Verbos eram necessários.
Para que a IA descreva o mundo, é preciso haver verbos. Na frase “O almirante coreano Yi Sun-sin construiu o navio-tartaruga”, sem “construiu” não há frase.
Para identificação de entidades existe a Wikidata. Yi Sun-sin é Q50184. O navio-tartaruga é Q695959. A identificação já está feita.
Para verbos não existe equivalente. Não há um ID para “construir”. Não há critério consensual que determine se “construir”, “fabricar” e “produzir” têm o mesmo sentido ou sentidos diferentes.
Todo projeto que lida com verbos — seja grafo de conhecimento, busca semântica ou design de linguagem estruturada — inevitavelmente encontra esta pergunta: de onde trazer o sistema de verbos?
Construir do zero
É possível projetar uma lista de verbos desde o início.
move, give, think, feel, say. Definimos uns 50 verbos básicos e adicionamos verbos subordinados. Abaixo de move: walk, run, crawl. Abaixo de give: donate, bestow, grant.
Surgem três problemas.
Primeiro, lacunas. Quando uma pessoa enumera verbos de cabeça, inevitavelmente falta algo. Esquece “adsorver”, esquece “ruminar”, esquece “resignar-se”. No momento em que o verbo ausente é necessário, o sistema quebra.
Segundo, falta de critério. walk e stroll são verbos separados ou variações do mesmo verbo? Ao construir manualmente, esse julgamento depende da intuição do projetista. E a intuição varia de pessoa para pessoa.
Terceiro, a hierarquia é arbitrária. Colocamos walk abaixo de move, mas walk também pode ser subordinado a travel. O projetista decide onde colocar. Essa decisão não tem fundamento objetivo.
Um sistema de verbos construído manualmente parece perfeito na cabeça de seu criador. Quando outra pessoa olha, a reação é: “Por que foi classificado assim?”
O legado WordNet
Um banco de dados lexical do inglês cuja construção começou na Universidade de Princeton em 1985.
Durante 40 anos, linguistas agruparam palavras inglesas em unidades de significado (synset) e as conectaram por relações hierárquicas. Só de verbos são 13.767 synsets. Cada synset tem um ID único, uma definição e relações explícitas com outros synsets.
“donate” e “bestow” estão agrupados no mesmo synset. Significa que têm o mesmo sentido. “donate” é um troponym de “give”. Significa que é uma forma específica de give. “give” é um troponym de “transfer”. Significa que é uma forma específica de transfer.
Essa hierarquia já está organizada para 13.767 verbos.
Sem lacunas. Porque linguistas a preencheram durante 40 anos. Com critérios. Porque as definições e relações dos synsets são explícitas. Com hierarquia fundamentada. Porque as relações de troponym são baseadas em análise linguística.
Dicionário e gramática são coisas diferentes
Se WordNet é o dicionário de verbos, como usar esses verbos é uma questão separada.
WordNet nos diz qual é o significado de “give” e qual sua relação com “donate”. Mas não nos diz a estrutura de uso de “give” numa frase — quem dá, o que é dado, a quem é dado.
Isso é análogo à relação com Wikidata. Wikidata nos diz que Yi Sun-sin é Q50184. Mas como compor uma frase sobre Yi Sun-sin não é responsabilidade da Wikidata.
Emprestamos o dicionário, mas construímos a gramática nós mesmos.
O que pegamos da WordNet: IDs de synset, definições semânticas e a árvore hierárquica de troponym. Os verb frames, estruturas de participantes e padrões sintáticos que WordNet também fornece são melhor projetados por cada projeto individualmente. Porque as informações sintáticas da WordNet estão vinculadas ao inglês, e o sistema semântico do verbo e seu modo de uso são questões independentes.
De 13.767 a 10
Listar todos os 13.767 verbos da WordNet não tem utilidade. É preciso estrutura.
Subindo pela árvore de troponym da WordNet, chegamos a nós de topo que não têm superior. Os verbos raiz. São 559.
Agrupando os 559 semanticamente, obtemos 68 sub-primitivos (sub-primitive). Agrupando os 68 mais, obtemos 10 primitivos (primitive).
13.767 verbos → 559 raízes → 68 sub-primitivos → 10 primitivos
BE — existência, posse, localização
PERCEIVE — percepção, detecção, descoberta
FEEL — emoção, preferência, desejo
THINK — pensamento, julgamento, memória
CHANGE — mudança, início, fim
CAUSE — ação, criação, destruição
MOVE — movimento, chegada, partida
COMMUNICATE — fala, indicação, acordo
TRANSFER — entrega, recebimento, troca
SOCIAL — cooperação, competição, pertencimento
Esses 10 são os primitivos semânticos dos verbos humanos. Não vêm da intuição de um indivíduo, mas da estrutura de 40 anos de acumulação da WordNet e 13.767 pontos de dados.
Essa hierarquia de quatro camadas — primitivos, sub-primitivos, raízes, verbos individuais — permite ajuste de resolução. Numa visão ampla, há 10 tipos de ações; numa visão detalhada, 13.767. Basta ler na resolução necessária.
Expansão e compressão
Se 13.767 não bastam? Novos verbos podem ser adicionados. Verbos multilíngues, neologismos, termos técnicos. Adiciona-se ao sub-primitivo correspondente. O sistema existente não se quebra.
Se 13.767 são demais? Synsets sinônimos podem ser fundidos em um. Redireciona-se donate para give. Dados previamente registrados como donate encontram give. Mesmo princípio do HTTP 301.
O importante é a ordem. Primeiro incluir tudo, rodar na prática, observar os dados de uso e depois reduzir. Reduzir no papel sem dados elimina distinções necessárias.
Além: átomos semânticos
Os 13.767 verbos do WordNet são a lista de verbos que os humanos nomearam. Abrangente, mas não é tudo.
“give” pode ser decomposto ainda mais: CAUSE + HAVE + MOVE. Trata-se de decompor em primitivas semânticas (semantic primitives). Concluída essa decomposição, até verbos que não estão na lista podem ser expressos como combinações de átomos.
Se o WordNet é a biblioteca padrão, o sistema de átomos semânticos é o compilador. Assim como um compilador pode produzir funções que não estão na biblioteca padrão.
É uma grande tarefa de pesquisa, a tentar depois que um livro de códigos de verbos tiver sido posto para funcionar de fato.
Por que é provisório
O GEUL construiu um livro de códigos de verbos sobre essa estrutura: o wordnet-verb, que dá a cada um dos 13.767 synsets verbais do WordNet 3.0 um código de 16 bits, com códigos próximos para significados próximos. Mas é uma edição provisória, de referência. São três os motivos.
Licença. O WordNet segue a WordNet 3.0 License. Os resultados públicos do GEUL são CC0. Listas e definições derivadas do WordNet não podem ser levadas para um livro de códigos CC0.
Inglês. Um synset é uma unidade de sentido de palavras inglesas. O GEUL precisa de um sistema de verbos que não esteja preso a nenhum idioma específico.
Lugar. Ainda não foi decidido como os códigos de verbos serão levados nos registros GEUL.
Por isso, essa edição provisória será substituída por um livro de códigos de verbos puro, que não use o WordNet. O que se aprendeu com o WordNet permanece: a cobertura deve ser completa, os critérios explícitos e a hierarquia fundamentada.
Resumo
Todo projeto que tenta construir um sistema de verbos enfrenta a mesma pergunta: de onde tirá-lo?
Construindo por conta própria, há lacunas, arbitrariedade e falta de fundamento. Partindo do WordNet, não há lacunas, há consenso e fundamento nos dados.
Por isso o GEUL partiu do WordNet. Mas é só um ponto de partida. Os resultados públicos devem ser CC0, e um sistema de verbos não deve ficar preso ao inglês. Aprender a estrutura com o WordNet e reconstruí-la a partir de fontes CC0 e dados reais de uso. O princípio continua o mesmo: emprestar o dicionário e construir a gramática por conta própria.