1 / 24

Koreferencia-annotáló eszköz fejlesztése hálózati környezetben

Koreferencia-annotáló eszköz fejlesztése hálózati környezetben. Oltványi Gábor József diplomaterv bemutató PPKE-ITK, 2009.07.02. Témavezető: Dr. Prószéky Gábor Konzulens: Miháltz Márton. Áttekintés. Absztrakció. 1. Digitális szövegek földolgozása keresés nyelvhelyesség ellenőrzése

iolana
Download Presentation

Koreferencia-annotáló eszköz fejlesztése hálózati környezetben

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. Koreferencia-annotáló eszköz fejlesztése hálózati környezetben Oltványi Gábor Józsefdiplomaterv bemutatóPPKE-ITK, 2009.07.02.Témavezető: Dr. Prószéky GáborKonzulens: Miháltz Márton

  2. Áttekintés

  3. Absztrakció 1. • Digitális szövegek földolgozása • keresés • nyelvhelyesség ellenőrzése • nyelvi elemzések • … • komolyabb összefüggések automatikus megtalálása: • a szöveg jelentésének gépi „megértése”, szemantikai feldolgozása, pl.:információkivonatolás(mesterséges intelligencia) KOREFERENCIA

  4. Koreferencia 2. • Ko-referencia: közös hivatkozás – viszony • egy visszautaló elem (anafora) és a szövegben korábban előforduló, vele koreferensszószerkezet (antecedens) ugyanarra a való világbeli entitásra utal. • Föloldása: a viszony azonosítása

  5. Koreferencia – példák

  6. Annotált korpuszok 3. • Korpusz: digitálisan tárolt nyelvi anyag (írott vagy beszélt), amin elemzéseket tudunk végezni. • Annotált korpusz: a szöveg egyes elemeinek megjelölése az elemzés során – valamilyen nyelvészeti céllal.

  7. Szeged Korpusz 2.0 3.1. <w>bejelentette <ana> <humor><lemma>bejelent</lemma> <mscat>[Vmis3s---y]</mscat></humor> <msd><lemma>bejelent</lemma> <mscat>[Vmis3s---y]</mscat></msd> </ana> <anav> <humor><lemma>bejelent</lemma> <mscat>[Vmis3s---y]</mscat></humor> <msd><lemma>bejelent</lemma> <mscat>[Vmis3s---y]</mscat></msd> </anav> </w> • 1.2 millió szövegszó, témakörökből: • szépirodalmi regények • 14-16 éves tanulók fogalmazásai • újságcikkek • számítástechnikai szövegek • jogi szövegek • gazdasági és pénzügyi rövidhírek • XML-ben. DTD: TEIxLite (szabványos) • Annotáció: szófaji egyértelműsítés • jelölés: MSD morfo-szintaktikai kódok

  8. Szeged Treebank 2.0 3.2. • A Szeged Korpusz 2.0-ból indul ki. • Új annotáció: szintaktikai elemzés. • A magyarban a szószerkezetek egymásra épülő hierarchiát alkotnak. • Treebank-reprezentáció: ~mondatfa. • Szintaktikai szabályrendszer alapján automatikus elő-annotációval készült. • XML, egy általánosabb „TEI P4” DTD-vel. • Minden szintaktikai egység, azaz minden igei/névszói csoport kap egy ID-t

  9. Szintaktikai hierarchia a Szeged Treebank 2.0-ban

  10. Szintaktikai hierarchia a Szeged Treebank 2.0-ban <divtype="example"id="fajl"> <pid="fajl.1"> <sid="fajl.1.1">Ági minden rokonát tegnapelőtt látta vendégül. <CPid="fajl.1.1.1"> <NPid="fajl.1.1.2">Ági</NP> <NPid="fajl.1.1.3"> <ADJP>minden</ADJP> rokonát </NP> <ADVPid="fajl.1.1.4">tegnapelőtt</ADVP> <V_id="fajl.1.1.5"> <V0>látta</V0> <CHILDREN> <NODEidref="fajl.1.1.2"type="NP"role="NOM"></NODE> <NODEidref="fajl.1.1.3"type="NP"role="ACC"></NODE> <NODEidref="fajl.1.1.4"type="ADVP"role="TLOCY"></NODE> <NODEidref="fajl.1.1.6"type="NP"role="ESS"></NODE> </CHILDREN> </V_> <NPid="fajl.1.1.6">vendégül</NP> <c>.</c> </CP> </s> </p> </div>

  11. A Szeged Treebank főnévi csoportjainak (NP) azonosítása <NPid="fajl.1.1.3"> <ADJP>minden</ADJP> rokonát </NP> Ez a szint nem kapott ID-t az XML-ben! A főnévi csoportok NPmax szinten vannak annotálva végig a SzegedTreebankben. A korlátozás föloldása: új ID-k generálása az NP-k részeihez.(Lásd: előkészítés) A korlátozás föloldása: új ID-k generálása az NP-k részeihez.(Lásd: előkészítés) ? ! <NPid="fajl.1.1.3"> <ADJPid="fajl.1.1.3.g1">minden</ADJP> rokonát </NP>

  12. Koreferenciák annotálása 3.3. • Feladat: annotáljuk a Szeged Treebank 2.0 XML-jeit koreferenciákkal! • az anaforától hivatkozunk az antecedensre, a típusát is megadva: • Egy nyelvész szakértő végighalad a szövegen, és bejelölgeti a hivatkozásokat. Munkaigényes…  • Grafikus annotáló program?! <sid="fajl.1.2">A lány nagyon örült látogatóinak. <CPid="fajl.1.2.1"> <NPid="fajl.2.1.2"refid="fajl.1.1.2"reftype="HYPERNYM"> A lány </NP>...

  13. 4. A feladat

  14. 4.2. Cél • Kutatás indul a koreferenciák feloldásának automatizálására • Újabb kutatásokra nyit teret az információkivonatolásban • Gépi tanulás • Sok koreferencia kézi annotálása Koreferencia-annotáló algoritmusok

  15. 5. Implementációim • Két implementáció készült el a két félévben: • Coref 1: • .NET ablakozós alkalmazás (.exe) C# nyelven • Nem tartalmaz hálózati funkciókat • Az „offline” feladatokra praktikusabb • Coref 2: • Webes alkalmazás, több felhasználós rendszer • PHP, MySQL, JavaScript, Ajax, XHTML, CSS • Támogatott böngészők: Chrome, Firefox, Safari • Az „offline” feladatokat részben teljesíti

  16. 5.1. Coref 1

  17. 5.2. Coref 2

  18. Platform megfontolások 5.3. • platformfüggetlenség • C# (nem pl.ftln, de fejlesztőbarát) vs. JAVA, egyéb • hálózati eszközök • szerver? – ingyenesség... (egyelőre ideiglenes) • adatbázis: Oracle, MSSQL, MySQL, PostgreSQL, stb. • webböngészős alkalmazás? ASP.NET, egyéb vs. PHP • kliens-/szerveroldali logika kérdése – JavaScript, AJAX • továbbfejleszthetőség, ingyenesség • miután választottunk: • hol tároljuk az XML-eket? (adatbázis, szerver, kliens) • PHP melyik XML-kezelő függvénytárát használjuk (SimpleXML) • kódolás – UTF-8

  19. Coref – kiegészítés 5.4. • Segédeszköz kereséshez • ID alapján, fás szerkezetben (Coref 1) • <div>-ekre bontás Pythonnal (string alapú) • Multi-koreferencia • „Péter és János a film vége után hazamentek. Aznap mindketten későn feküdtek le.” • <NPid="2.3.1"refid="1.2.0 20.1.2"reftype="SYNONOM HOLONIM"> • Coref 2: webböngészők sajátosságai…

  20. 5.5. Zérónévmások automatikus beszúrása • MetaMorpho fordítóprogram (nem publikus) • magyar szintaktikai elemző kutatási célra bináris formában hozzáférhető (MorphoLogic) • igei vonzatkeret információk segítségével ki tudja írni, hogy van-e hiányzó vonzat az adott egyszerű mondatokban • Input: mondatok soronként. • Output:+nem újítja meg olajszállítási szerződéseit. [zeroinfo: ZEROSUBJ] •  hiányzó alany  Nom. esetű • ige (újítja) E/3-ban (MSD-annotációból)  • E/3, Nom. személyes névmás [ő] beszúrása • Az ige után egy új <NP>-be, saját ID-velaz igéhez egy vonzat fölvétele <children><node>

  21. 5.5. Zérónévmások automatikus beszúrása +nem újítja meg olajszállítási szerződéseit. [zeroinfo: ZEROSUBJ] Hiányzik az alany: Nom. eset • MetaMorpho fordítóprogram (nem publikus) • magyar szintaktikai elemző kutatási célra bináris formában hozzáférhető (MorphoLogic) • igei vonzatkeret információk segítségével ki tudja írni, hogy van-e hiányzó vonzat az adott egyszerű mondatokban • Input: mondatok soronként. • Output:+nem újítja meg olajszállítási szerződéseit. [zeroinfo: ZEROSUBJ] •  hiányzó alany  Nom. esetű • ige (újítja) E/3-ban (MSD-annotációból)  • E/3, Nom. személyes névmás [ő] beszúrása • Az ige után egy új <NP>-be, saját ID-velaz igéhez egy vonzat fölvétele <children><node> <V_id="Nepszava.1.1.1.20"> <V0preverb_ref="Nepszava.1.1.1.21"> <w>újítja <ana><humor><lemma>újít</lemma> <mscat>[Vmip3s---y]</mscat></humor> ... </w> </V0> <CHILDREN> <NODEidref="Nepszava.1.1.1.22"type="NP"role="ACC" /><NODEidref="Nepszava.1.1.1.20.z3"type="NP"role="NOM"/> </CHILDREN> </V_> <NPid="Nepszava.1.1.1.20.z3"><w>[ő]</w></NP> <PREVERBid="Nepszava.1.1.1.21"> <w>meg ...</w> <V_id="Nepszava.1.1.1.20"> <V0preverb_ref="Nepszava.1.1.1.21"> <w>újítja <ana><humor><lemma>újít</lemma> <mscat>[Vmip3s---y]</mscat></humor> ... </w> </V0> <CHILDREN> <NODEidref="Nepszava.1.1.1.22"type="NP"role="ACC" /> </CHILDREN> </V_> <PREVERBid="Nepszava.1.1.1.21"> <w>meg ...</w> Az ige E/3 esetben van E/3 Nom. esetű személyes névmás: ő. – Beszúrandó (az ige után): <NPid="Nepszava.1.1.1.20.z3"> <w>[ő]</w> </NP> – És az ige vonzataihoz: <V_><CHILDREN>: <NODEidref="Nepszava.1.1.1.20.z3" type="NP"role="NOM"/>

  22. Összefoglalás 6. • Két implementációban megvalósult minden kiírt feladat. • Felhasználóbarát mindkettő • Az alkalmazás felhasználóival még kell konzultálni, hogy praktikusabb legyen • Fejlesztéskor alkalmam nyílott a platformok megismerésével, pl. a böngészők sajátosságaihoz való trükkökkel.

  23. A bíráló kérdései 7. • A főnévi csoportok NPmax szinten vannak annotálva végig a SzegedTreebankben. • Koreferencia annotálás szövegelemzésben • szintaktikai és szemantikai egyértelműsítés • kulcsszavak gyűjtése, szövegtérképek <NPid="fajl.1.1.3"> <ADJPid="fajl.1.1.3.g1">minden</ADJP> rokonát </NP>

  24. Köszönöm a figyelmet! • Kérdések: • Oltványi Gábor

More Related