramenta TX que visa outro nível de validação, em que os tipos possam ser mais ricos e/ou calculados dinamicamente, e onde se possa definir funções de anotação e/ou correcção das porções do documento que não sigam as especificações.

Neste artigo apresentamos uma panorâmica da actividade da Linguateca na criação e disponibilização de recursos e ferramentas para a língua portuguesa. Começamos por uma descrição dos objectivos e pressupostos da Linguateca e uma breve história da sua intervenção, e finalizamos com algumas considerações sobre a melhor forma de prosseguir na organização da área.

Neste documento apresenta-se o conceito de memórias de tradução distribuídas, discutindo-se o seu interesse na área da tradução, bem como as vantagens que uma ferramenta de tradução pode tirar do seu uso. É apresentada uma possível implementação de memórias de tradução distribuídas usando WebServices numa arquitectura de cooperativismo. São definidos as mensagens (API) que um serviço deste género deve implementar para que uma ferramenta de tradução possa tirar partido da colaboração entre tradutores.

Translation Memories are very useful for translators but are difficult to share and reuse in a community of translators. This article presents the concept of Distributed Translation Memories, where all users can contribute and sharing translations. Implementation details using WebServices are shown, as well as an example of a distributed system between Portugal and Spain.

O proliferar de ferramentas criadores de HTML e o uso de HTML guiado pelo aspecto, tem vindo a arruinar o seu lado conceptual. Este problema foi reconhecido e deu origem a vários formatos ou tecnologias com o objectivo de separar o aspecto do conceito. No entanto a realidade actual mostra uma enorme quantidade de páginas HTML com péssima leitura conceptual e estrutural, invalidando uma série de usos possíveis da informação nelas contida. Nesta comunicação apresenta-se um trabalho (em fase inicial) que pretende fazer engenharia reversa de HTML para permitir aumentar a sua acessibilidade, a fim de ser usada num browser para invisuais.

Como é sabido os sotaques podem estar ligados a uma zona geográfica, a um grupo social, podem até ser uma característica pessoal. O seu estudo e descrição tem interessado muitos investigadores embora normalmente esse estudo tem sido feito de modo pouco formal. No trabalho que aqui se relata, tentou-se descrever formalmente sotaques e disfunções através de criação de regras a integrar como variantes num gerador de voz. Deste modo, pretendeu-se criar um ambiente de experimentação dos modelos construídos para descrever algumas características de certos sotaques ou certas disfunções, de modo a permitir a sua validação. Constatou-se que se consegue obter certas disfunções e certos sotaques com facilidade por simples acrescento de regras opcionais em certas fases da geração da voz. Outros, aparentam ser de maior dificuldade, ou por não conhecermos suficiente bem os fenómenos neles envolvidos ou envolverem maior complexidade prosódica.

O projecto TerminUM tem como objectivos principais o estudo, experimentação e a criação de recursos na área dos corpora paralelos, terminologia (descritiva) e recursos multilingues ligados a corpora: fazer extracção tão automática quanto possível de corpora a partir da web; fazer extracção de dicionários, de terminologia e de outros recursos ligados à tradução; criar e interligar as ferramentas desenvolvidas; criar e disponibilizar: (1) listas de Bitextos, corpora e corpora paralelos, (2) ferramentas de criação e transformação de corpora, (3) recursos multilingues derivados/ligados a corpora. Nesta apresentação serão abordadas algumas tarefas presentemente a decorrer no âmbito do projecto, nomeadamente: ciclo de vida da construção e transformação de corpora; resumo das ferramentas desenvolvidas (e em desenvolvimento); construção de corpora paralelos tomando como base legendas de filmes (subtitles), ficheiro de internacionalização (mensagens de software .po) e ficheiros de memórias de tradução (TMX); animação de corpora paralelos via web (criação de motores de consulta usando diversas ferramentas).

Ao longo deste documento descrever-se-á um conjunto de ferramentas construídas para extracção automática de recursos bilingues a partir da Web, a partir de um site específico, a partir de um sistema de ficheiros contendo alguns textos que sejam traduções de outros, ou ainda a partir de memórias de tradução. Neste trabalho apresenta-se todo o processo de construção de corpora paralelo desde os algoritmos de minagem dos dados (data mining) até à construção de vários tipos de recursos bilingues incluindo a construção automática de corpus paralelos pesquisáveis na Internet.

This document presents the TerminUM project and the work done in its statistical word aligner workbench (NATools). It shows a variety of alignment methods for parallel corpora and discusses the resulting terminological dictionaries and their use: evaluation of sentence translations; construction of a multi-level navigation system for linguistic studies or statistical translations.

Este artigo apresenta a arquitectura actual do Museu da Pessoa, contemplando a forma como os documentos estão a ser editador, catalogados, arquivados, e processados para a criação das estruturas necessárias ao Museu.

Current music publishing in the Internet is mainly concerned with sound publishing. We claim that music publishing is not only to make sound available but also to define relations between a set of music objects like music scores, guitar chords, lyrics and their meta-data. We want an easy way to publish music in the Internet, to make high quality paper booklets and even to create Audio CD's. In this document we present a workbench for music publishing based on open formats, using open-source tools and script programming over them. The workbench is based on an archive specification written in a text-based format which includes sound references, music scores, chords and lyrics and their meta-information.

Multilingual resources are useful for linguistic studies, translation, and many other tasks. Unfortunately, these resources are difficult to obtain and organize. In this document we describe a set of tools designed to help in the task of mining bilingual resources from the web, from a specific site, from a file system, from a list of URLs, or from a translation memory. As a design goal we intend to build tools that can be used both cooperatively (in pipeline) and also in a independent way.

Apresentamos neste documento uma possível abordagem à extracção de frequências de palavras a partir de corpora, baseada numa utilização cooperativa de várias ferramentas de Processamento de Linguagem Natural.

Neste documento é nosso propósito apresentar as características presentes no analisador morfológico jspell e quais as suas consequências ao nível de aplicações de processamento de linguagem natural. Como ferramenta que é frequentemente integrada em software mais específico, apresentamos um módulo Perl desenvolvido com o objectivo de facilitar a interligação do analisador morfológico com pequenas aplicações desenvolvidas em linguagens de scripting. Devido à constante necessidade de melhoramento de dicionários, e em particular dos analisadores morfológicos, discutimos as propriedades que estes devem conter para facilitar o seu processamento e enriquecimento automático.

In last years the amount of digital documents has increased dramatically. Unfortunately the same did not occur with the structure and organization of the information. Traditionally we built a digital library using a catalog with documents' meta-information including a conceptual classification and an ontology of concepts. In this document we present a set of modules to help in the task of building and maintaining a digital library. It includes a module to work with ontologies, a set of modules to handle specific catalog formats (like Bib TeX ), a module to define new catalog formats and a tool to integrate ontologies and multi-format catalogs in a web browse-able knowledge-base.