�ݺ�ߣ

Предварительная обработка и
разметка корпуса
Технологии корпусной лингвистики. Лекция 4
А.В. Луканин

Основные процедуры обработки ЕЯ
 корпус в его современном понимании – это всегда
компьютерная база данных
 в процессе его создания используются
специальные процедуры и программы
 Токенизация – разбиение потока символов в
естественном языке на отдельные значимые
единицы (токены, словоформы) – необходимое
условие для дальнейшей обработки
естественного языка

Токенизация
 Ни один ЕЯ не обладает совершенной пунктуацией
 В англ. языке chap.
 сокращенная форма слова chapter
 chap, расположенное в конце предложения
 Jan.
 сокращенная форма слова January
 имя собственное, расположенное в конце предложения
 Точка в конце предложения оформляется в
отдельный тэг

 Лемматизация – процесс образования первоначальной
формы слова, исходя из других его словоформ.
 Во многих языках слово может встречаться в нескольких
формах с различными флексиями.
 Например, английский глагол walk может быть
представлен следующими формами: walk, walked, walks,
walking.
 Базовая форма, walk, зафиксированная в словаре,
называется леммой слова.

 Стемминг – нахождении стема (основы) слова.
 Стеммер обрабатывает отдельное слово без знания
контекста, и, таким образом, не может
дифференцировать слова, которые имеют разные
значения в силу отнесенности к разным частям речи.
 Стеммеры обычно более просты для реализации и
быстрее обрабатывают данные, а более низкая точность
их работы может не иметь решающего значения для
многих приложений.
 better -> bett, good -> good

 [The] [quick] [brown] [fox] [jumped] [over] [the] [lazy]
[dogs].
 Один из наиболее популярных стеммеров,
SnowballAnalyzer, выдает следующие стемы:
 [quick] [brown] [fox] [jump] [over] [lazy] [dog].
 Леммы слов данного предложения будут следующими:
 [the] [quick] [brown] [fox] [jump] [over] [the] [lazy] [dog].
 Лемматизация связана с идентификацией частей речи и
включает в себя сокращение слов из корпуса до
соответствующих им лексем.

Лемматизация
 Именно лемматизация позволяет исследователю
выделять и изучать все варианты отдельной лексемы без
необходимости введения всех возможных вариантов.
 All women were walking in the streets.
 токены (словоформы) представлены слева в скобках <>
 звездочка '*' – слово в тексте начинается с заглавной буквы
"<*all>"
"all" <*> <Quant> DET PRE SG/PL
"<women>"
"woman" N NOM PL

Лемматизация
"<were>"
"be" <SV> <SVC/N> <SVC/A> V PAST VFIN
"<walking>"
"walk" <SV> <SVO> PCP1
"<in>"
"in" PREP
"<the>"
"the" <Def> DET CENTRAL ART SG/PL
"<streets>"
"street" N NOM PL
"<$.>"

 Парсинг – это процесс сопоставления линейной
последовательности лексем (слов, токенов) языка с его
формальной грамматикой.
 Результатом обычно является дерево зависимостей
(синтаксическое дерево).
 Статистические подходы: парсер тренируется на
снабженных вручную пометами синтаксических деревьях
(tree-banks)
 Подходы, основанные на правилах или основанные на
ограничениях: прямо моделируют специфические
лингвистические теории.

Парсинг
 Большинство предложений неоднозначны в любой
теории.
 На основе правил (или перечня ограничений) должна
быть разработана стратегия снятия неоднозначности.
 Многие стратегии снятия неоднозначности полагаются на:
 количественные данные – частоту данной структуры в данном
корпусе (тип),
 ограничения на выборку для данных лексических единиц, которые
были получены или выделены из корпусных данных, и т.д.

 Необходимо рассматривать два условия при обсуждении
предварительной обработки корпусов:
1. Каждый шаг подготовки текста к обработке заставляет
составителя корпуса принимать лингвистические
решения, которые влияют на последующие шаги и на
оценку корпуса.
 Конечный пользователь должен быть в курсе этих решений, чтобы
найти то, что он ищет.
 New York и Baden Baden – одно или два слова?
 Что делать с такими явлениями, как немецкие глаголы с
отделяемыми приставками?

2. Конечного пользователя нужно поставить в известность о
том, какая работа была проделана на стадии
предварительной обработки и о возможных погрешностях
 любые ошибки в кодировке, особенно системные, могут повлиять
на результаты, полученные пользователями корпуса

Разметка корпуса
 Разметка корпусов (tagging, annotation) представляет
собой трудоемкую операцию, особенно учитывая
размеры современных корпусов.
 Некоторые виды разметки, в частности, анафорической,
просодической, основная часть работы проводится
вручную.
 Для морфологического и синтаксического анализа
существуют различные программные средства, которые
принято называть соответственно тэггеры (taggers) и
парсеры (parsers).

Разметка корпуса
 Автоматический морфологический анализатор (тэггер)
приписывает каждой лексической единице
грамматические характеристики
 часть речи, лемма и набор граммем (например, род, число, падеж,
одушевленность/неодушевленность, переходность и т.д.).
 Автоматический синтаксический анализатор фиксирует
синтаксические связи между словами и
словосочетаниями, а синтаксическим единицам
приписывает соответствующие характеристики
 тип предложения, синтаксическая функция словосочетания и т.д.

Снятие неоднозначности
 Автоматический анализ ЕЯ небезошибочен и многозначен
– он, как правило, дает несколько вариантов анализа для
одной лексической единицы (слова, словосочетания,
предложения).
 В этом случае говорят о грамматической омонимии.
 Снятие неоднозначности (морфологической,
синтаксической) – одна из важнейших и сложнейших
задач компьютерной лингвистики.
 При создании корпусов для снятия неоднозначности
используются автоматические и ручные способы.

 Корпусы нового поколения включают сотни миллионов
слов, поэтому выдвигаются принципы разработки систем,
которые бы минимизировали вмешательство человека.
 Автоматическое разрешение морфологической или
синтаксической неоднозначности, как правило,
основывается на использовании информации более
высокого уровня (синтаксического, семантического) с
применением статистических методов.

 Для указания леммы словоформы достаточно сравнить
слова по морфологическому словарю.
 Если форма может быть членом более чем одной
категории, необходимо снятие морфологической
неоднозначности.
 Например, слова words, forms, can, use, present и process могут
быть как существительными, так и глаголами.
 Достичь точной разметки английского корпуса можно
путём анализа контекста или анализа более высокого
уровня.

Лингвистическая разметка
 Морфологическая
 Синтаксическая
 Семантическая
 Анафорическая
 Просодическая
 Дискурсная
 и др.

Морфологическая разметка
 part-of-speech tagging (POS-tagging), дословно –
частеречная разметка
 также указываются признаки грамматических
категорий, свойственных данной части речи
 большинство крупных корпусов являются
морфологически размеченными корпусами
 успехи в компьютерной морфологии позволяют
автоматически с большой степенью правильности
размечать корпусы больших размеров

 Метка включает лемму, признак части речи,
признаки грамматических категорий
 В 1980 году появилась размеченная версия
Брауновского корпуса, в которой была проведена
лемматизация словоформ, маркировка их
поверхностно-синтаксических функций и т.д.

 the_AT jury_NN further_RB said_VBD in_IN term-
end_NN presentments_NNS that_CS the_AT
*city_NP *executive_NP *committee_NP ,_,
which_WDT had_HVD over-all_JJ charge_NN of_IN
the_AT election_NN ,_, deserves_VBZ the_AT
praise_NN and_CC thanks_NNS of_IN the_AT
*city_NP *of_NP *atlanta_NP for_IN the_AT
manner_NN in_IN which_WDT the_AT election_NN
was_BEDZ conducted_VBN |

Морфологическая разметка АОТ
<?xml version="1.0" encoding="windows-1251" ?> <text> <p>
<s><w>Звонили<ana lemma="ЗВОНИТЬ" pos="Г"
gram="мн,нс,нп,дст,прш," /></w>
<w>к<ana lemma="К" pos="ПРЕДЛ" gram="" /></w>
<w>вечерне
<ana lemma="ВЕЧЕРНЯ" pos="С" gram="жр,ед,дт,пр,но," />
<ana lemma="ВЕЧЕРНИЙ" pos="П" gram="ср,ед,кр," /></w>
<pun>.</pun> </s>
<s><w>Торжественный<ana lemma="ТОРЖЕСТВЕННЫЙ" pos="П"
gram="мр,ед,им,вн," /></w>
<w>гул<ana lemma="ГУЛ" pos="С" gram="мр,ед,им,вн,но," /></w>
<w>колоколов
<ana lemma="КОЛОКОЛ" pos="С" gram="мр,мн,рд,но," />
<ana lemma="КОЛОКОЛОВ" pos="С" gram="мр,фам,ед,им,од," /></w>
<pun>.</pun> </s></p></text>

Синтаксическая разметка
 является результатом парсинга, выполняемого на
основе данных морфологического анализа
 описывает синтаксические связи между лексичес-
кими единицами и различные синтаксические
конструкции (например, придаточное предложе-
ние, глагольное словосочетание и т.д.)
 В отличие от морфологии, способы представле-
ния синтаксической структуры и синтаксических
отношений не столь унифицированы.

Синтаксическая разметка
 Наблюдается разнообразие синтаксических
теорий и формализмов:
 грамматика зависимостей;
 грамматика непосредственно составляющих;
 грамматика структурных схем;
 традиционные синтаксические учения о членах
предложения;
 функциональная грамматика;
 семантический синтаксис и др.

Предварительная обработка и разметка корпуса текстов

Семантическая разметка
 предусматривает спецификацию значения слов,
разрешение омонимии и синонимии,
категоризацию слов (разряды), выделение
тематических классов, признаков каузативности,
оценочных и деривационных характеристик и т.д.
 Семантические тэги чаще всего обозначают
семантические категории, к которым относится
данное слово или словосочетание, и более узкие
подкатегории, специфицирующие его значение.

Семантическая разметка НКРЯ
 каждой словоформе приписываются пометы трёх
типов:
1. разряд (имя собственное, возвратное
местоимение и т.д.);
2. лексико-семантические характеристики
(тематический класс лексемы, признаки
каузативности, оценки и т.д.);
3. деривационные характеристики («диминутив»,
«отадъективное наречие» и т.д.).

 лексико-семантические тэги сгруппированы по
следующим полям:
 таксономия (тематический класс лексемы) – для
имен существительных, прилагательных, глаголов и
наречий;
 мереология (указание на отношения «часть –
целое», «элемент – множество») – для предметных
и непредметных имен;

 топология (топологический статус обозначаемого
объекта) – для предметных имен;
 каузация – для глаголов;
 служебный статус – для глаголов;
 оценка – для предметных и непредметных имен,
прилагательных и наречий.

 Словообразовательные характеристики включают
несколько типов:
 морфо-семантические словообразовательные признаки
(например, «каритив», «семельфактив»);
 разряд производящего слова (например, отглагольное
существительное или отадъективное наречие);
 лексико-семантический (таксономический) тип производящего
слова (например, наречие, образованное от прилагательного
размера);
 морфологический тип словообразования (субстантивация,
сложное слово)

�ݺ�ߣ

Предварительная обработка и разметка корпуса текстов

Recommended

More Related Content

What's hot (9)

Viewers also liked (20)

Similar to Предварительная обработка и разметка корпуса текстов (12)

More from Artem Lukanin (18)

Recently uploaded (10)

Предварительная обработка и разметка корпуса текстов