Palavras não caem do céu, elas se constroem
Você já parou para analisar uma palavra como descontentamentos? Ela não é mágica. É uma sequência lógica de morfemas que qualquer falante brasileiro consegue decompor sem esforço, mesmo que não saiba o nome de cada parte. A estrutura de palavras nada mais é do que esse esqueleto morfológico que sustenta a formação lexical de qualquer língua. Se você trabalha com processamento de linguagem natural, geração de texto ou simplesmente quer entender por que certas combinações soam erradas e outras corretas, esse é o fundamento.
O que realmente compõe uma palavra
No português, a estrutura de palavras funciona em camadas. O morfema é a menor unidade com significado. Raiz é o núcleo. Afixos são os elementos que se agregam: prefixos antes, sufixos depois. Há também os temáticos, que servem como ponte entre raiz e flexão. E claro, os marcadores de gênero, número e tempo. Pegue infelizmente. Infra? Não. In- é prefixo de negação ou posição. Feliz é a raiz. -mente é sufixo adverbial. Nada de místico. A decomposição é isso mesmo.
Eu passei três dias tentando fazer um tokenizador reconhecer corretamente palavras compostas por hífen em um corpus de notícias dos anos 90. O problema era que o regex padrão dividia ũa-outra como se fossem duas palavras independentes, o que quebrava toda a contagem de frequência. A solução foi escrever um parser que reconhecesse padrões ortográficos de compostos com hífen listados no acordo ortográfico, incluindo exceções como micro-ondas versus microonda em contextos técnicos. Levou uma semana, mas depois funcionou em todos os dados que processei.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A mecânica prática da formação lexical
O que a maioria dos tutoriais não mostra é que a estrutura de palavras no português tem regras de combinação que não são triviais. Nem todo prefixo combina com toda raiz. In- + feliz funciona. In- + paz vira in paz? Não. Vira inpaz, que não existe. A fronteira entre o que é aceitável e o que é inaceitável é ditada pelo uso, não por lógica pura. Outro ponto que sempre surpreende quem começa: a posição dos afixos não é totalmente livre. No português, sufixação é muito mais produtiva que prefixação para criar novos substantivos. Você gera leitura, corrida, dança facilmente. Gerar substantivos com prefixo a partir de verbos é mais restrito: releitura existe, subleitura não, antileitura soa artificial. Isso não é regra gramatical formal, é restrição morfológica real que afeta diretamente qualquer sistema que tente gerar ou analisar palavras.
Se o seu objetivo é construir um gerador morfológico, aqui está o caminho que eu segui:
- Primeiro passo: monte um inventário de afixos produtivos. No português brasileiro, isso inclui -ção, -mento, -ista, -ável, -dor, -eiro na derivação substantival e adjetival; des-, in-, re-, sub- na prefixação negativa ou reversiva.
- Segundo passo: defina regras de fusão fonológica. Quando -ável se junta a uma raiz que termina em vogal, pode haver elisão. Agradec + -ável = agradecível, não agradecavél. Esses detalhes fazem ou quebram a qualidade da saída.
- Terceiro passo: implemente filtros de aceitabilidade. Palavras geradas devem passar por verificação em léxico ou por similaridade com padrões atestados. Sem isso, seu sistema vai produzir trabajador como variante aceitável de trabalhador e você não vai perceber até rodar em produção.
Estrutura de palavras: armadilhas que ninguém cuenta
Um erro comum é tratar a estrutura de palavras como algo puramente sintático. Não é. A morfologia interage com a fonologia e a ortografia de formas que complicam qualquer abordagem simplista. Palavra como sexto-feira (agora sexta-feira pelo acordo) mostra como mudanças ortográficas afetam diretamente a percepção da estrutura morfológica. O morfema sexto perdeu o -o, mas a função sintagmática permaneceu. Para sistemas computacionais, isso significa que regras baseadas apenas na forma escrita falham sistematicamente após reformas ortográficas. Outro problema prático: palavrasflexionadas em contextos de corpus nem sempre retornam à raiz esperada. Cantes pode vir de cantar ou de cante (substantivo). Corram pode ser do verbo correr ou do adjetivo corro no plural. O desambiguador morfossintático precisa de contexto, não apenas de análise isolada da palavra. Sem contexto, a estrutura de palavras resta ambígua e qualquer downstream task sofre.
Existe uma alternativa interessante quando o método tradicional de stemming falha: usar listas de derivação em vez de regras sufixo-removíveis cegas. Ferramentas como o Stemmer do PortLingSuites ou abordagens baseadas em modelos de linguagem podem lidar melhor com irregularidades. O custo é maior: você precisa manter o léxico atualizado e gastar mais tempo de processamento. Vale a pena se a precisão for crítica. Não vale se você só precisa de uma aproximação rápida para classificação de texto. O que funciona na prática, depois de muita tentativa e erro, é combinar as duas abordagens. Stemmer heurístico para cobrir a vasta maioria dos casos, e_lookup morfológico para as exceções que o stemmer erraria. Assim eu construí o sistema que hoje roda em produção e lida com variação regional sem colapsar quando encontra um vocábulo do sul ou do nordeste que o stemmer padrão não reconhece.
