Prefixos e sufixos no processamento de texto
Prefixos e sufixos são morfemas que se juntam à raiz de uma palavra para alterar seu significado ou sua função gramatical. O assunto parece simples quando explicado em livros didáticos, mas na prática de análise de texto e NLP as coisas complicam rápido. Vou mostrar como funciona, dar um exemplo concreto, e explicar o problema que encontrei pessoalmente ao tentar usar esses recursos em um pipeline de extração de dados.
Como identificar um exemplo de sufixo e prefixo na prática
Pegue a palavra descontentamento. A raiz é content, o prefixo é des- e o sufixo é -mento. A estrutura básica é essa. Agora imagine que você está construindo um sistema que precisa tokenizar palavras automaticamente. Você escreve uma expressão regular simples, separa os morfemas, e acha que terminou. Aí começa o problema. Em português, os prefixos mais comuns que você vai encontrar são: des-, re-, in-, pre-, sub-,- (em compostos com estrangeirismos), anti-, auto-, bio-, co-, contra-. Os sufixos mais frequentes incluem: -ção, -mento, -eiro, -ista, -oso, -mente, -al, -ismo, -ável. Mas só listar eles não resolve nada. A morphologia do português é irregular de propósito.
Eu tive um caso específico há dois anos trabalhando em um projeto de extração de features para classificação de reviews. Eu precisava segmentar palavras em morfemas para criar um vetor de representação mais rico do que apenas embeddings de palavra inteira. Minha abordagem inicial foi construir um morfeme generator usando regras fixas. Funcionou para 80% dos casos. Os outros 20% eram palavras onde as regras quebravam. O problema principal veio com palavras como inconsequente. O prefixo aqui é in-, mas a raiz é consequente, que já contém o sufixo -nte. Meu gerador de regras tratava consequente como uma raiz pura e segmentava tudo errado. A solução que eu encontrei foi usar um dicionário morfológico — o MORFIX, mantido pela PUC-RS — como base de consulta. Quando a regra falhava, eu consultava o dicionário. Se a palavra estivesse lá, a segmentação era precisa. Se não estivesse, eu voltava para a regra com fallback. Esse approach reduziu meu erro de segmentação de cerca de 20% para menos de 3%. Não é perfeito, mas é aceitável para produção.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A Armadilha que Ninguém Menciona
O erro mais comum que vejo gente cometer é tratar prefixos e sufixos como opções independentes. Na verdade, a ordem de aplicação importa. Em português, a estrutura tipica é: Prefixo + Raiz + Sufixo
Porém existem excecoes que quebram essa previsibilidade. Palavras como anticonstitucionalissimamente tienen múltiples sufixos em sequência: -al, -ista, -issim, -amente. Um parser ingênuo vai falhar aqui porque ele espera um único sufixo. A melhor estrategia é usar um taggeador morfológico que conhece a lingua. Ferramentas como o UDPipe ou o Stanza, configurados para portugues, conseguem segmentar essas palavras multi-morfoemicas com bastante precisao. Eu migrei meu pipeline do gerador de regras para o UDPipe e o tempo de processamento triplicou, mas a qualidade da segmentacao melhorou drasticamente. Outro ponto importante: nem toda palavra com "des-" ou "-mente" tem prefixo ou sufixo funcional. Descanso não é des- + descanso. A palavra evolved organicamente e a segmentacao morfológica manual não captura isso. Nesse caso, você depende do dicionario mesmo. Regras generativas so funcionam para palavras transparentes.
Se voce esta apenas estudando linguistica e precisa de exemplos para um trabalho escolar, aqui vai uma tabela rapida: desonesto = des- (prefixo) + honesto (raiz)
felizmente = feliz (raiz) + -mente (sufixo)
infeliz = in- (prefixo) + feliz (raiz)
leitura = leio (raiz) + -tura (sufixo)
Para aplicacoes praticas em NLP, recomendo começar com o Morfologia da PUC-RS disponivel em morphologic.pucrs.br. E o recurso mais confiavel que encontrei para portugues. O pacote PyMorphy2 tambem é uma opcao, mas a cobertura para portugues é limitada comparado ao Morfologo. Se voce precisa de algo gratuito e pronto para uso, o HanCoreNLP com o modelo portugues eh a saida mais equilibrada entre facilidade e qualidade.
