Como identificar e separar nomes próprios e comuns em textos
Achei isso útil na prática quando comecei a revisar manuais técnicos para uma editora especializada. O trabalho era simples na teoria: separar os nomes próprios dos comuns num corpus de aproximadamente 300 páginas, marcar com tags específicas para o sistema de indexação automática. Na prática, o que se descobre rápido é que a regra básica que ensinam no ensino médio — nome próprio é aquilo que começa com letra maiúscula e nome comum é tudo o mais — não funciona em português quando o texto contém citações, extratos legais ou referências a documentos oficiais. A mayúscula inicial muitas vezes é convenção editorial, não marca de nominalização. O método que eu adotei, e que recomendo, funciona em três etapas que você executa em sequência, sem pular nenhuma. A primeira etapa é extrair todos os substantivos e substantivações do texto usando um tagger morfológico. A segunda é comparar a capitalização de cada item com o contexto imediato. A terceira é aplicar regras de exclusão baseadas em listas de palavras conhecidas que são comuns mas aparecem frequentemente com maiúscula por erro ou por norma editorial arcaica.
Entendendo nome próprio e nome comum na prática
Nome comum é a categoria léxica que designa entidades genéricas: coisa, pessoa, conceito, lugar, animal. Nome próprio é a subcategoria que nomeia entidades únicas e identificáveis no contexto da enunciação. A distinção não é sobre o significado, é sobre o papel funcional que a palavra desempenha na oração. Um mesmo lexical pode ocupar ambos os papéis dependendo do uso. Isso é o que causa a maioria dos erros de etiquetagem automática. Quando você trabalha com processamento de linguagem natural ou com indexação manual, o problema mais frequente aparece com termos como República, Estado, Tribunal, Governo. Esses termos começam com maiúscula em contextos formais, mas são nomes comuns quando se referem à instituição de forma abstrata. Começam com minúscula quando fazem parte de uma denominação própria específica. A lógica inversa também vale: Pacto de Varsóvia leva todas as palavras com maiúscula porque é um nome próprio, mas pacto comercial permanece em minúsculas porque é comum.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Encontrei um caso concreto num contrato de prestação de serviços que precisei analisar. A cláusula mencionava o Fundação Cultural do Município. A capitalização estava inconsistente ao longo do documento: ora tudo maiúsculo, ora apenas a primeira palavra. O erro clássico seria etiquetar como nome próprio pelo padrão de letras grandes e como nome comum pelo fato de fundação ser um substantivo comum. A solução que usei foi consultar o registro oficial da entidade na prefeitura. O nome registrado é Fundação Cultural do Município de Porto Alegre. A tagging correta exigia tratar o segmento inteiro como nome próprio, independentemente de como o autor do contrato tinha escrito em trechos específicos. Isso me levou a construir um dicionário interno de entidades públicas da região, com cerca de 400 entradas, e a usar uma correspondência fuzzy para validar cada aparição contra o dicionário antes de decidir a classe. O processo completo, do tagging inicial à validação final, leva em média 15 minutos por página de texto denso, quando o dicionário de entidades já está construído. Sem o dicionário, o tempo sobe para cerca de 40 minutos porque você precisa verificar cada entrada manualmente ou recorrer a APIs de reconhecimento de entidades que, neste tipo de texto técnico, erram em torno de 18 por cento dos casos.
Um detalhe que poucos mencionam e que causa muitos transtornos diz respeito aos antropônimos compostos e às preposições. Em português, De, Do, Da, De las, Van Der fazem parte do nome próprio quando integram o sobrenome consolidado, mas não quando funcionam como preposição genérica. Maria da Silva é nome próprio. A casa da avó não tem nenhum nome próprio. A fronteira fica tênue em Ana Clara de Almeida, onde de é parte do sobrenome, versus análise de dados, onde de é preposição comum. O padrão que funciona na maioria dos contextos é tratar a preposição como parte do nome próprio quando ela aparece entre dois elementos lexicais que juntos formam uma denominação fixa de pessoa ou instituição. Quando o termo seguinte é um substantivo comum genérico, a preposição volta a ser comum. Outro ponto que gera confusão recorrente são os topônimos formados por río, monte, serra, rio. Rio de Janeiro funciona como nome próprio. O rio corre rápido é nome comum. A diferença não está na lexia, está no uso. Se a palavra denomina uma entidade geográfica específica e única no contexto, é próprio. Se denomina a classe de acidentes geográficos, é comum. A pegadinha aparece em documentos que misturam os dois usos no mesmo parágrafo, como em guias turísticos ou relatórios ambientais.
Uma limitação séria desse método é que ele depende inteiramente da qualidade do tagger morfológico e da abrangência do dicionário de entidades. Tagger treinado em português brasileiro com corpus jornalístico tende a falhar em textos jurídicos, administrativos e científicos porque a distribuição de mayúsculas é sistematicamente diferente. Dicionário incompleto gera falsos negativos — nomes próprios rotulados como comuns — e isso compromete a indexação de forma irreversível, já que o leitor não encontra a entrada procurada no índice. A recomendação é usar pelo menos dois taggers em paralelo, como o spaCy com modelo pt_core_news_md e o Stanza com o mesmo modelo, e manter uma lista de ambíguos atualizada semanalmente. O custo de manutenção dessa lista é real: consome cerca de 3 horas semanais por analista para um corpus de 500 páginas mensais. Se você precisa apenas de uma lista automática para fins não críticos, como extração exploratória de entidades, o spaCy basta. Se o objetivo é indexação para publicação, base de dados jurídica ou arquivo documental, o método manual com dicionário interno é o único que garante taxa de erro abaixo de 5 por cento. Não existe atalho confiável entre esses dois extremos.
