Reconhecimento de Entidades Nomeadas para Textos Jurídicos Brasileiros (LeNER-Br)

Este repositório contém o código e os experimentos realizados para o projeto final da disciplina CPE 783 - Processamento de Linguagem Natural (Período 2025/1) do PEE/COPPE/UFRJ. O foco é o Reconhecimento de Entidades Nomeadas (NER) em documentos jurídicos brasileiros.

1. Descrição do Problema

O projeto aborda o desafio de identificar e classificar automaticamente entidades nomeadas (como Legislação, Jurisprudência, Pessoas, Organizações, Localidades e Tempo) em textos do domínio jurídico brasileiro. Essa tarefa é complexa devido à linguagem técnica específica, estruturas textuais variadas e padrões de nomenclatura próprios da área. A extração dessas entidades é fundamental para diversas aplicações, como recuperação de informação jurídica, análise de precedentes e automação de processos legais.

2. Dataset Utilizado

Foi utilizado o dataset LeNER-Br (Legal Named Entity Recognition for Brazilian Portuguese).

• Fonte: Luz de Araujo et al., 2018 [1]
• Conteúdo: 70 documentos jurídicos (STF, STJ, TJMG, TCU)
• Tamanho: Aprox. 10.4k sentenças e 318k tokens
• Entidades Anotadas: PESSOA, JURISPRUDENCIA, TEMPO, LOCAL, LEGISLACAO, ORGANIZACAO
• Formato: BIO, com divisões pré-definidas de treino/desenvolvimento/teste.

3. Metodologia

Foram implementadas e comparadas duas abordagens principais:

3.1. Abordagem 1: Baseline Clássico (CRF)

• Modelo estatístico Conditional Random Fields (CRF).
• Características: Features linguísticas (ex: Part-of-Speech tags), n-gramas.
• Representações Vetoriais: TF-IDF e/ou embeddings de palavras pré-treinados (Word2Vec, FastText).
• Objetivo: Estabelecer um baseline sólido com menor custo computacional.

3.2. Abordagem 2: Deep Learning Sequencial (BiLSTM-CRF)

• Arquitetura de rede neural recorrente Bidirecional LSTM (BiLSTM) seguida por uma camada CRF.
• Objetivo: Capturar dependências sequenciais de forma mais robusta, sendo uma alternativa viável a Transformers completos em hardware limitado.
• Embeddings: Uso de embeddings pré-treinados estáticos (Word2Vec/FastText) e contextuais (extraídos do BERTimbau [2] sem fine-tuning).
• Regularização: Dropout.

(Opcional) 3.3. Abordagem 3: Exploração com Transformers

• Investigação limitada (se realizada) com fine-tuning do BERTimbau ou uso de seus embeddings em camadas de classificação simples.