Necesitábamos verbos.

Para que una IA describa el mundo, necesita verbos. En “Yi Sun-sin construyó el barco tortuga”, sin “construyó” no hay oración.

Para la identificación de entidades existe Wikidata. Yi Sun-sin es Q28090. El barco tortuga es Q249845. La identificación ya está resuelta.

Para los verbos no existe un equivalente. No hay un ID para “construir”. Si “construir”, “fabricar” y “producir” significan lo mismo o cosas distintas, no hay un estándar consensuado.

Todo proyecto que trabaje con verbos —ya sea grafos de conocimiento, búsqueda semántica o diseño de lenguaje estructurado— se encuentra inevitablemente con esta pregunta. ¿De dónde sacas tu sistema de verbos?

Construirlo desde cero

Se puede diseñar una lista de verbos partiendo de nada.

move, give, think, feel, say. Eliges unos 50 verbos básicos y les vas colgando sub-verbos. Bajo move: walk, run, crawl. Bajo give: donate, bestow, grant.

Surgen tres problemas.

Primero, lagunas. Cuando una persona enumera verbos de memoria, siempre se le escapa alguno. Se olvida de “adsorber”, de “rumiar”, de “resignarse”. En el momento en que se necesita un verbo ausente, el sistema se rompe.

Segundo, falta de criterios. ¿Son walk y stroll verbos distintos o variantes del mismo? Si lo construyes tú, ese juicio depende de la intuición del diseñador. La intuición varía de persona a persona.

Tercero, jerarquía arbitraria. Pones walk bajo move, pero walk también es un subtipo de travel. Dónde ubicarlo lo decide el diseñador. Esa decisión carece de fundamento.

Un sistema de verbos hecho a mano parece perfecto en la cabeza de su diseñador. Para cualquier otra persona se convierte en “¿Por qué se clasificó así?”

El legado de WordNet

Una base de datos léxica del inglés que comenzó a construirse en la Universidad de Princeton en 1985.

Durante 40 años, lingüistas han agrupado palabras inglesas en unidades de significado (synsets) y las han conectado mediante relaciones jerárquicas. Solo para verbos hay 13.767 synsets. Cada synset tiene un ID único, una definición y relaciones explícitas con otros synsets.

“donate” y “bestow” están agrupados en el mismo synset. Significan lo mismo. “donate” es un troponym de “give”. Es una forma específica de give. “give” es un troponym de “transfer”. Es una forma específica de transfer.

Esta jerarquía ya existe para 13.767 verbos.

Sin lagunas. Los lingüistas la han ido completando durante 40 años. Con criterios claros. Las definiciones y relaciones de los synsets son explícitas. Con jerarquía fundamentada. Las relaciones de troponym se basan en análisis lingüístico.

El diccionario y la gramática son cosas distintas

Si WordNet es el diccionario de verbos, cómo usar esos verbos es un asunto aparte.

WordNet te dice qué significa “give” y qué relación tiene con “donate”. Pero no te dice cómo usar “give” en una oración —quién da, qué se da, a quién se da— esa estructura no es su cometido.

Es la misma relación que con Wikidata. Wikidata te dice que Yi Sun-sin es Q28090. Pero cómo componer una oración sobre Yi Sun-sin no es responsabilidad de Wikidata.

Se toma prestado el diccionario; la gramática se construye uno mismo.

Qué tomar de WordNet: IDs de synset, definiciones semánticas, árboles jerárquicos de troponym. Los verb frames, las estructuras de participantes y los patrones sintácticos que WordNet también ofrece es mejor que cada proyecto los diseñe por su cuenta. La información sintáctica de WordNet está ligada al inglés, y el sistema semántico de un verbo y su modo de empleo son problemas distintos.

De 13.767 a 10

Enumerar los 13.767 verbos de WordNet no tiene sentido. Se necesita estructura.

Subiendo por el árbol de troponym de WordNet, se llega a nodos superiores sin más niveles arriba. Verbos raíz. Son 559.

Agrupando los 559 semánticamente se obtienen 68 sub-primitivos. Agrupando los 68 más se obtienen 10 primitivos.

13.767 verbos → 559 raíces → 68 sub-primitivos → 10 primitivos

BE          — existencia, posesión, ubicación
PERCEIVE    — percepción, detección, descubrimiento
FEEL        — emoción, preferencia, deseo
THINK       — cognición, juicio, memoria
CHANGE      — cambio, inicio, fin
CAUSE       — acción, creación, destrucción
MOVE        — movimiento, llegada, partida
COMMUNICATE — enunciación, indicación, acuerdo
TRANSFER    — entrega, recepción, intercambio
SOCIAL      — cooperación, competencia, afiliación

Estos 10 son los primitivos semánticos de los verbos humanos. No provienen de la intuición de una sola persona, sino de la estructura de 40 años de acumulación de WordNet a lo largo de 13.767 puntos de datos.

Esta jerarquía de cuatro niveles —primitivos, sub-primitivos, raíces, verbos individuales— permite controlar la resolución. A grandes rasgos, hay 10 tipos de acción; en detalle, 13.767. Se corta en la resolución que se necesite.

Expansión y compresión

¿13.767 no son suficientes? Se pueden añadir verbos nuevos. Verbos multilingües, neologismos, terminología especializada. Se añaden bajo el sub-primitivo correspondiente. El sistema existente no se rompe.

¿13.767 son demasiados? Se pueden fusionar synsets sinónimos en uno solo. Redirigir donate → give. Los datos previamente registrados bajo donate encuentran su camino hacia give. El mismo principio que HTTP 301.

Lo importante es el orden. Primero se incluye todo, se ejecuta de verdad, se observan los datos de uso y luego se recorta. Recortar en el escritorio sin datos significa eliminar distinciones que realmente se necesitan.

Más allá: átomos semánticos

Los 13.767 verbos de WordNet son la lista de verbos que los humanos han nombrado. Exhaustiva, pero no es todo.

“give” se puede descomponer aún más. CAUSE + HAVE + MOVE. Descomposición en primitivos semánticos. Cuando esta descomposición esté completa, incluso verbos que no figuran en la lista podrán expresarse como combinaciones de átomos.

Si WordNet es la biblioteca estándar, el sistema de átomos semánticos es el compilador. Igual que un compilador puede producir funciones que no están en la biblioteca estándar.

Esta es una gran empresa de investigación, algo que intentar después de que un sistema basado en WordNet funcione. Por ahora, la biblioteca estándar es suficiente.

Resumen

Todo proyecto que intenta construir un sistema de verbos se encuentra con la misma pregunta. ¿De dónde lo sacas?

Si lo construyes tú, hay lagunas, arbitrariedad y falta de fundamento. Si lo construyes sobre WordNet, no hay lagunas, hay consenso y se fundamenta en datos.

WordNet es el diccionario de verbos de la humanidad, acumulado por lingüistas durante 40 años. Tomar prestadas las palabras de este diccionario, pero construir la gramática uno mismo. Esta es la razón de usar Wikidata para las entidades y WordNet para los verbos.