1 / 36

Označevanje korpusov PNG Slovenistika II. letnik 2006

Označevanje korpusov PNG Slovenistika II. letnik 2006. 7.4.2006. Pregled predavanja. Ravni označevanja Označevalne tehnike Oznake korpusa FIDA. Označevanje. besedil o lahko analiz iramo na določeni jezikovni ravni rezultat analize zapišemo v korpus, t.j. korpus označimo

arich
Download Presentation

Označevanje korpusov PNG Slovenistika II. letnik 2006

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Označevanje korpusovPNG SlovenistikaII. letnik 2006 7.4.2006

  2. Pregled predavanja • Ravni označevanja • Označevalne tehnike • Oznake korpusa FIDA

  3. Označevanje • besedilo lahko analiziramo na določeni jezikovni ravni • rezultat analize zapišemo v korpus, t.j. korpus označimo • tak korpus je nato primeren za nadaljno, bolj poglobljeno obravnavo • ljudje lahko iščejo (tudi) po pripisanih oznakah • računalniki lahko oznake uporabijo za nadaljne procesiranje

  4. Ravni označevanja • označujemo lahko praktično karkoli kar je koristno za neko aplikacijo • delitev po ravneh jezikoslovne obravnave: • oblikoslovje • leksika • skladnja • semantika

  5. Oblikoslovno označevanje • vsaki besedi v besedilu pripišemo njene oblikoslovne lastnosti, npr. samostalnik moškega spola edinine, v orodniku • oblikoslovne lastnosti so odvisne od besedne oblike in njenega konteksta:Hotel[V] je popust pri plačilu računa za hotel[N].

  6. Lematizacija in krnjenje • lema besede je njena osnovna oblika, npr. mize  mizahodil  hoditinočem  ?čl.  ? • lema nima jezikoslovnega pomena, pač pa je konvencionalna neoznačena oblika besede • kot pri oblikoslovnem označevanju, je lema določena šele skozi kontekst:hotela  hotel ali hotetisedel  sedeti ali sesti • krnenje ohrani samo osnovo besede:hotela, hotelskega, …  hotelmize, miza, mizarstvo  miz (mizarstv?) • krnenje najprej razvito za angleščino (kjer večinoma lema=krn) • krnenje je bolj uporabno za zajemanje in luščenje informacij (information retrieval and extraction)

  7. Luščenje poimenovanih entitet Named Entity Extraction: identifikacija in kategorizacija fraz, ki označujejo “entitete” • lastna imena: ljudje, organizacije, geografska imena (mesta, države, reke,…) • številskih izrazi (22.320,34; 22,320.34; dvajset) • količine:procenti (%, procentov), valute (SIT, $), teža (kg, m2) • datumi in časi: 22 januarja, 45 n.š., 23:14, 11PM • naslovi: poštni, email, www • tudi imena zdravil, genov, ladij, bibliografske enote, …

  8. Kje se uporabljajo • izredno pomembno za zajemanje in luščenje informacij (Information Retrieval and Extraction): kdo, kaj, kje, kdaj, koliko • tekmovanje MUC-7 (Message Understanding Conferences, 1997, ZDA)

  9. Primer uporabe: sledenje po entitetah in ontologiji: http://www.ontotext.com/kim

  10. Problemi pri identifikaciji • variacije: John Smith, Mr Smith, John • dvoumnost: • John Smith (podjetje ali oseba) • May (oseba ali mesec) • Washington (oseba ali kraj) • 1945 (datum ali čas) • dvoumnost z navadnimi besedami

  11. Prevedba kazalk Anaphora resolution: določitev referenta kazalk, npr. The queen is not here yet, but she is expected to arrive soon. she: anafora; the queen: antecedent V slovenščini dodatni problemi zaradi izpuščanja kazalk:Pop zvezdnica Madonna je objavila datume svoje prihajajoče turneje “Confessions”. V Evropi bo svoj prvi koncert turneje imela v Cardiffu 30. julija, prav tako bo nastopila…

  12. Skladenjsko označevanje • predavanje 19.5.206 • stavke (povedi) označujemo s skadenjskimi relacijami • se razmeroma malo uporablja v jezikovnih tehnologijah: preveč napak, preveč dvoumnosti, prepočasi • namesto tega se uporablja plitke metode, npr. “NP chunking” (samostalniški kosi) • kosi so tipično deli stavka, ki vsebujejo eno samo polnopomensko besedo, obkroženo s funkcijskimi besedicami, ki spadajo k njej in tvorijo nespremenljiv vzorec. (Abney, 1991)

  13. Druge oznake • termini • pomensko označevanje (glass1, glass2, …) • večjezični korpusi: stavčna poravnava vzporednih korpusov, poravnava prevodnih ekvivalentov • govorjeni korpusi: poravnava transkripcije s signalom • …

  14. Ravni označevanja • Označevalne tehnike • Oznake korpusa FIDA

  15. Ročno označevanje • s pomočjo urejevalnika ekspert (jezikoslovec) označuje korpus • potrebna je natančna definicija “gramatike”, t.j. nabora dovoljenih kategorij oz. relacij • dobrodošlo je preverjanje: formalno, vsebinsko • problem posebej akuten, ko je več označevalcev: izdelava priročnika, vzporedno označevanje • za nekatera področja (semantično označevanje) je ujemanje med različnimi označevalci < 70%

  16. Strojno označevanje • z ročno napisanimi pravili • s strojnim učenjem, na osnovi ročno označene učne množice • s strojim učenjem, na osnovi neoznačene učne množice

  17. dejanski najdeni izpuščeni pravilni napačni Natančnost in pokritje [Simulacijski model][terorističnega delovanja] razvijamo skupaj s partnerjem [Guardiaris za naročnika][Oddelek za raziskave in simulacije] na [Ministrstvu za obrambo RS]. natačnost = pravilni/najdeni x 100% pokritje = pravilni/dejanski x 100% natančnost in pokritje sta obratno sorazmerna mera F = geometrična sredina natančnosti in pokritja

  18. Ročno napisana pravila • programi, ki delajo s pomočjo ročno napisanih pravil (jezikoslovec/računalničar) • programi zahtevajo zelo formalna pravila, omejena glede na izbrano teorijo/formalizem/implementacijo • problemi: pokritje, krhkost, dvoumnost, hitrost

  19. Vodeno učenje • (supervised learning) program se uči na osnovi ročno označenih podatkov • večina programov uporablja statistične metode (maksimizirajo verjetnost) • tudi metode t.i. strojnega učenja:program se uči pravila • prednosti pred statističnimi metodami: pravila so (do neke mere) razumljiva • slabosti: bolj zamudno učenje, mogoče tudi uporaba

  20. Primer statističnega označevanja: oblikoslovno označevanje Program TnT (Trigrams and tags): išče Vmip3s--n najbolj Rgs verjetno Afpnsn zaporedje Ncnsn oblikoslovnih Afpfpg oznak Ncfpg glede Rgp na Spsa besede Ncfpa

  21. Delovanje n-gramskih označevalnikov Dva vira znanja, naučena iz označenega korpusa: • leksikon: kaj so možne oblikoslovne oznake neke besede?besede/74 = Ncfpa/23, Ncfpn/33, Ncfsg/18 • kontekst: katera oznaka je najbolj verjetna glede na sosednje oznake?Ncfsg 1375 Vcip3s--n 54 Vcps-sma 4 Afpmsnn 1 Vmps-sma 11 Z uporabo Viterbijevega algoritma izračuna najbolj verjetno zaporedje oznak

  22. Primer strojnega učenja: lematizacija s CLOG • program dobi posebno učno množico za vsako oblikoslovno oznako (predpostavimo predhodno oblikoslovno označevanje) • učna množica je sestavljena iz parov besedna oblika/lema: Ncfsg([g,l,a,s,u],[g,l,a,s]). Ncfsg([s,t,r,a,h,u],[s,t,r,a,h]). Ncfsg([r,o,b,u],[r,o,b]). Ncfsg([g,i,n,a],[g,i,n]). Ncfsg([p,a,s,u],[p,a,s]). Ncfsg([k,r,u,h,a],[k,r,u,h]). Ncfsg([d,u,h,a],[d,u,h]). Ncfsg([t,r,e,n,u,t,k,a],[t,r,e,n,u,t,e,k]). Ncfsg([p,o,p,o,l,d,n,e],[p,o,p,o,l,d,a,n]). Ncfsg([o,t,r,o,k,a],[o,t,r,o,k]). Ncfsg([n,o,s,u],[n,o,s]).

  23. Pravila CLOG • pravila so tipa X-pripona1 X-pripona2 • pravila so urejena od specifičnih k splošnim • Samostalniki ženskega spola v rodilniku: Ncfsg(A,B):-mate(A,B,[n,o,v,e],[n,o,v,a]),!. Ncfsg(A,B):-mate(A,B,[e,v,e],[e,v,a]),!. Ncfsg(A,B):-mate(A,B,[a,v,e],[a,v,a]),!. Ncfsg(A,B):-mate(A,B,[r,v,e],[r,v,a]),!. Ncfsg(A,B):-mate(A,B,[i,v,e],[i,v,a]),!. Ncfsg(A,B):-mate(A,B,[e,s,n,i],[e,s,e,n]),!. Ncfsg(A,B):-mate(A,B,[i,s,l,i],[i,s,e,l]),!. Ncfsg(A,B):-mate(A,B,[v,e],[e,v]),!. Ncfsg(A,B):-mate(A,B,[z,n,i],[z,e,n]),!. Ncfsg(A,B):-mate(A,B,[i],[]),!. Ncfsg(A,B):-mate(A,B,[e],[a]),!.

  24. Učenje brez vodenja • strogo statistične metode(Clustering, Maximim Entropy, Minimum Description Length) • primer je identifikacija kolokacij (besednih zvez) • poišči vse besede, ki se bolj pogosto kot je običajno pojavljajo skupaj • statistične formule; problem so zelo redke (Šepetalec ubija) in zelo pogoste besede (je rekel) • iskanje kolokatorjev v orodju Wordsmith:poišči vse besede, ki se bolj pogosto kot pričakovano pojavljajo v bližini ključne besede

  25. Ravni označevanja • Označevalne tehnike • Oznake korpusa FIDA

  26. Oblikoslovne oznake • oznaka podaja oblikoskladenjsko funkcijo besede v besedilu • oznake najprej razvite za angleščino: • glavni problem je ločiti med besednimi vrstami (run[v] / run[N]) • revno oblikoslovje  malo različnih oznak, 20—100

  27. BNC BASIC TAGSET • AJ0Adjective (general or positive) (e.g. good, old, beautiful) • AJC Comparative adjective (e.g. better, older) • AJS Superlative adjective (e.g. best, oldest) • AT0 Article (e.g. the, a, an, no) • … • CJC Coordinating conjunction (e.g. and, or, but) • CJS Subordinating conjunction (e.g. although, when) • CJT The subordinating conjunction that • CRD Cardinal number (e.g. one, 3, fifty-five, 3609) • NN0 Common noun, neutral for number (e.g. aircraft, data) • NN1 Singular common noun (e.g. pencil, goose, time) • NN2 Plural common noun (e.g. pencils, geese, times) • NP0 Proper noun (e.g. London, Michael, Mars, IBM) • ORD Ordinal numeral (e.g. first, sixth, 77th, last) • …

  28. Nabori oznak za oblikoslovno bogate jezike • besedne oblike vsebujejo mnogo več informacije: spol, število, sklon, živost, določnost • primer zaimkov: • osebni, svojilni, povratni… • pridevniški, samostalniški • 3 števila, 3 spoli, 6 sklonov • spol in število “svojine” … • > 1000 različnih oznak • pri razdvoumljanju veliko več problemov z oblikoslovnim podatki kot pa z besedno vrsto

  29. Nabori oznak za slovenščino • nabor ZRC SAZU, http://bos.zrc-sazu.si/ • sledi slovenski slovnici • okrajšave čim bolj mnemonične • z njim ročno označen velik korpus (1M besed) • nabor oznak ni bil vnaprej določen • oznake razlikujejo nemotivirane kategorije (tipi lastnih imen) • označeni korpus ni dostopen za prenos • nabor MULTEXT (E8 IJS), http://nl.ijs.si/ME/V3/msd/ • upošteva mednarodne standarde • oznake je možno mehanično razstavljati • z njim strojno označen velik korpus (FIDA, 100M besed) • ročno označeni korpus prosto dostopen (100k besed) • izpušča nekatere motivirane kategorije (povedkovnik, besedna vrsta okrajšave) • skop priročnik • npr. Pže1, E5 proti Afpfsn, Spsl

  30. MULTEXT-East oblikoslovne specifikacije • dostopne na http://nl.ijs.si/ME/V3/msd/ • verzija 3, 2004-05-10 • sestavljene iz uvoda, skupnih tabel, in poglavij za posamezne jezike • originalno v LaTeX, izvedeni formati v HTML, PDF, XML

  31. Osnovni namen specifikacij MULTEXT-East Določijo: • katere oblikoslovne oznake so dovoljene za posamezne jezike, • kaj pomenijo:Vmip3d--n = PoS:Verb, Type:main, VForm:indicative, Tense:present, Person:third, Number:dual, Gender:-, Voice:-, Negative:no • in še kaj..

  32. Skupne tabele specifikacij

  33. Specifikacije: poglavje za slovenščino

  34. Nabor slovenskih oznak • v ročno označenem korpusu MULTEXT-East je prisotnih 1023 različnih oznak • v oblikoslovnem leksikonu MULTEXT-East jih je prisotnih 2083 • oznake z angleško razlago dostopne v msd-sl.txt

  35. Lokalizacija • Afcfda = Pkpzdt • Afcfda = Adjective qualificative comparative feminine dual accusative • Pkpzdt = Pridevnik kakovostni primernik ženski dvojina tožilnik

  36. Oznake korpusa FIDA • oznake MULTEXT-East, prevedene v slovenščino se uporabljajo v korpusu FIDA • v FIDA za vsako besedo prisotne vse možne oblike za to besedno obliko • 2271 različnih oznak • tabela en-sl oznak s slovenskimi razlagami dostopna na msdFIDA-sl.txt

More Related