知网董振东
『壹』 如何计算基于特征的相似度
如何计算基于特征的相似度
如何计算句子的语义相似度,很容易想到的是向量空间模型(VSM)和编辑距离的方法,比如A:“我爸是李刚”,B:“我儿子是李刚”,利用VSM方法A(我,爸,是,李刚)B(我,儿子,是,李刚),计算两个向量的夹角余弦值,不赘述;编辑距离就更好说了将“爸”,“儿子”分别替换掉,D(A,B)= replace_cost;
这是两种相当呆的方法,属于baseline中的baseline,换两个例子看一下就知道A:“楼房如何建造?”,B:“高尔夫球怎么打?”,C:“房子怎么盖?”,如果用VSM算很明显由于B,C中有共同的词“怎么”,所以BC相似度高于AC;编辑距离同理;
解决这种问题方法也不难,只要通过同义词词典对所有句子进行扩展,“如何”、“怎么”,“楼房”、“房子”都是同义词或者近义词,扩展后再算vsm或者edit distance对这一问题即可正解.这种方法一定程度上解决了召回率低的问题,但是扩展后引入噪声在所难免,尤其若原句中含有多义词时.例如:“打酱油”、“打毛衣”.在汉字中有些单字词表达了相当多的意义,在董振东先生的知网(hownet)中对这种类型汉字有很好的语义关系解释,通过hownet中词语到义元的树状结构可以对对词语粒度的形似度进行度量.
问题到这里似乎得到了不错的解答,但实际中远远不够.VSM的方法把句子中的词语看做相互独立的特征,忽略了句子序列关系、位置关系对句子语义的影响;Edit Distance考虑了句子中词语顺序关系,但是这种关系是机械的置换、移动、删除、添加,实际中每个词语表达了不同的信息量,同样的词语在不同词语组合中包含的信息量或者说表达的语义信息大不相同.What about 句法分析,计算句法树的相似度?这个比前两种方法更靠谱些,因为句法树很好的描述了词语在句子中的地位.实际效果要待实验证实.
对了,还有一种方法translation model,IBM在机器翻译领域的一大创举,需要有大量的语料库进行训练才能得到理想的翻译结果.当然包括中间词语对齐结果,如果能够利用web资源建立一个高质量的语料库对两两相似句对通过EM迭代词语对齐,由词语对齐生成句子相似度,这个.想想还是不错的方法!
『贰』 如何计算两个句子的相似度
如何计算句子的语义相似度,很容易想到的是向量空间模型(VSM)和编辑距离的方法,比如A:“我爸是李刚”,B:“我儿子是李刚”,利用VSM方法A(我,爸,是,李刚)B(我,儿子,是,李刚),计算两个向量的夹角余弦值,不赘述;编辑距离就更好说了将“爸”,“儿子”分别替换掉,D(A,B)= replace_cost;
这是两种相当呆的方法,属于baseline中的baseline,换两个例子看一下就知道A:“楼房如何建造?”,B:“高尔夫球怎么打?”,C:“房子怎么盖?”,如果用VSM算很明显由于B,C中有共同的词“怎么”,所以BC相似度高于AC;编辑距离同理;
解决这种问题方法也不难,只要通过同义词词典对所有句子进行扩展,“如何”、“怎么”,“楼房”、“房子”都是同义词或者近义词,扩展后再算vsm或者edit distance对这一问题即可正解。这种方法一定程度上解决了召回率低的问题,但是扩展后引入噪声在所难免,尤其若原句中含有多义词时。例如:“打酱油”、“打毛衣”。在汉字中有些单字词表达了相当多的意义,在董振东先生的知网(hownet)中对这种类型汉字有很好的语义关系解释,通过hownet中词语到义元的树状结构可以对对词语粒度的形似度进行度量。
问题到这里似乎得到了不错的解答,但实际中远远不够。VSM的方法把句子中的词语看做相互独立的特征,忽略了句子序列关系、位置关系对句子语义的影响;Edit Distance考虑了句子中词语顺序关系,但是这种关系是机械的置换、移动、删除、添加,实际中每个词语表达了不同的信息量,同样的词语在不同词语组合中包含的信息量或者说表达的语义信息大不相同。What about 句法分析,计算句法树的相似度?这个比前两种方法更靠谱些,因为句法树很好的描述了词语在句子中的地位。实际效果要待实验证实。
对了,还有一种方法translation model,IBM在机器翻译领域的一大创举,需要有大量的语料库进行训练才能得到理想的翻译结果。当然包括中间词语对齐结果,如果能够利用web资源建立一个高质量的语料库对两两相似句对通过EM迭代词语对齐,由词语对齐生成句子相似度,这个。。想想还是不错的方法!
『叁』 如何度量两个词之间的语义相似度
如何度量两个词之间的语义相似度
如何度量句子的语义相似度,很容易想到的是向量空间模型(VSM)和编辑距离的方法,比如A:“我爸是李刚”,B:“我儿子是李刚”,利用VSM方法A(我,爸,是,李刚)B(我,儿子,是,李刚),计算两个向量的夹角余弦值,不赘述;编辑距离就更好说了将“爸”,“儿子”分别替换掉,D(A,B)= replace_cost;
这是两种相当呆的方法,属于baseline中的baseline,换两个例子看一下就知道A:“楼房如何建造?”,B:“高尔夫球怎么打?”,C:“房子怎么盖?”,如果用VSM算很明显由于B,C中有共同的词“怎么”,所以BC相似度高于AC;编辑距离同理;
解决这种问题方法也不难,只要通过同义词词典对所有句子进行扩展,“如何”、“怎么”,“楼房”、“房子”都是同义词或者近义词,扩展后再算vsm或者edit distance对这一问题即可正解。这种方法一定程度上解决了召回率低的问题,但是扩展后引入噪声在所难免,尤其若原句中含有多义词时。例如:“打酱油”、“打毛衣”。在汉字中有些单字词表达了相当多的意义,在董振东先生的知网(hownet)中对这种类型汉字有很好的语义关系解释,通过hownet中词语到义元的树状结构可以对对词语粒度的形似度进行度量。
问题到这里似乎得到了不错的解答,但实际中远远不够。VSM的方法把句子中的词语看做相互独立的特征,忽略了句子序列关系、位置关系对句子语义的影响;Edit Distance考虑了句子中词语顺序关系,但是这种关系是机械的置换、移动、删除、添加,实际中每个词语表达了不同的信息量,同样的词语在不同词语组合中包含的信息量或者说表达的语义信息大不相同。What about 句法分析,计算句法树的相似度?这个比前两种方法更靠谱些,因为句法树很好的描述了词语在句子中的地位。实际效果要待实验证实。
对了,还有一种方法translation model,IBM在机器翻译领域的一大创举,需要有大量的语料库进行训练才能得到理想的翻译结果。当然包括中间词语对齐结果,如果能够利用web资源建立一个高质量的语料库对两两相似句对通过EM迭代词语对齐,由词语对齐生成句子相似度,这个。。想想还是不错的方法!
『肆』 有没有人利用知网知识系统做特征的语义扩展在哪里可以找到完整的知网知识系统(董振东的)
兄弟,关于知网知识系统的事,有啥进展吗?俺也想了解。
『伍』 什么是第一发明人
审查指南中规定的第一发明人需要填写身份证号,由此将带来一些隐性的权利或者权力。
个人以为:
1、第二发明人等不填写身份证号,由于可能存在同名同姓的情况,假设出现了名誉权纠纷,则由于第一发明人是唯一没有疑义的,因此,他可以提供有力证言。
2、当然,有人可能会说,这时单位可以做出证言证明到底谁是第二发明人。这在通常情况下当然没有问题。但深入考虑,是否又存在这样的疑问:究竟第一发明人与专利权人,谁的证言更有力?
虽然当初在提交专利申请时,第一发明人是“被”专利申请人写进“发明人”一栏的,但是一旦确立了这个第一发明人,就是承认了该发明人的工作成果和名誉权,那么后续一切与发明人权益相关的事务,第一发明人作为研发团队中的重要一员,其立场和证言往往尤为关键。
专利权人若与第一发明人证言不同,当然可以考虑做发明人变更,可是要知道,这个变更程序必须要有原第一发明人的签字。这时矛盾如何解决?就只有举证了。可举证难度,可想而知,如果没有严格的研发记录(会签),哪怕你一共有10个发明人,恐怕都未必抵得上有身份证号的第一发明人。
『陆』 董振东教授创建的的知网-中文信息结构库 怎么使用
下载什么 我可以帮你下载
这个事有ip限制的
给你你也用不了
『柒』 短语结构规则
1. 引言
从50年代的机器翻译和人工智能研究算起,NLP(Natural
Language Processing,自然语言处理)已有长达半个世纪的历史。 在
这个进程中,学术界曾提出许多重要的理论和方法,取得了丰富的成果
。笔者认为,近二十年在这一领域中堪称里程碑式的贡献有如下三个:
(1)复杂特征集和合一语法;(2)语言学研究中的词汇主义;( 3)
语料库方法和统计语言模型。这三个成果将继续对语言学、计算语言学
和NLP研究产生深远影响。为了更好地理解这些成果的意义, 先介绍与
此相关的两个事实。
2. 两个事实
2.1 事实之一——短语结构语法不能有效地描写自然语言
在自然语言处理中,为了识别一个输入句子的句法结构,首先要把
句子中的词一个一个地切分出来,然后去查词典,给句子中的每个词指
派一个合适的词性(part of speech);之后再用句法规则把句子里包
含的句法成分,如名词短语、动词短语、小句等,逐个地识别出来。进
而判断每个短语的句法功能,如主语、谓语、宾语等,及其语义角色,
最终得到句子的意义表示,如逻辑语义表达式。这就是一个句法分析的
全过程。
本文要提到的第一个事实是:短语结构语法(Phrase Structure
Grammar,简称PSG)不能有效地描写自然语言。PSG在Chomsky语言学理
论中占有重要地位,并且在自然语言的句法描写中担当举足轻重的角色
。但是它有一些根本性的弱点,主要表现为,它使用的是像词类和短语
类那样的单一标记,因而不能有效地指明和解释自然语言中的结构歧义
问题。请看汉语中“V+N”组合。假如我们把“打击、委托、调查”等
词指派为动词(V);把“力度、方式、盗版、 甲方”等词视为名词(
N),并同意“打击力度”、“委托方式”是名词短语(NP), “打击
盗版”、“委托甲方”是动词短语(VP),那么就会产生如下两条有歧
义的句法规则:
(1)NP→VN
(2)VP→VN
换句话讲,当计算机观察到文本中相邻出现的“V+N”词类序列时,仍
不能确定它们组成的究竟是NP还是VP。我们把这样的歧义叫做“短语类
型歧义”。例如:
·该公司正在招聘〔销售V人员N〕NP。
·地球在不断〔改变V形状N〕VP。
下面再来看“N+V”的组合,也同样会产生带有短语类型歧义的规
则对,如:
(3)NP→NV 例:市场调查;政治影响。
(4)S→NV 例:价格攀升;局势稳定。
其中标记S代表小句。
不仅如此,有时当机器观察到相邻出现的“N+V”词类序列时,甚
至不能判断它们是不是在同一个短语中。也就是说,“N+V”词类序列
可能组成名词短语NP或小句S,也有可能根本就不在同一个短语里。 后
面这种歧义称为“短语边界歧义”。下面是两个相关的例句:
·中国的〔铁路N建设V〕NP发展很快。
·〔中国的铁路N〕NP建设V得很快。
前一个例句中,“铁路 建设”组成一个NP;而在后一个例句中,这两
个相邻的词却分属于两个不同的短语。 这足以说明, 基于单一标记的
PSG不能充分地描述自然语言中的句法歧义现象。 下面再看一些这样的
例子。
(5)NP→V N1 de N2
(6)VP→V N1 de N2
其中de代表结构助词“的”。例如,“〔削 苹果〕VP的刀”是NP;而
“削〔苹果 的 皮〕NP”则是VP。这里既有短语类型歧义,又有短语
边界歧义。比如,“削V苹果N”这两个相邻的词,可能构成一个
VP,也可能分处于两个相邻的短语中。
(7)NP→P N1 de N2
(8)PP→P N1 de N2
规则中P和PP分别表示介词和介词短语。例如,“〔对 上海〕PP 的印
象”是NP;而“对〔上海的 学生〕NP”则是PP。相邻词“对P上海N”
可能组成一个PP,也可能分处于两个短语中。
(9)NP→NumP N1 de N2
其中NumP表示数量短语。规则(9)虽然表示的是一个NP, 但可分别代
表两种结构意义:
(9a)NumP〔N1 de N2〕NP 如:五个〔公司的职员〕NP
(9b)〔NumP N1〕NP de N2 如:〔五个公司〕NP的职员
(10)NP→N1 N2 N3
规则(10)表示的也是一个NP,但“N1+N2”先结合,还是“N2+N3”
先结合,会出现两种不同的结构方式和意义,即:
(10a)〔N1 N2〕NP N3 如:〔现代 汉语〕NP词典
(10b)N1〔N2 N3〕NP 如:新版〔汉语词典〕NP
以上讨论的第一个事实说明:
·由于约束力不够,单一标记的PSG 规则不能充分消解短语类型和
短语边界的歧义。用数学的语言讲,PSG规则是必要的, 却不是充分的
。因此,机器仅仅根据规则右边的一个词类序列来判断它是不是一个短
语,或者是什么短语,都有某种不确定性。
·采用复杂特征集和词汇主义方法来重建自然语言的语法系统,是
近二十年来全球语言学界对此作出的最重要的努力。
2.2 事实之二——短语结构规则的覆盖有限
通过大规模语料的调查,人们发现一种语言的短语规则的分布符合
齐夫率(Zipf's Law)。Zipf是一个统计学家和语言学家。他提出,如
果对某个语言单位(不论是字母还是词)进行统计,把这个语言单位在
一个语料库里出现的频度(frequency)记作F,而且根据频度的降序对
每个单元指派一个整数的阶次(rank)R。结果发现R和F 的乘积近似为
一个常数。即
F[*]R≈const(常数)
或者说,被观察的语言单元的阶次R与其频度F成反比关系。在词频的统
计方面,齐夫律显示,不管被考察的语料仅仅是一本长篇小说,还是一
个大规模的语料库,最常出现的100 个词的出现次数就会占到语料库总
词次数(tokens)的近一半。假如语料库的规模是100万词次, 那么其
中频度最高的100个词的累计出现次数大概是50万词次。 如果整个语料
库含有5万词型(types),那么其中的一半(也就是2.5 万条左右)在
该语料库中只出现过一次。即使把语料库的规模加大十倍,变成1000万
词次,统计规律大体不变。
有趣的是,80年代Sampson对英语语料库中的PSG规则进行统计,发
现它们的分布同样是扭曲的,大体表现为齐夫率(Aarts et al. 1990)
。也就是说,一方面经常遇到的语法规则只有几十条左右,它们的出现
频度极高;另一方面,规则库中大约一半左右的规则在语料库中只出现
过一次。随着语料库规模的扩大,新的规则仍不断呈现。Chomsky 曾提
出过这样的假设,认为对一种自然语言来说,其语法规则的数目是有限
的,而据此生成的句子数目是无限的。但语料库调查的结果不是这样。
这个发现至少说明,单纯依靠语言学家的语感来编写语法规则不可能胜
任大规模真实文本处理的需求,我们必须寻找可以从语料库中直接获取
大规模语言知识的新方法。
几十年来,NLP学界发表过大量灿烂成果,有词法学、语法学、 语
义学的,有句法分析算法的,还有许多著名的自然语言应用系统。而对
该领域影响最大的、里程碑式的成果应数下面三个。
3. 三个里程碑
3.1 里程碑之一:复杂特征集
复杂特征集(complex feature set)又叫多重属性(multiple
features)描写。在语言学里,这种描写方法最早出现在语音学中,后
来被Chomsky学派采用来扩展PSG的描写能力。现在无论是在语言学界还
是计算语言学界,几乎所有语法系统在词汇层的描写中均采用复杂特征
集,并利用这些属性来强化句法规则的约束力。一个复杂特征集F 包含
任意多个特征名f[,i]和特征值v[,i]对。其形式如:
F={…,fi=vi,…},i=1,…,n
特征值v[,i]既可以是一个简单的数字或符号, 也可以是另外一个复杂
特征集。这种递归式的定义使复杂特征集获得了强大的表现能力。如北
京大学俞士汶等(1998)开发的《现代汉语语法信息词典详解》,对一
个动词界定了约40项属性描写,对一个名词界定了约27项属性描写。
一条含有词汇和短语属性约束的句法规则具有如下的一般形式:
〈PSG规则〉:〈属性约束〉
:〈属性传递〉
一般来说,PSG 规则包括右部(条件:符号序列的匹配模式)和左部(
动作:短语归并结果)。词语的“属性约束”直接来自系统的词库,而
短语的“属性约束”则是在自底向上的短语归并过程中从其构成成分的
中心语(head)那里继承过来的。在Chomsky的理论中这叫做X-bar 理
论。X-bar代表某个词类X所构成的、仍具有该词类属性的一个成分。
如果X=N,就是一个具有名词特性的N-bar。当一条PSG 规则的右部匹
配成功,且“属性约束”部分得到满足,这条规则才能被执行。此时,
规则左部所命名的短语被生成,该短语的复杂特征集通过“属性传递”
部分动态生成。
20世纪80年代末、90年代初学术界提出了一系列新的语法,如广义
短语结构语法(GPSG)、中心语驱动的短语结构语法(HPSG)、词汇功
能语法(LFG)等等。 这些形式语法其实都是在词汇和短语的复杂特征
集描写背景下产生的。合一(unification )算法则是针对复杂特征集
的运算而提出来的。“合一”是实现属性匹配和赋值的一种算法,所以
上述这些新语法又统称为“基于合一的语法”。
3.2 里程碑之二:词汇主义
在NLP领域中,第二个里程碑式的贡献叫词汇主义(lexicalism )
。语言学家Hudson(1991)曾宣称词汇主义是当今语言学理论发展的头
号倾向。其出现原因也同前面所观察的两个事实有关。词汇主义方法不
仅提出了一种颗粒度更细的语言知识表示形式,而且体现了一种语言知
识递增式开发和积累的新思路。
这里首先要解释一下这样一个矛盾。一方面,语言学界一向认为,
不划分词类就无法讲语法,如前面介绍的短语结构语法。也就是说,语
法“不可能”根据个别的词来写规则。但是另一方面,人们近来又注意
到,任何归类都会丢失个体的某些重要信息。所以从前文提到的第一个
事实出发,要想强化语法约束能力,词汇的描写应当深入到比词类更细
微的词语本身上来。换句话讲,语言学呼唤在词汇层采用颗粒度更小的
描写单元。从本质上来说,词汇主义倾向反映了语言描写的主体已经从
句法层转移到词汇层;这也就是所谓的“小语法,大词库”的思想。下
面我们来看与词汇主义有关的一些工作。
3.2.1 词汇语法(Lexicon-grammar)
法国巴黎大学Gross教授在20世纪60 年代就创立了一个研究中心叫
LADL,并提出词汇语法的概念(http://www. ladl. jussieu. fr/)。
·把12,000个主要动词分成50个子类。
·每个动词都有一个特定的论元集。
·每一类动词都有一个特定的矩阵,其中每个动词都用400 个不同
句式来逐一描写(“+”代表可进入该句式;“-”表示不能)。
·已开发英、法、德、西等欧洲语言的大规模描写。
·INTEX是一个适用于大规模语料分析的工具, 已先后被世界上五
十多个研究中心采用。
3.2.2 框架语义学(Frame Semantics)
Fillmore是格语法(Case Grammar)的创始人,他前几年主持了美
国自然科学基金的一个名为框架语义学的项目(http://www. icsi.
berkeley. e/framenet)。该项目从WordNet上选取了2000个动词,从
中得到75个语义框架。例如动词“categorize”的框架被定义为:
一个人(Cognizer)把某个对象(Item)视为某个类(Category)。
同原先的格框架相比, 原来一般化的动作主体被具体化为认知者
Cognizer,动作客体被具体化为事物Item,并根据特定体动词的性质增
加了一个作为分类结果的语义角色Category。
项目组还从英国国家语料库中挑出相关句子50,000个, 通过人工
给每个句子标注了相应的语义角色。例如:
Kim categorized the book as fiction.
(Cog) (Itm) (Cat)
3.2.3 WordNet
WordNet是一个描写英语词汇层语义关系的词库,1990 年由普林斯
顿大学Miller开发(http://www.cogsci. princeton. e:80/~wn/),
到现在已有很多个版本,全部公布在因特网上,供研究人员自由下载。
欧洲有一个Euro-WordNet,以类似的格式来表现各种欧洲语言的词汇层
语义关系。WordNet刻意描写的是词语之间的各种语义关系, 如同义关
系(synonymy)、反义关系(antonymy)、上下义关系(hyponymy),
部分一整体关系(part-of)等等。 这种词汇语义学又叫做关系语义学
。这一学派同传统的语义场理论和语义属性描写理论相比,其最大的优
势在于第一次在一种语言的整个词汇表上实现了词汇层的语义描写。这
是其他学派从来没有做到的。其它理论迄今仅仅停留在教科书或某些学
术论文中,从来没有得到工程规模的应用。下面是WordNet的概况:
·95,600条实词词型(动词、名词、形容词)
·被划分成70,100个同义词集(synsets)
3.2.4 知网(How-Net)
知网是董振东和董强(1997)设计的一个汉语语义知识网(http:
//www.keenage. com)。
·自下而上地依据概念对汉语实词进行了穷尽的分类。
·15,000个动词被划分成810类。
·定义了300个名词类,100个形容词类。
·全部概念用400个语义元语来定义。
知网的特点是既有WordNet 所描写的同一类词之间的语义关系(如
:同义、反义、上下义、部分-整体等),又描写了不同类词之间的论
旨关系和语义角色。
3.2.5 MindNet
MindNet是微软研究院NLP组设计的(http://research. microsoft.
com/nlp/)。其设计思想是试图用三元组(triple )作为全部知识的
表示基元。一个三元组由两个节点和一条连接边组成。每个节点代表一
个概念,连接这两个概念节点的边表示概念之间的语义依存关系。全部
三元组通过句法分析器自动获取。具体来说,就是通过对两部英语词典
(Longman Dictionary of Contemporary English和American Heritage
Dictionary)及一部网络全书(Encarta)中的全部句子进行分析, 获
得每个句子的逻辑语义表示(logical form,简称LF)。而LF本来就是
由三元组构成的,如(W1,V-Obj,W2)表示:W1是一个动词, W2是其
宾语中的中心词,因此W2从属于W1,它们之间的关系是V-Obj。 比如(
play,V-Obj,basketball)便是一个具体的三元组。又如(W1,H-Mod
,W2),W1代表一个偏正短语中的中心词(head word),W2 是其修饰
语(modifier),因此W2从属于W1,它们之间的关系是H-Mod。
这种资源完全是自动做出来的,所得的三元组不可能没有错误。但
是那些出现频度很高的三元组一般来说是正确的。MindNet 已经应用到
语法检查、句法结构排歧、词义排歧、机器翻译等许多场合。
3.3 里程碑之三:统计语言模型
第三个贡献就是语料库方法,或者叫做统计语言模型。如果用变量
W 代表一个文本中顺序排列的n个词,即W=w[,1]w[,2]…w[,n], 则统
计语言模型的任务是给出任意一个词序列W在文本中出现的概率P(W )
。利用概率的乘积公式,P(W)可展开为:
P(W)=P(w[,1])P(w[,2]│w[,1])P(w[,3]│w[,1]w[,2]).
..P(w[,n]│w[,1]w[,2]…w[,n-1]) (1)
式中P(w[,1])表示第一个词w[,1]的出现概率,P(w[,2]│w[,1])表
示在w[,1]出现的情况下第二个词w[,2]出现的条件概率,依此类推。不
难看出,为了预测词w[,n]的出现概率, 必须已知它前面所有词的出现
概率。从计算上来看,这太复杂了。如果近似认为任意一个词w[,i] 的
出现概率只同它紧邻的前一个词有关,那么计算就得以大大简化。这就
是所谓的二元模型(bigram),由(1)式得:
P(W)≈P(w[,1])Ⅱ[,i=2,…,n]P(w[,i]│w[,i-1]) (2)
式中Ⅱ[,i=2,…,n]P(w[,i]│w[,i-1])表示多个概率的连乘。
需要着重指出的是:这些概率参数都可以通过大规模语料库来估值
。比如二元概率
P(w[,i]│w[,i-1])≈count(w[,i-1]w[,i])/count(w[,i- 1
]) (3)
式中count(…)表示一个特定词序列在整个语料库中出现的累计次数。
若语料库的总词次数为N, 则任意词w[,i]在该语料库中的出现概率可估
计如下:
P(w[,1])≈count(w[,i])/N
同理,如果近似认为任意词w[,i]的出现只同它紧邻的前两个词有关,
就得到一个三元模型(trigram):
P(W)≈P(w[,1])P(w[,2]│w[,1])Ⅱ[,i=3,…,n]P(w[,i]
│w[,i-2]w[,-1]) (5)
统计语言模型的方法有点像天气预报。用来估计概率参数的大规模
语料库好比是一个地区历年积累起来的气象记录,而用三元模型来做天
气预报,就像是根据前两天的天气情况来预测当天的天气。天气预报当
然不可能百分之百正确。这也算是概率统计方法的一个特点。
3.3.1 语音识别
语音识别作为计算机汉字键盘输入的一种替代方式,越来越受到信
息界人士的青睐。所谓听写机就是这样的商品。据报道,中国的移动电
话用户已超过一亿,随着移动电话和个人数字助理(PDA)的普及, 尤
其是当这些随身携带的器件都可以无线上网的时候,广大用户更迫切期
望通过语音识别或手写板而不是小键盘来输入简短的文字信息。
其实,语音识别任务可视为计算以下条件概率的极大值问题:
W[*]=argmax[,W]P(W│speech signal)
=argmax[,W]P(speech signal│W)P(W)/
P(speech signal)
=argmax[,W]P(speech signal│W)P(W) (6)
式中数学符号argmax[,w]表示对不同的候选词序列W计算条件概率P (W
│speech signal)的值,从而使W[*] 成为其中条件概率值最大的那个
词序列,这也就是计算机选定的识别结果。换句话讲,通过式(6 )的
计算,计算机找到了最适合当前输入语音信号speech signal的词串W[
*]。
式(6)第二行是利用贝叶斯定律转写的结果,因为条件概率P (
speech signal│W)比较容易估值。公式的分母P(speech signal)对
给定的语音信号是一个常数,不影响极大值的计算,故可以从公式中删
除。在第三行所示的结果中,P(W)就是前面所讲的统计语言模型,一
般采用式(5)所示的三元模型;P(speech signal│W)叫做声学模型
。
到此,读者可能已经明白,汉语拼音输入法中的拼音—汉字转换任
务其实也是用同样方法实现的,而且两者所用的汉语语言模型(即二元
或三元模型)是同一个模型。
目前市场上的听写机产品和微软拼音输入法(3.0 版)都是用词的
三元模型实现的,几乎完全不用句法—语义分析手段。因为据可比的评
测结果,用三元模型实现的拼音-汉字转换系统,其出错率比其它产品
减少约50%。
3.3.2 词性标注
一个词库中大约14%的词型具有不止一个词性。而在一个语料库中
,占总词次数约30%的词具有不止一个词性。所以对一个文本中的每一
个词进行词性标注,就是通过上下文的约束,实现词性歧义的消解。历
史上曾经先后出现过两个自动词性标注系统。一个采用上下文相关的规
则,叫做TAGGIT(1971),另一个应用词类的二元模型,叫做CLAWS (
1987)(见Garside et al.1989)。两个系统都分别对100 万词次的英
语非受限文本实施了词性标注。结果显示, 采用统计语言模型的CLAWS
系统的标注正确率大大高于基于规则方法的TAGGIT系统。请看下表的对
比:
系统名 TAGGIT(1971) CLAWS(1987)标记数 86 133方法 3000条CSG规则 隐马尔科夫模型标注精度 77% 96%测试语料 布朗 LOB
令C和W分别代表词类标记序列和词序列,则词性标注问题可视为计
算以下条件概率的极大值:
C[*]=argmax[,C]P(C│W)
=argmax[,C]P(W│C)P(C)/P(W)
≈argmax[,C]Ⅱ[,i=1,…,n]P(w[,i]│c[,i])P(c[,i]│c[,i
-1]) (7)
式中P(C│W)是已知输入词序列W的情况下,出现词类标记序列C 的条
件概率。数学符号argmax[,C] 表示通过考察不同的候选词类标记序列C
,来寻找使条件概率取最大值的那个词类标记序列C[*]。后者应当就是
对W的词性标注结果。
公式第二行是利用贝叶斯定律转写的结果,由于分母P(W)对给定
的W是一个常数,不影响极大值的计算,可以从公式中删除。 接着对公
式进行近似分析。首先,引入独立性假设,认为任意一个词w[,i] 的出
现概率近似只同当前词的词类标记c[,i]有关, 而与周围(上下文)的
词类标记无关。于是词汇概率可计算如下:
P(W│C)≈Ⅱ[,i=1,…,n]P(w[,i]│c[,i]) (8)
其次,采用二元假设,即近似认为任意一个词类标记c[,i] 的出现概率
只同它紧邻的前一个词类标记c[,i-1]有关。则
P(C)≈P(c[,1])Ⅱ[,i=2,…,n]P(c[,i]│c[,i-1]) (9)
P(c[,i]│c[,i-1])是词类标记的转移概率, 也叫做基于词类的二元
模型。
上述这两个概率参数都可以通过带词性标记的语料库来分别估计:
P(w[,i]│c[,i])≈count(w[,i],c[,i])/count(c[,i]) (
10)
P(c[,i]│c[,i-1])≈count(c[,i-1]c[,i])/count(c[,i-1]
) (11)
据文献报道,采用统计语言模型方法,汉语和英语的词性标注正确
率都可以达到96%左右(白拴虎1992)。
3.3.3 介词短语PP的依附歧义
在英语中,介词短语究竟依附于前面的名词还是前面的动词,是句
法分析中一种常见的结构歧义问题。下例表明怎样用语料库方法解决这
个问题,以及这种方法究竟能达到多高的正确率。
例句:Pierre Vinken, 61 years old, joined the board as a
nonexecutive director.
令A=1表示名词依附,A=0为动词依附,则上述例句的PP依附问题可表
为:
(A=0,V=joined,N1=board,P=as,N2=director)
令V,N1,N2分别代表句中动词短语、宾语短语、介宾短语的中心词,
并在一个带有句法标注的语料库(又称树库)中统计如下四元组的概率
P[,r]:
P[,r]=(A=1│V=v,N1=n1,P=p,N2=n2) (10)
对输入句子进行PP依附判断的算法如下:
若P[,r]=(1│v,n1,p,n2)≥0.5,
则判定PP依附于n1,
否则判定PP依附于v。
Collins & Brooks(1995)实验使用的语料库是宾夕法尼亚大学标注的
《华尔街日报》(WSJ)树库,其中包括:训练集20,801个四元组,测
试集3,097个四元组。他们对PP依附自动判定精度的上下限作了如下分
析:
一律视为名词依附(即A≡1) 59.0%
只考虑介词p的最常见依附 72.2%
三位专家只根据四个中心词判断 88.2%
三位专家根据全句判断 93.2%
很明显,自动判断精确率的下限是72.2%,因为机器不会比只考虑句中
介词p的最常见依附做得更差;上限是88.2%, 因为机器不可能比三位
专家根据四个中心词作出的判断更高明。
论文报告,在被测试的3,097个四元组中,系统正确判断的四元组
为2,606个,因此平均精确率为84.1%。这与上面提到的上限值88.2%
相比,应该说是相当不错的结果。
4. 结论
语言学家的努力,不论是用复杂特征集和合一语法,还是词汇主义
方法,都是在原先所谓的理性主义框架下作出的重大贡献。词汇主义方
法特别值得推崇,因为它不仅提出了一种颗粒度更细的语言知识表示形
式,而且体现了一种语言知识递增式开发和积累的新思路。尤其值得重
视的是在众多词汇资源的开发过程中,语料库和统计学方法发挥了很大
的作用。这也是经验主义方法和理性主义方法相互融合的可喜开端。笔
者相信,语料库方法和统计语言模型是当前自然语言处理技术的主流,
它们的实用价值已在很多应用系统中得到证实。统计语言模型的研究,
尤其在结构化对象的统计建模方面,仍有广阔的发展空间。
【参考文献】:
Aarts, Jan & Willen Meijs (eds.). 1990. Corpus Linguistics:
Theory and Practice〔C〕. Amsterdam: Rodopi.
Collins, M. and J. Brooks. 1995. Preposition phrase
attachment through a backed-off model〔P〕. In Proceedings of the
3rd Workshop of Very Large Corpora. Cambridge, Mass.
Garside, R., G. Leech and G. Sampson, (eds.). 1989. The
Computational Analysis of English: A Corpus-Based Approach〔C〕.
London: Longman.
Hudson, R. A. 1991. English Word Grammar〔M〕. Cambridge,
Mass.: Basil Blackwell.
白拴虎,1992,汉语词性自动标注系统研究〔MA〕。清华大学计算
机科学与技术系硕士学位论文。
董振东、董强,1997,知网〔J〕。《语言文字应用》第3期。
俞士汶等,1998,《现代汉语语法信息词典详解》〔M〕。 北京:
清华大学出版社。
『捌』 如何度量两个词之间的语义相似度
如何度量句子的语义相似度,很容易想到的是向量空间模型(VSM)和编辑距离的方法,比如A:“我爸是李刚”,B:“我儿子是李刚”,利用VSM方法A(我,爸,是,李刚)B(我,儿子,是,李刚),计算两个向量的夹角余弦值,不赘述;编辑距离就更好说了将“爸”,“儿子”分别替换掉,D(A,B)= replace_cost;
这是两种相当呆的方法,属于baseline中的baseline,换两个例子看一下就知道A:“楼房如何建造?”,B:“高尔夫球怎么打?”,C:“房子怎么盖?”,如果用VSM算很明显由于B,C中有共同的词“怎么”,所以BC相似度高于AC;编辑距离同理;
解决这种问题方法也不难,只要通过同义词词典对所有句子进行扩展,“如何”、“怎么”,“楼房”、“房子”都是同义词或者近义词,扩展后再算vsm或者edit distance对这一问题即可正解。这种方法一定程度上解决了召回率低的问题,但是扩展后引入噪声在所难免,尤其若原句中含有多义词时。例如:“打酱油”、“打毛衣”。在汉字中有些单字词表达了相当多的意义,在董振东先生的知网(hownet)中对这种类型汉字有很好的语义关系解释,通过hownet中词语到义元的树状结构可以对对词语粒度的形似度进行度量。
问题到这里似乎得到了不错的解答,但实际中远远不够。VSM的方法把句子中的词语看做相互独立的特征,忽略了句子序列关系、位置关系对句子语义的影响;Edit Distance考虑了句子中词语顺序关系,但是这种关系是机械的置换、移动、删除、添加,实际中每个词语表达了不同的信息量,同样的词语在不同词语组合中包含的信息量或者说表达的语义信息大不相同。What about 句法分析,计算句法树的相似度?这个比前两种方法更靠谱些,因为句法树很好的描述了词语在句子中的地位。实际效果要待实验证实。
对了,还有一种方法translation model,IBM在机器翻译领域的一大创举,需要有大量的语料库进行训练才能得到理想的翻译结果。当然包括中间词语对齐结果,如果能够利用web资源建立一个高质量的语料库对两两相似句对通过EM迭代词语对齐,由词语对齐生成句子相似度,这个。。想想还是不错的方法!
『玖』 如何进行相似度的计算,主要用什么方式
如何计算句子的语义相似度,很容易想到的是向量空间模型(VSM)和编辑距离的方法,比如A:“我爸是李刚”,B:“我儿子是李刚”,利用VSM方法A(我,爸,是,李刚)B(我,儿子,是,李刚),计算两个向量的夹角余弦值,不赘述;编辑距离就更好说了将“爸”,“儿子”分别替换掉,D(A,B)= replace_cost;
这是两种相当呆的方法,属于baseline中的baseline,换两个例子看一下就知道A:“楼房如何建造?”,B:“高尔夫球怎么打?”,C:“房子怎么盖?”,如果用VSM算很明显由于B,C中有共同的词“怎么”,所以BC相似度高于AC;编辑距离同理;
解决这种问题方法也不难,只要通过同义词词典对所有句子进行扩展,“如何”、“怎么”,“楼房”、“房子”都是同义词或者近义词,扩展后再算vsm或者edit distance对这一问题即可正解.这种方法一定程度上解决了召回率低的问题,但是扩展后引入噪声在所难免,尤其若原句中含有多义词时.例如:“打酱油”、“打毛衣”.在汉字中有些单字词表达了相当多的意义,在董振东先生的知网(hownet)中对这种类型汉字有很好的语义关系解释,通过hownet中词语到义元的树状结构可以对对词语粒度的形似度进行度量.
问题到这里似乎得到了不错的解答,但实际中远远不够.VSM的方法把句子中的词语看做相互独立的特征,忽略了句子序列关系、位置关系对句子语义的影响;Edit Distance考虑了句子中词语顺序关系,但是这种关系是机械的置换、移动、删除、添加,实际中每个词语表达了不同的信息量,同样的词语在不同词语组合中包含的信息量或者说表达的语义信息大不相同.What about 句法分析,计算句法树的相似度?这个比前两种方法更靠谱些,因为句法树很好的描述了词语在句子中的地位.实际效果要待实验证实.
对了,还有一种方法translation model,IBM在机器翻译领域的一大创举,需要有大量的语料库进行训练才能得到理想的翻译结果.当然包括中间词语对齐结果,如果能够利用web资源建立一个高质量的语料库对两两相似句对通过EM迭代词语对齐,由词语对齐生成句子相似度,这个.想想还是不错的方法!