自然语言理解-词性标注.ppt

词性标注, 关于标注 总体说来，汉语的词性标注和英语的词性标注在方法上没有明显的不同。 比较典型的标注算法有： 基于规则的方法。国外在70年代初主要采用这种方法，著名的TAGGIT系统，利用3300条上下文规则，对100万词次的Brown语料库标注正确率到77%。, 关于标注 基于统计的方法。80年代初，随着经验主义方法在计算语言学中的重新崛起，统计方法在语料库词性标注中又占据了主导地位。CLAWS标注系统对LOB语料库的标注正确率达到96%左右。 混合策略。国内北京大学计算语言学研究所提出了一种先规则、后统计的规则和统计相结合的标注算法，其准确率达到了96.6%。 现在也有人用神经网络和遗传算法进行词性标记，这类文献很少。,词性标注,自然语言处理的最终目的是要分析并理解语言，但是距离这个目标我们仍然相去甚远。 词性标注是一个中间过程。词性标注给句子中的每一个词赋予一个合适的词性。 POS tagging:,词性标注中的信息来源,句法结构信息 考虑在当前词上下文中的词的词性。 词汇信息 当前词本身提供了关于标注的大量信息。,词性标注的主要方法,Markov Model Taggers Hidden Markov Model Taggers,Markov模型,Markov 过程/链/模型 是由 Andrei A. Markov最初发展起来的. 它们最初的确就是为了处理语言而设计的：针对俄国文学作品中的字母序列建模。但是，Markov模型之后便作为一个通用的概率工具发展了起来。 为了和隐Markov模型相区别，我们有时也把Markov模型成为显Markov模型（HMM）。,Markov假设,一序列（可能按时间排列）的随机变量不是相互独立的，每一个随机变量的值依赖于序列中前一个随机变量。对于许多这样的系统，我们可以合理的假设：我们只需要知道当前的随机变量的值，就可以来预测所有将来的随机变量，我们并不需要知道随机变量序列中所有过去的值。,Markov假设,假设X=(X1,XT) 是随机变量的序列，它从某个有限集S=s1,sN 中取值，这个有限集被称作是状态空间。 当X满足Markov性质时，X被称作Markov链。什么是Markov性质呢？,Markov性质,有限历史 Limited Horizon: P(Xt+1=sk|X1,Xt)=P(Xt+1=sk|Xt) 时间不变 Time invariant(stationary): P(Xt+1=sk|Xt) = P(X2= sk|X1) 这样X是一个Markov链,Markov模型中的概率,随机转移矩阵 A aij=P(Xt+1=sj|Xt=si) 初始状态的概率,Markov模型和n元文法,N元文法模型是 Markov 模型 2元词模型就是Markov模型：当前的词仅依赖于前一个词，而且这个依赖型不随着词序列而变化。 如果n2, n元文法违背了有限历史假设吗? 就不是Markov模型了? 我们可以简单的将任何n元文法转换成Markov模型，只要将合适数量的历史编码到状态空间中。在一个n元文法模型中，状态是n-1元的。,隐Markov模型,HMMs: 不清楚模型经过的状态序列，但是知道状态序列的一些概率函数。 HMMs 基于VMM。 对于观察值来说需要知道符号发射概率。,HMMs vs VMMs,s1,s2,a12,a21,a22,a11,b12k,b21k,b22k,b11k,O,O,O,O,Markov Model Taggers,X标注序列, S标注集, O词集 (“O” 是HMM中的观察值，那我们为什么称它为MM taggers呢? 为什么不是HMM taggers? 后面会有解释) Markov model taggers: 假定一个词的词性只依赖于前一个词的词性(有限历史) ，而且，这个依赖性不随着时间而变化（时间不变） 如同大多数的概率模型，这两个Markov假设只是对于实际情况一个近似。例如，有限历史假设并不能覆盖长距离依存的问题。,VMM Tagger原理,应用贝叶斯规则,VMM Tagger原理,词的相互独立性,一个词的词形只依赖于它自身的词性,有限历史,VMM Tagger原理,最终，计算一个句子的最优标注序列的公式是：,训练一个 VMM tagger,有一个大的带标训练集 最大似然估计,C(?) 是出现次数,平滑,为什么需要平滑呢？ 数据稀疏! 1. 收集更多的数据 从实用角度这并不是一个通用的解决方法，在训练文本中总会遗漏一些情况。 2. 平滑 估计在训练文本中没有出现情况的出现概率。降低已出现情况的概率，这样留下一些概率“分给”没有出现的情况。,平滑,因为一些冷僻词不会在训练语料中出现，所以平滑词生成概率比平滑转移概率更为的重要 加一( 简单平滑 ),高效的标注算法,为了计算下面的式子，是不是需要知道长度为n的句子中所有可能的标注序列t1,n呢？,这样算法的复杂度就是指数阶的。 一个高效的算法就是 Viterbi algorithm,Viterbi Algorithm,动态规划 寻径算法,Viterbi Algorithm,oT,o1,ot,ot-1,ot+1,Viterbi Algorithm,一个状态序列，使得：观察到直到t-1时刻的各观察值，当前状态是状态j以及t时刻的观察值出现的概率最大。,x1,xt-1,j,oT,o1,ot,ot-1,ot+1,Viterbi Algorithm,DP 递归的开始,x1,xt-1,j,Viterbi Algorithm,下一状态概率,x1,xt-1,xt,xt+1,递归开始,下一状态名,Viterbi Algorithm,自后向前“读出”最可能的状态序列,x1,xt-1,xt,xt+1,xT,Viterbi algorithm(a Trellis algorithm),模型 =(A, B, ),状态集,输出,初始状态概率,状态转移概率,符号发射概率,Viterbi algorithm,定义:,初始化 递推 结束,注意,在训练时，我们能够观察到Markov模型的状态，但是在标注时我们只能观察到词。所以我们说在MM Tagging时我们使用的实际上是一个混合的方法： 在训练时构造VMMs ，但是在标注时把它们当作是 HMMs。 但为什么不称它为HMM Tagger呢？,HMM tagger,标注过程和 VMM tagger一样。 区别在于怎样训练这个模型。 如果我们没有足够的训练语料，我们可以使用HMM来学习标注序列（使用Forward-Backward算法）,基于转换的错误驱动 的词性标注方法,Eric Brill (1992,1995) Transformation-based error-driven part of speech tagging 基本思想： （1）正确结果是通过不断修正错误得到的 （2）修正错误的过程是有迹可循的 （3）让计算机学习修正错误的过程，这个过程可以用转换规则（transformation）形式记录下来，然后用学习得到转换规则进行词性标注 下载Brills tagger: /brill/,转换规则的形式,转换规则由两部分组成 改写规则（rewriting rule） 激活环境（triggering environment） 一个例子：转换规则T1 改写规则：将一个词的词性从动词（v）改为名词（n）； 激活环境：该词左边第一个紧邻词的词性是量词（q），第二个词的词性是数词（m） S0: 他/r 做/v 了/u 一/m 个/q 报告/v 运用T1 S1: 他/r 做/v 了/u 一/m 个/q 报告/n,转换规则的模板（template）,改写规则：将词性标记x改写为y 激活环境： （1）当前词的前（后）面一个词的词性标记是z； （2）当前词的前（后）面第二个词的词性标记是z； （3）当前词的前（后）面两个词中有一个词的词性标记是z；其中x，y，z是任意的词性标记代码。,根据模板可能学到的转换规则,T1：当前词的前一个词的词性标记是量词（q）时，将当前词的词性标记由动词（v）改为名词（n）； T2：当前词的后一个词的词性标记是动词（v）时，将当前词的词性标记由动词（v）改为名词（n）； T3：当前词的后一个词的词性标记是形容词（a）时，将当前词的词性标记由动词（v）改为名词（n）； T4：当前词的前面两个词中有一个词的词性标记是名词（n）时，将当前词的词性标记由形容词（v）改为数词（m）；,转换规则的学习流程,C0表示带有正确标注的语料库 C0_raw表示C0拿掉正确标注后的生语料库,转换规则学习器算法描述,1)首先用初始标注器对C0_raw进行标注，得到带有词性标记的语料Ci(i =1)； 2)将Ci跟正确的语料标注结果C0比较，可以得到Ci中总的词性标注错误数； 3)依次从候选规则中取出一条规则Tm (m=1,2,)，每用一条规则对Ci中的词性标注结果进行一次修改，就会得到一个新版本的语料库，不妨记做(m=1,2,3,)，将每个 跟C0比较，可计算出每个中的词性标注错误数。假定其中错误数最少的那个是 （可预期中的错误数一定少于Ci中的错误数），产生它的规则Tj就是这次学习得到的转换规则；此时成为新的待修改语料库，即Ci= 。 4)重复第3步的操作，得到一系列的标注语料库 ,后一个语料库中的标注错误数都少于前一个中的错误数，每一次都学习到一条令错误数降低最多的转换规则。直至运用所有规则后，都不能降低错误数，学习过程结束。这时得到一个有序的转换规则集合Ta, Tb,Tc, ,转换规则学习示例,参考文献 黄昌宁，中文信息处理中的分词问题 语言文字应用，1997(1) 揭春雨等，汉语自动分词实用系统CASS的设计和实现 中文信息学报，1990(4) 张国煊等，快速书面汉语自动分词系统及算法设计 计算机研究与发展，1993(1) 何克抗等，书面汉语自动分词专家系统设计原理 中文信息学报，1991(2) 徐辉等，书面汉语自动分析专家系统的实现 中文信息学报，1991(3) 姚天顺等，基于规则的汉语自动分词系统 中文信息学报，1990(1) 揭春雨等，论汉语自动分词方法 中文信息学报，1989(1) 梁南元等，汉语计算机自动分词知识 中文信息学报，1990(2) 孙茂松等，汉语自动分词研究评述 语言文字学 2001(7), 参考文献 孙茂松等，汉语自动分词研究中的若干理论问题 语言文字应用，1995(4) 张华平等，基于N-最短路径方法的中文词语粗分模型 中文信息学报，2002(5) 张华平等，中文词语分析一体化系统 高山等，基于三元统计模型的汉语分词及标注一体化研究 自然语言理解与机器翻译，清华大学出版社，2001.7 刘源等，信息处理用现代汉语分词规范及自动分词方法清华大学出版社及广西科学技术出版社，1994.6 刘挺等，串频统计和词形匹配相结合的汉语自动分词系统 中文信息学报，1998(1) 孙茂松等，利用汉字二元语法关系解决汉语自动分词中的交集型歧义 计算机研究与发展，1997(5) 尹锋，汉语自动分词研究的现状与新思维 现代图书情报技术，1998(4), 参考文献 白栓虎，汉语词切分及词性标注的一体化方法 中文信息处理应用平台工程，电子工业出版社，1995 周强等，一种切分与词性标注相融合的汉语语料库多级处理方法 计算语言学研究与应用，北京语言学院出版社，1993,参考文献VI,Brills Tagger Transformation-based error-driven learning and natural language processing: a case study in Part-of-Speech tagging. In: Computational Linguistics,21(4) Ratnaparkhi, A. A maximum entropy part-of-speech tagger. In Proceedings of the empirical methods in natural language processing conference K. W. Church. 1988. “A Stochastic Parts Programand Noun Phrase Parser for Unrestricted Text.“. In Procs. 2nd Conference on Applied Natural Language Processing, pp. 136-143, ACL, 1988. B. Gree