1 / 10

Automatische Klassifikation von Nomen nach Begriffstyp

Automatische Klassifikation von Nomen nach Begriffstyp. Christof Rumpf Heinrich-Heine-Universität 19.05.2005. Gegenstand des Projekts. Problem Automatische Klassifikation von Nomen nach Begriffstyp aufgrund morphosyntaktischer Kontextmerkmale. Methode

jethro
Download Presentation

Automatische Klassifikation von Nomen nach Begriffstyp

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. Automatische Klassifikation von Nomen nach Begriffstyp Christof Rumpf Heinrich-Heine-Universität 19.05.2005

  2. Gegenstand des Projekts • Problem • Automatische Klassifikation von Nomen nach Begriffstyp aufgrund morphosyntaktischer Kontextmerkmale. • Methode • Erlernen eines statistischen Modells für die Klassifikation mit handannotierten Korpora, in denen die Kontextmerkmale vermerkt sind.

  3. Begriffstypen

  4. Kontextuelle Merkmale • Morphologische Eigenschaften • Deadjektivische Nomen sind haüfig relational oder funktional: Grösse, Intelligenz, … • Deverbale Nomen: Krümmung, Dauer, … • Komposita: -wert, -grad, -grösse, … • Grammatische Besonderheiten • Possessivkonstruktionen: seine Mutter • Definitheit: Vohandensein definter Artikel • Subkategorisierung: bestimmte Verben verlangen FB als Komplement

  5. Annotierung von Korpora Dieses PDAT Lehr- und Lernbuch NN_SBist VAFIN der ARTDEF Versuch NN_RB1, $, eine ARTUNDEF EinführungNN_RB1in APPR die ARTDEF SemantikNN_FB1zu PTKZU bieten VVINF , $, die PRELS einerseits ADV die ARTDEF wichtigsten ADJA Themen NN_RB1 • Automatische Annotierung kontextueller Merkmale durch • Part-of-Speech-Tagging • Morphologische Analyse • Manuelle Annotierung von Begriffstypen

  6. Bayes‘sche Disambiguierung Wort w hat n Lesarten. Lerne mittels Trainings-korpus, welche Wörter v im Kontext von w mit Les- art k auftreten. Die Lesarten für ein Wort sind verschieden häufig, bzw. wahrscheinlich. Bestimme die Lesart k von Wort w aufgrund der Wahrscheinlichkeit von k und den Wörtern im Kontext von w. Die Lesart mit der höchsten Wahrschein-lichkeit gewinnt.

  7. Maximum Entropy Model • Definiere kontextuelle Features, die zur zur Disambiguierung beitragen können • Lerne anhand eines annotierten Korpus die Gewichte (Evidenz) der Features • Verwende den Algorithmus Generalized Iterative Scaling zum Annotieren neuer Korpora, sodass die Gewichte genauso verteilt sind, wie im Trainingskorpus

  8. Ratnaparkhi (1996) model context feature constraint

  9. Feature Templates

  10. Features

More Related