Collecting and POS-tagging a lexical resource of Japanese biomedical terms from a corpus

• Autores: Carlos Herrero Zorita, Leonardo Campillos Llanos, Antonio Moreno Sandoval
• Localización: Procesamiento del lenguaje natural, ISSN 1135-5948, Nº. 52, 2014, págs. 29-36
• Idioma: inglés
• Títulos paralelos:
  • Recogida y etiquetado morfológico de un lexicón de términos biomédicos en japonés a partir de corpus
• Enlaces
  • Texto completo
• Resumen
  • español

    El artículo resume el proceso de recopilación de un lexicón de términos biomédicos en japonés etiquetados morfológicamente. En primer lugar se han considerado para esta tarea las características morfosintácticas del japonés así como el origen y formación de los términos médicos en esta lengua. Posteriormente la lista se ha recopilado utilizando el corpus japonés MultiMedica, las etiquetas especiales de un etiquetador morfológico y varios diccionarios médicos especializados. Para el siguiente proceso de etiquetado se han considerado tres etiquetadores japoneses (ChaSen, Mecab, Juman), de los cuales se ha escogido este último. Una vez etiquetado, se ha corregido el problema de la sobresegmentación de los términos japoneses y se han simplificado las etiquetas para el propósito de nuestra tarea. Este recurso es la base para la creación de un extractor de términos médicos en japonés.

  • English

    The following paper explains the methodology followed for the creation of amorphologically tagged medical lexicon in Japanese. In order to build this medical resource we have taken into account the morphosyntactic characteristics of the language as well as the origins and formation of the medical terms. Following this, we have compiled a list using the Japanese MutiMedica corpus, special tags from a POS tagger, and several specialised medical dictionaries. After considering three different taggers (ChaSen, Mecab, Juman) we finally chose Juman for the tagging of the lexicon. The problem of the oversegmentation of the language was then corrected and the tags have been normalised. This resource is the base component for the creation of a medical term extractor.