1. Introducción

Muchas aplicaciones de procesamiento automático de textos se benefician del conocimiento lingüístico de varios niveles. Uno de los niveles lingüísticos fundamentales es el nivel morfológico donde se hace la división de palabras en morfemas, por ejemplo, la palabras ?extrabajadores? se divide en cinco morfemas, ?ex-trabaj-a-dor-es?.
La idea básica del proyecto es desarrollar la metodología de división de palabras en morfemas para cualquier idioma basándose en uno o varios métodos de aprendizaje automático para encontrar la solución óptima global (por ejemplo, se puede usar un algoritmo genético o una red neuronal o su combinación), implementar la metodología en los algoritmos y aplicarlos para el lenguaje español.

2. Importancia y relevancia

La información de división de palabras en morfemas tiene un valor lingüístico importante y puede utilizarse en sistemas de procesamiento automático de textos, tales como búsqueda inteligente en las bases de datos o Internet, en traducción automática, donde es importante conocer las relaciones derivativas entre las palabras para la traducción correcta, análisis semántico automático, etc.
En el Laboratorio de lenguaje natural y procesamiento de texto del CIC-IPN desarrollamos un analizador morfológico automático para el español, sin embargo, este analiza las formas gramaticales (flexiones) y no contiene la información de sufijos, prefijos, ni palabras compuestas ? toda esta información se representa en las diferentes entradas no relacionadas entre si del diccionario del analizador. Para su funcionamiento el analizador usa el diccionario de 26,000 entradas que es suficiente para muchas aplicaciones pero nos gustaría hacerlo mucho más grande de manera automática y agregar allá la información de estructura de palabras. También en el laboratorio tenemos un corpus de lenguaje español de los periódicos mexicanos de 1 GB, el cual puede ser fuente de los datos. Tenemos experiencia en desarrollo y aplicación de los métodos de aprendizaje automático para análisis de los corpus.

3. Metodología
Para realizar el proyecto se realizarán las siguientes actividades:

Primer año:
1. Recopilación de los datos (palabras diferentes) para el español
a. a través de Internet,
b. sacando de los corpus existentes,
c. usando los sistemas de generación de las formas gramaticales.
2. Análisis de los métodos de aprendizaje automático existentes y elección de los métodos que son mejores para la tarea propuesta, analizando, sobre todo, la relación entre los métodos supervisados, débilmente supervisados y no supervisados,
3. Implementación de los métodos de aprendizaje automático elegidos,
4. Análisis de los datos morfológicos de varios idiomas detectando los parámetros que se varían entre idiomas: estructura de morfemas, posición de morfemas, número de morfemas
5. Desarrollo de la metodología y algoritmos de detección de estructura morfémica, donde se aplican el métodos seleccionados de aprendizaje automático al conjunto de datos recopilados, se buscan varias soluciones según los criterios lingüísticos propuestos, y se elige una solución de división en morfemas óptima (etapa de pruebas),

Segundo año:
1. Desarrollo de la metodología y algoritmos de detección de estructura morfémica, (etapa de desarrollo),
2. Implementación de los algoritmos de detección de estructura morfémica,
3. Preparación de los parámetros de la metodología para el español,
4. Experimentos con una cantidad bastante grande de palabras para el español (miles de palabras),
5. Evaluación de los resultados de experimentos para el español.
6. Pruebas con algunas cantidades moderadas de palabras para otros idiomas (decenas de palabras),
a. inglés,
b. turco,
c. ruso,
d. algunos otros (por ejemplo, árabe).

El objetivo general consiste en el desarrollo de una metodología que permita dividir automáticamente las palabras en morfemas para cualquier idioma usando los métodos de aprendizaje automático, su implementación, su aplicación y evaluación para el idioma español.

1. Metodología y el software para detección de estructura morfémica
de palabras usando los métodos de aprendizaje automático aplicable para idiomas de diferentes tipos.
2. Los datos para el español (lista de palabras con todas sus formas gramaticales para el español generada y sacada de los corpus e Internet).
3. Resultados de experimentos de detección de estructura morfémica
para el español