中文詞語(yǔ)分析一體化系統(tǒng).ppt

,張華平 劉 群 zhanghp 中科院計(jì)算技術(shù)研究所 2002-5-28,中文詞語(yǔ)一體化分析,綱要,問(wèn)題背景與難點(diǎn)分析 主要研究方法與相關(guān)系統(tǒng) 我們的研究思路基于多層HMM的一體化方法 基于N-最短路徑的詞語(yǔ)粗分 基于角色標(biāo)注的未登錄詞識(shí)別 計(jì)算所中文詞語(yǔ)一體化分析系統(tǒng)ICTCLAS 結(jié)論,問(wèn)題背景與難點(diǎn)分析,問(wèn)題背景,漢語(yǔ)的書(shū)面語(yǔ)是按句分開(kāi)的,詞與詞之間沒(méi)有明確的分隔標(biāo)記。 詞是最小的能夠獨(dú)立活動(dòng)的有意義的語(yǔ)言成分 。 中文信息處理只要涉及句法、語(yǔ)義(如檢索、翻譯、文摘、校對(duì)等應(yīng)用),就需要以詞為基本單位。句法分析、語(yǔ)句理解、自動(dòng)文摘、自動(dòng)分類(lèi)和機(jī)器翻譯等，更是少不了詞的詳細(xì)信息 。,問(wèn)題背景與難點(diǎn)分析 II,分詞的必要性,物,理,學(xué),physics,products,price,image,body,theory,barber,science,understand,reason,school,study,credit,student,subject,物理學(xué),physics,physicist,evidence,6 5 5 = 150 : 2,問(wèn)題背景與難點(diǎn)分析 III,中文詞語(yǔ)分析的主要難點(diǎn) 歧義 交叉歧義(86%): 結(jié)合成分子時(shí) 組合歧義(14%): 這個(gè)人手上有痣； 我們?nèi)比耸?全局歧義與局部歧義: 乒乓球拍/賣(mài)/完了； 乒乓球/拍賣(mài)/完了； 我很/難過(guò),問(wèn)題背景與難點(diǎn)分析 IV,未登錄詞問(wèn)題 干擾作用 克林頓對(duì)內(nèi)塔尼亞胡說(shuō) 龔學(xué)平等領(lǐng)導(dǎo) 最終識(shí)別 多樣性 復(fù)雜性 上下文干擾,主要研究方法與相關(guān)系統(tǒng),當(dāng)前主要的研究方法 基于規(guī)則的方法 最大匹配法（Maximum Matching）正向、逆向、雙向 最優(yōu)路徑（+詞頻選擇）法（最少分詞法） 基于統(tǒng)計(jì)的方法 (N元語(yǔ)法，HMM) 基于規(guī)則和基于統(tǒng)計(jì)相結(jié)合 其他的一些方法 (壓縮，自監(jiān)督，基于轉(zhuǎn)移的錯(cuò)誤驅(qū)動(dòng)方法等),主要研究方法與相關(guān)系統(tǒng)II,當(dāng)前主要的中文詞語(yǔ)分析系統(tǒng) 哈工大統(tǒng)計(jì)分詞系統(tǒng) 自動(dòng)化所三元統(tǒng)計(jì)模型 清華大學(xué)SEGTAG系統(tǒng) 詞典中的每一個(gè)重要的詞都加上了切分標(biāo)志 無(wú)條件切出qk類(lèi)詞；完全切分ck類(lèi)詞；其他無(wú)交叉歧義的切之，否則全切分。 “動(dòng)態(tài)規(guī)劃“和“全切分搜索+葉子評(píng)價(jià)“,主要研究方法與相關(guān)系統(tǒng)III,Microsoft Research多國(guó)語(yǔ)言處理平臺(tái)NLPWin中的中文詞語(yǔ)分析詞系統(tǒng) 雙向的Chart Parsing，使用了語(yǔ)法規(guī)則并以概率模型作導(dǎo)向 切詞-句法分析一體化 北大計(jì)算語(yǔ)言所分詞和詞類(lèi)標(biāo)注系統(tǒng) 分詞和詞類(lèi)標(biāo)注結(jié)合起來(lái) 基于規(guī)則的標(biāo)注排歧與基于語(yǔ)料庫(kù)統(tǒng)計(jì)模型的排歧結(jié)合 處理過(guò)程包括了自動(dòng)切分和初始詞性標(biāo)記、切分歧義字段識(shí)別、組詞和標(biāo)注預(yù)處理、詞性標(biāo)記排歧、切分和詞性標(biāo)注后處理,主要研究方法與相關(guān)系統(tǒng)IV,現(xiàn)有方法的一些潛在不足(待探討)： 規(guī)則與統(tǒng)計(jì)的結(jié)合，更大意義上是一種組合，兩種處理出現(xiàn)在系統(tǒng)中相對(duì)獨(dú)立的兩個(gè)不同階段。 排歧、識(shí)別未登錄詞更多的是利用規(guī)則，難以量化。即使量化，也很難和普通詞實(shí)現(xiàn)真正量值上的比較。 歧義字段、未登錄詞作為特殊情況處理，后期處理中沒(méi)有與普通詞統(tǒng)一。 沒(méi)有相對(duì)統(tǒng)一的處理模型和評(píng)估體系。 最終導(dǎo)致：準(zhǔn)確率、召回率在開(kāi)放測(cè)試的條件下并不像宣稱(chēng)的那樣理想，尤其是在未登錄詞、歧義字段存在的情況里。,我們的研究思路 基于多層HMM的一體化方法,目標(biāo)： 分詞、詞性標(biāo)注的一體化；未登錄詞與普通詞處理的一體化；評(píng)估體系一體化。 基本思想： 采取HMM模型，建立切分詞圖。詞語(yǔ)粗分階段，先得出N個(gè)概率最大的切分結(jié)果。然后，利用角色標(biāo)注方法識(shí)別未登錄詞，并計(jì)算其概率，將未登錄詞加入到切分詞圖中，之后視它為普通詞處理，最終進(jìn)行動(dòng)態(tài)規(guī)劃優(yōu)選出N個(gè)最大概率切分標(biāo)注結(jié)果。,基于多層HMM的一體化方法II,利用噪聲-信道模型,建立目標(biāo)評(píng)估函數(shù),其中 C:原始字串；W:切分的詞串；T:詞性標(biāo)注序列 P(C|W)=1P(CW)=P(W) P(W,T)|C)=P(T|CW)P(W|C)=P(T|W)P(W|C) =P(T)P(W|T)/P(W) P(W)/P(C) = P(T)P(W|T)/P(C) (字串C出現(xiàn)的概率P(C)為一常數(shù),不影響結(jié)果，可以忽略),(W,T)*= .(0),基于多層HMM的一體化方法III,利用隱馬模型展開(kāi)P(T)P(W|T),并引入共現(xiàn)概率 P(W,T)|C) =P(ti|ti-1)P(wi|ti).(1) P*(W,T)=lnP(W,T) =ln P(wi|ti) = ln P(ti|ti-1) + ln P(wi|ti) .(2) 評(píng)價(jià)函數(shù)或者決策函數(shù)如下： (W,T)*= ln P(ti|ti-1) + ln P(wi|ti),基于多層HMM的一體化方法IV,一體化需要解決的主要問(wèn)題 排歧問(wèn)題 未登錄詞的概率問(wèn)題P(wi|ti) P(張華平|nr)? P(奧斯特羅夫斯基|nr)? P(大石頭村|ns)?,基于N-最短路徑的詞語(yǔ)粗分,基本思想 根據(jù)詞典，建立字串詞語(yǔ)切分有向無(wú)環(huán)圖。每個(gè)詞對(duì)應(yīng)圖中的一條有向邊，并賦給相應(yīng)的邊長(zhǎng)（權(quán)值）。然后針對(duì)該切分圖，在起點(diǎn)到終點(diǎn)的所有路徑中，求出長(zhǎng)度值按嚴(yán)格升序排列（任何兩個(gè)不同位置上的值一定不等，下同）依次為第1， 第2，第i，第N的路徑集合作為相應(yīng)的粗分結(jié)果集。如果兩條或兩條以上路徑長(zhǎng)度相等，那么他們的長(zhǎng)度并列第i，都要列入粗分結(jié)果集，而且不影響其他路徑的排列序號(hào)，最后的粗分結(jié)果集合大小大于或等于N。,基于N-最短路徑的詞語(yǔ)粗分II,出發(fā)點(diǎn) 實(shí)際上是最短路徑方法和全切分的有機(jī)結(jié)合。一方面避免了最短路徑分詞方法大量舍棄正確結(jié)果的可能，另一方面又大大解決了全切分搜索空間過(guò)大，運(yùn)行效率差的弊端。 “求同存異，保留爭(zhēng)端”。即：解決在切詞階段能解決的大部分問(wèn)題；而對(duì)歧義、未登錄詞等問(wèn)題盡量保留下來(lái)，留給后續(xù)過(guò)程處理。 統(tǒng)計(jì)與非統(tǒng)計(jì)方法,基于N-最短路徑的詞語(yǔ)粗分III,測(cè)試結(jié)果 說(shuō)明： 統(tǒng)計(jì)N-最短路徑 句子總數(shù)為： 185,192,基于N-最短路徑的詞語(yǔ)粗分IV -對(duì)比測(cè)試實(shí)驗(yàn)召回率/結(jié)果數(shù),基于角色標(biāo)注的未登錄詞識(shí)別,現(xiàn)有未登錄詞識(shí)別方法的不足 大部分只針對(duì)切分碎片進(jìn)行識(shí)別。 “單點(diǎn)激活”： 必須遇到具明顯特征的上下文或者未登錄詞用字時(shí)，才會(huì)觸發(fā)未登錄詞的識(shí)別過(guò)程。 對(duì)識(shí)別出來(lái)的很難給出實(shí)際意義上的概率值 歧義排除乏力 呂梁的特點(diǎn)是貧困人口占全省的左右。 格威特等高水準(zhǔn)的競(jìng)爭(zhēng)對(duì)手也是促使李寧牌不斷創(chuàng)新突破的一個(gè)誘因 周鵬和同學(xué),未登錄詞識(shí)別II,基于角色的未登錄詞識(shí)別方法 采用Viterbi算法，確定句子概率最大的角色序列，在角色序列的基礎(chǔ)上，進(jìn)行模式匹配。 未登錄詞的角色 內(nèi)部組成：首部、中部、尾部、內(nèi)部成詞 上下文 上下文與內(nèi)部組成交叉成詞 句子中其他成分,未登錄詞識(shí)別 III,漢族人名的角色表（示例，有省略）,未登錄詞識(shí)別 IV,具體實(shí)現(xiàn) R# 角色標(biāo)注過(guò)程類(lèi)似于詞性標(biāo)注，也是一層HMM 示例： 館內(nèi)陳列周恩來(lái)和鄧穎超生前使用過(guò)的物品 館/內(nèi)/陳列/周/恩/來(lái)/和/鄧/穎/超生/前/使用/過(guò)/的/物品/ 館/A內(nèi)/A 陳列/K周/B恩/C來(lái)/D和/M鄧/B穎/C超生/V前/A使用/A過(guò)/A的/A物品/A V需要拆分，最終匹配人名模板，得到“周恩來(lái)”“鄧穎超”,未登錄詞識(shí)別 V,未登錄詞概率的計(jì)算 P(wi|ti) wi= c1 c2 cn 角色序列 Ri= r1 r2 rn P(wi|ti)=P(wi|Ri) P(ti|Ri) = P(ti|Ri) P(ti|Ri)可以由語(yǔ)料統(tǒng)計(jì)得到；例如單姓+單名生成姓名的概率等于單姓單名除以總的人名數(shù)目；其結(jié)果大約為12%,未登錄詞識(shí)別 VI,漢族人名測(cè)試結(jié)果,計(jì)算所中文詞語(yǔ)一體化分析系統(tǒng)ICTCLAS,Institute of Computing Tech., Chinese Lexical Analysis System. (ICTCLAS) 設(shè)計(jì)的基本原則 一體化 結(jié)果不唯一 “當(dāng)斷則斷，不留后患” “求同存異，保留爭(zhēng)端”,ICTCLAS系統(tǒng)處理流程,ICTCLAS功能模塊,ICTCLAS,N-最短路徑切分 （概率統(tǒng)計(jì)）,未登錄詞識(shí)別,隱馬標(biāo)注,人名,地名,譯名,其他,結(jié)果生成,重疊詞,規(guī)范,其他,ICTCLAS初評(píng)結(jié)果,評(píng)測(cè)語(yǔ)料庫(kù)為人民日?qǐng)?bào)1998年1月1日-1月15日（12000行）的新聞?wù)Z料 總共詞數(shù)：601646 切分正確率（按詞統(tǒng)計(jì)）98.38%；按句子統(tǒng)計(jì)93.15% 一級(jí)標(biāo)注正確率（按詞統(tǒng)計(jì)）：97.16%；按句子統(tǒng)計(jì)78.44%,結(jié)論,漢語(yǔ)詞語(yǔ)分析是中文信息處理的基礎(chǔ)，無(wú)論是理論上，還是實(shí)際應(yīng)用上都極其重要。 其難點(diǎn)主要在于排歧和未登錄詞的識(shí)別。 目前常用的研究方法及相關(guān)系統(tǒng)，存在著一些不足：不統(tǒng)一；量化困難，缺乏可比性。 N-最短路徑方法進(jìn)行詞語(yǔ)粗分，可以盡可能的解決詞語(yǔ)切分問(wèn)題，同時(shí)將未登錄詞與歧義問(wèn)題保留到下一過(guò)程。 基于角色標(biāo)注的未登錄詞識(shí)別方法，可以克服觸發(fā)與候選字段選取的盲目性，并能計(jì)算出候選詞的概率。最終效果能滿(mǎn)足實(shí)際要求。 基于HMM的一體化方法能夠?qū)⑽吹卿浽~、歧義排除和普通詞的處理統(tǒng)一起來(lái)，我們?cè)贗CTCLAS中進(jìn)行了實(shí)際的應(yīng)用。,敬請(qǐng)指導(dǎo)！謝謝！,