1、面向综合语言知识库建设的汉语词义消歧与标注语言模型研究 docin/sundae_meng内容提要n一、绪 论n二、国内外研究现状分析n三、词语义项的表征及其可计算性n四、基于多知识源的知识提取与融合n五、面向汉语词义排歧与标注的语言模型n六、标注语料的一致性保证与正确性评价n七、面向真实文本的汉语词义标注实验系统的设计与实现n八、结 束 语docin/sundae_meng一、国内外研究现状基于规则的词义消歧方法基于词典知识的词义消歧方法有指导的统计词义消歧方法无指导的统计词义消歧方法v现有研究存在的问题与改进策略伪词法-可解决训练语料不足的问题少数几个词-只适于对消歧算法的研究docin/
2、sundae_meng二、我们的目标、优势及对策 研究的目标与内容目标：建设高质量的大规模汉语综合语言知识库内容：汉语语料库建设过程中汉语词义消歧与标注的基本方法和关键技术。所具有的优势人员优势：文理交叉；资源优势：世界上最大的标注语料库，语法信息词典等docin/sundae_meng二、我们的目标、优势及对策 拟解决的问题知识源的选择；基于多知识源的知识提取与融合；基于知识的词义消歧模型与算法；模型的评价与一致性检验方法 研究方法与技术路线开发试验平台用于模型与算法的实验研究；采用同形标注与义项标注两步走战略；docin/sundae_meng内容提要n一、绪 论n二、国内外研究现状分析n
3、三、词语义项的表征及其可计算性n四、基于多知识源的知识提取与融合n五、面向汉语词义排歧与标注的语言模型n六、标注语料的一致性保证与正确性评价n七、面向真实文本的汉语词义标注实验系统的设计与实现n八、结 束 语docin/sundae_meng题引意义训释表征方式及其可计算性义原表征方式及其可计算性概念依存关系表征方式及其可计算性由可计算性看表征方式对词义消歧的作用结论三、词义的表征及其可计算性三、词义的表征及其可计算性 docin/sundae_meng三、词义的表征及其可计算性三、词义的表征及其可计算性 3.1 题引 W-i S1 S2 W-1 W Sk W+1 Sn W+i语料消歧S1S2
4、SkSn W词典描述自然语言处理中的多义词问题自然语言处理中的多义词问题 多义词在信息检索、机器翻译、文本校对等领域都会引起歧义，它的表征方法直接关系到词义消歧的可计算性和可实现性。多义词：多义词：同一个词形（word form）表达了多个不同的意义。docin/sundae_meng 知识表示是机器学习的关键，如何表征和获取词义消歧知识，是自然语言处理研究的任务之一。如何在词典中实现词语的多个义项的表征？如何在词典中实现词语的多个义项的表征？传统辞书的释义方式意义训释语义原语描述语言义原表征概念依存关系概念依存关系表征 它们的可计算性如何？三、词义的表征及其可计算性三、词义的表征及其可计算性
5、 3.1题引docin/sundae_meng题引意义训释表征方式及其可计算性义原表征方式及其可计算性概念依存关系表征方式及其可计算性由可计算性看表征方式对词义消歧的作用结论三、词义的表征及其可计算性三、词义的表征及其可计算性 docin/sundae_meng三、词义的表征及其可计算性三、词义的表征及其可计算性 3.2意义训释表征方式及其可计算性3.2.1 3.2.1 表征形式表征形式以自然语言形式定义和解释词语意义【仪表】人的外表 测定温度、气压、电量、血压等的仪器问题问题:自然语言本身的模糊性、歧义性，造成多义词解释的递归性。引发歧义膨胀docin/sundae_meng 2 7 2 1
6、v 2)1(v )1(v 抓住）（坏）强烈的作用使物体变（）用强力取；捉（搬动用手或其他方式抓住、）（拿）掌握（用手拿或攥握握；拿把握三、词义的表征及其可计算性三、词义的表征及其可计算性 3.2意义训释表征方式及其可计算性docin/sundae_meng3.2.2 3.2.2 可计算性及其应用可计算性及其应用在词义消歧中的应用：在词义消歧中的应用：20世纪80年代是一种流行知识资源。词义消歧：Lesk(1986)应用Oxford Advanced learners Dictionary释义辞典进行词义消歧。可计算性：可计算性：比较弱所采用的方法各个义项的释义部分与其所在上下文词语间的覆盖度，
7、确定它在该上下文中的适当意义。但释义部分简明时，与上下文的覆盖度为0；通过同义词扩充增大上下文的窗口，增大覆盖度。但仅应用这种释义词典不好进行同义词的计算。三、词义的表征及其可计算性三、词义的表征及其可计算性 意义训释表征方式及其可计算性docin/sundae_meng题引意义训释表征方式及其可计算性义原表征方式及其可计算性概念依存关系表征方式及其可计算性由可计算性看表征方式对词义消歧的作用结论三、词义的表征及其可计算性三、词义的表征及其可计算性 docin/sundae_meng3.3.1 3.3.1 表征方式表征方式知网采用义原来表示概念义原：最基本的、不易于再分割的、意义最小的语义单位
8、。空间变换：将数量非常大（6万多个概念）的概念空间，映射到维数有限的义原空间。从而使文本内容的计算可实现化。多义词的表示示例如下：三、词义的表征及其可计算性三、词义的表征及其可计算性 3.3义原表征方式及其可计算性docin/sundae_meng【仪表】NO.=096060 W_C=仪表 G_C=E_C=W_E=bearing G_E=N E_E=DEF=attribute|属性,bearing|仪态,&human|人 NO.=096061 W_C=仪表 G_C=N E_C=W_E=meter G_E=N E_E=DEF=tool|用具,*measure|测量三、词义的表征及其可计算性三、词
9、义的表征及其可计算性 义原表征方式及其可计算性docin/sundae_meng采用知识词典描述语言(KDML)对概念进行定义描述公式：“义原顺序特殊符号分隔符”包括1500个左右的“义原”，符号(*,%,$,#,&)和标点(=，)。特点概念定义形式化,描述复杂度低，一致性好。便于计算。是一个能描述概念及概念属性之间关系的语义网络。便于推理。三、词义的表征及其可计算性三、词义的表征及其可计算性 义原表征方式及其可计算性docin/sundae_meng3.3.2 3.3.2 可计算性及其实现可计算性及其实现义原空间+概念描述的公式化=很强的可计算性。面向不同的应用其可计算性的实现方法不同机器翻
10、译：词语相似度的计算信息检索：词语相似度的计算句法结构消歧：词语间的关联度计算 词义消歧：词语间的关联度计算 自动问答系统：语义推理计算 三、词义的表征及其可计算性三、词义的表征及其可计算性 义原表征方式及其可计算性docin/sundae_meng相似度、相关度等的计算在知网中，对描述概念的义原表达式的不同理解和运用，会形成不同的相似度、关联度或推理求解的计算方法。词语相似度的计算 语义表达式分解成四个部分：（1）第一基本义原描述式；（2）辅助基本义原描述式；（3）关系义原描述式；（4）符号义原描述式。三、词义的表征及其可计算性三、词义的表征及其可计算性 义原表征方式及其可计算性docin/
11、sundae_meng计算以上四部分的相似度，并分别记为：sim1(C1,C2)，sim2(C1,C2)，sim3(C1,C2)，sim4(C1,C2)则词C1和C2的总体相似度可计算如下：41ii1j21ji21)C,C(sim)C,C(sim其中，i（1i4）是可调节的参数，且有：1+2+3+4=1，1234。反映了Sim1到Sim4对于总体相似度所起到的作用依次递减。三、词义的表征及其可计算性三、词义的表征及其可计算性 义原表征方式及其可计算性docin/sundae_meng由于义原根据上下位关系可以构成一个树状的义原层次结构，所以，可采用语义距离相似度的计算办法，近似计算两个基本义原
12、的相似度sim1(C1,C2)：式中，p1和p2分别表示两个概念的第一基本义原，d为两个义原在树状义原层次结构中的路径距离，为一个可调节的参数，表示两个义原的相似度为0.5时，其在义原层次结构树中的路径距离，是为计算参数d而做的标定和补充。d)p,p(sim)C,C(sim21211三、词义的表征及其可计算性三、词义的表征及其可计算性 义原表征方式及其可计算性docin/sundae_meng词语相关度的计算 反映的是两个词语互相关联的程度，可以用这两个词语在同一个语境中共现的可能性来衡量。一般情况下，两个词语的相似度高，其相关度也较高，但两个词的相关度高，其相似度却未必高。知网中的义原分为6
13、大类，每一类都是树状结构，各类之间又通过解释义原相互联系，义原树中的上下位关系构成了义原的相似度，义原与解释义原的关系形成了义原的关联度。三、词义的表征及其可计算性三、词义的表征及其可计算性 义原表征方式及其可计算性docin/sundae_meng两个义原的关联度可按下式计算：)ji,2j,i1(D)p,p(d1max)2C,1C(relji式中，pi和pj分别表示两个概念的第一基本义原；D为横向关联影响深度，即某一义原向上第几层的解释义原对其特征的影响，D取一个合适的值，如果超过这个深度，则认为其没有影响。d(pi,pj)为义原pi出现在义原pj的解释义原中出现的向上数的层数。三、词义的表
14、征及其可计算性三、词义的表征及其可计算性 义原表征方式及其可计算性docin/sundae_meng许云等经过考虑实例影响因素，同时考虑词语义项的相似度和相关度，给出了下面计算词汇相关度的计算公式：)C,C(ExampD)C,C(d1)C,C(simmax)W,W(R21341ii1j21221ji121式中1+2+3=1。第一部分考虑了两个概念的相似度，第二部分考虑了两个概念的相关度，第三部分则是实例影响因素，它是通过知网中的概念（词语义项）描述实例中的信息进一步提高语义相关计算的合理性，计算公式如下：三、词义的表征及其可计算性三、词义的表征及其可计算性 义原表征方式及其可计算性docin/
15、sundae_mengExamp(C1,C2)=max Sim(Cei,Cj)(1i,j2,ij)利用义原同现实现词义消歧 在词义消歧中，直接通过计算多义词所在语句的义原同现概率，并经过互信息的选择来确定多义词的词义，这种思路比上面的计算相似度的方法要简单。这里，Cei为第i个义项的实例单词集合中的任一个词的义项。三、词义的表征及其可计算性三、词义的表征及其可计算性 义原表征方式及其可计算性docin/sundae_meng题引意义训释表征方式及其可计算性义原表征方式及其可计算性概念依存关系表征方式及其可计算性由可计算性看表征方式对词义消歧的作用结论三、词义的表征及其可计算性三、词义的表征及其
16、可计算性 docin/sundae_meng3.4.1 3.4.1 表征方式表征方式人脑对词语的组织与普通词典不同上下位关系动物飞禽走兽天鹅鸡山鸡 家鸡人脑：按词义信息来组织词语，可建立起各种概念间的依存关系,便于推理 普通词典：按照字母顺序来 组织词语 三、词义的表征及其可计算性三、词义的表征及其可计算性 3.4 概念依存关系表征方式及其可计算性docin/sundae_meng 概念之间的依存关系（或语义关系）可以有很多种，是对现实世界中各种事物间关系的反映：同义关系反义关系上下位关系部分整体关系时间关系位置关系相近关系三、词义的表征及其可计算性三、词义的表征及其可计算性 概念依存关系表征
17、方式及其可计算性docin/sundae_meng 希望将词语按人脑的形式组织成机读词典，便于自然语言处理的应用，便于推理、计算。WordNet-Princeton大学 FrameNet-California大学Berkeley分校 MindNet-Microsoft CCD-北京大学 三、词义的表征及其可计算性三、词义的表征及其可计算性 概念依存关系表征方式及其可计算性docin/sundae_meng目标：概念形式化、具体化，通过词汇意义对其进行计算和操作，建立起概念之间的多种语义联系和推理，增强机器可计算性，实现自动语义推理 三、词义的表征及其可计算性三、词义的表征及其可计算性 概念依存
18、关系表征方式及其可计算性docin/sundae_meng3.4.2 3.4.2 可计算性及其实现可计算性及其实现可计算性的体现可计算性的体现Wordnet或CCD被组织成一种树形图。可计算性的实现主要通过概念间的层次关系树来实现。树中的每个节点代表一个概念，两个节点之间的路径长度可被用来表示两个概念的语义距离。通过语义距离实现词语相似度的计算。不同的应用需求其可计算性的体现方法不一样。三、词义的表征及其可计算性三、词义的表征及其可计算性 概念依存关系表征方式及其可计算性docin/sundae_meng词语相似度的计算方法根据WordNet中词节点间上下位关系构成的最短路径实现计算 根据两个
19、词的公共祖先节点的最大信息量来衡量两个词的语义相似度；除了利用WordNet节点间的路径长度外,还考虑概念层次树的深度 利用WordNet节点间的路径长度和节点所在的区域密度，考虑了WordNet中概念描述粗细程度不均匀的因素利用wordnet的同义词集、属类词和意义解释三个集合中抽取出候选同义词的词汇语义特征，两概念的相似度可通过计算其在三个不同意义特征空间中的距离来得到。三、词义的表征及其可计算性三、词义的表征及其可计算性 概念依存关系表征方式及其可计算性docin/sundae_meng一种利用语义距离计算词语相似度的方法 设s1,s2为词语w1和w2在wordnet中对应的词义，考虑w
20、ordnet中概念结点间的路径长度以及各概念在树中的深度，则词语w1和w2间的语义距离SD可按下式计算)root,s(Dis)ca,s(Dis)root,s(Dis)ca,s(Dis21)w,w(SD221121式中，ca表示词语w1和w2之义项s1,s2在wordnet中的共同祖先概念节点，Dis函数表示两个概念在wordnet中位置之间的路径长度。三、词义的表征及其可计算性三、词义的表征及其可计算性 概念依存关系表征方式及其可计算性docin/sundae_meng根据词义间的距离可计算两个词语的相似度如下)w,w(SD2121e)w,w(sim可以看出，两词语的语义距离愈大，其相似度愈小
21、。当两个词语的语义距离为0时，其相似度为1，这时两个词为绝对相似。三、词义的表征及其可计算性三、词义的表征及其可计算性 概念依存关系表征方式及其可计算性docin/sundae_meng题引意义训释表征方式及其可计算性义原表征方式及其可计算性概念依存关系表征方式及其可计算性结构性词典由可计算性看表征方式对词义消歧的作用结论三、词义的表征及其可计算性三、词义的表征及其可计算性 docin/sundae_meng三、词义的表征及其可计算性三、词义的表征及其可计算性 结构性词典结构性词典n语法信息词典、语义词典是一种结构性词典。n结构性词典中蕴含了丰富的语法和语义信息，便于采用数据挖掘算法实现。n易
22、于采集的知识，使其应用词义消其具有很好的作用。docin/sundae_meng题引意义训释表征方式及其可计算性义原表征方式及其可计算性概念依存关系表征方式及其可计算性结构性词典由可计算性看表征方式对词义消歧的作用结论三、词义的表征及其可计算性三、词义的表征及其可计算性 docin/sundae_meng人是依据上下文语境知识来消解词语的歧义。人是依据上下文语境知识来消解词语的歧义。1)他因病毒感染而发烧。2）这台机器由于感染病毒而瘫痪。1）生活是生命的现在进行式，把握当下，因为现在 就是未来！2）紧紧把握方向盘。三、词义的表征及其可计算性三、词义的表征及其可计算性 3.5由可计算性看词义表征
23、方式在词义消歧中的作用docin/sundae_meng计算机是怎样消解歧义的？计算机是怎样消解歧义的？设词语 W 有 N 个词义，在特定的上下文环境C 中只有 S是正确的词义，每个词义 Sk 和上下文 C 存在关系 R(Sk|C)，词义消歧就是寻求同C关系最强的词义S：计算机是依据上下文知识来消歧的。计算机是依据上下文知识来消歧的。arg max(|)kSR SC三、词义的表征及其可计算性三、词义的表征及其可计算性 由可计算性看词义表征方式在词义消歧中的作用docin/sundae_meng就词义消歧来讲，仅应用普通的释义辞典，采用lesk的方法效果是不会很好的 余晓峰利用知网中的语义原语，
24、通过词语相似度计算实现词义消歧试验取多义词上下文前后各一个实词计算相似度时，词义消歧正确率为37.3%;取句中除多义词以外的所有实词参与相似度计算时，词义消歧正确率为42.06%。张国清利用知网的义原表达式，计算多义词各义项的义原与其上下文中其它词的义原同现概率，再利用互信息来实现多义词歧义消解，取得了71%的消歧正确率。三、词义的表征及其可计算性三、词义的表征及其可计算性 由可计算性看词义表征方式在词义消歧中的作用docin/sundae_meng基于wordnet的词义消歧计算的文章不是很多，朱靖波等在词义消歧研究中，应用wordnet进行词语相似度计算，对词义消歧模型进行数据平滑，以提高
25、词义消歧的正确率。=我们做什么？统计方法的缺点：没有充分利用语句中的词义信息；数据稀疏问题 我们的研究：将统计语言模型和语法信息词典、语义词典、Hotnet等资源相结合，建立基于多种知识资源的词义消歧与标注模型 三、词义的表征及其可计算性三、词义的表征及其可计算性 由可计算性看词义表征方式在词义消歧中的作用docin/sundae_meng题引意义训释表征方式及其可计算性义原表征方式及其可计算性概念依存关系表征方式及其可计算性由可计算性看表征方式对词义消歧的作用小结三、词义的表征及其可计算性三、词义的表征及其可计算性 docin/sundae_mengn普通释义辞典可计算性弱nWordnet,
26、CCD通过树形层次结构使词典有了较强的可计算性。它可应用于推理、相似度计算等。nHontnet由于将概念空间映射到有限的义原空间，并使用义原表达式表示概念，使得其可计算性大大增强，其在机器翻译、词义消歧、信息检索等领域都可得到应用。也可应用于推理计算等。n结构性词典:如语法信息词典、语义词典其中包括了易于通过数据挖掘技术实现的知识，具有较强的可计算性，在词义消歧中会有很好的作用。三、词义的表征及其可计算性三、词义的表征及其可计算性 3.6小结docin/sundae_meng内容提要n一、绪 论n二、国内外研究现状分析n三、词语义项的表征及其可计算性n四、基于多知识源的知识提取与融合n五、面向
27、汉语词义排歧与标注的语言模型n六、标注语料的一致性保证与正确性评价n七、面向真实文本的汉语词义标注实验系统的设计与实现n八、结 束 语docin/sundae_meng四、基于多知识源的知识提取与融合4.1 知识源的选择资源种类：词典与语料库选择原则：可计算性训练语料，语法信息词典，语义词典，知网4.2 训练语料的加工和处理语料粗加工利用“同形”辅助校对软件在大规模的语料中进行标注的校对，问题：校对效率低：语料规模很大，校对时就像大海捞针,效率不高；标注的一致性得不到保证。基于义项聚类的对齐校对工具docin/sundae_meng四、基于多知识源的知识提取与融合4.3 基于大规模语料的统计词
28、义消歧知识提取训练语料中的词义消歧知识（1）什么是上下文（2）面向词义消歧的上下文选择:局部上下文、话题上下文和领域上下文 本文：以句号（。）、逗号（，）、问号（？）、感叹号（！）、冒号（：）、分号（；）作为分界符号（3）上下文中的特征信息：显性信息 半显性信息 隐性信息 docin/sundae_meng四、基于多知识源的知识提取与融合上下文中特征信息的提取 显性特征信息的提取:词袋方法；特征模板的方法半显性特征信息的提取：相邻共现和距离共现信息 特征模板方法隐性特征信息：句法特征、语义特征采用人工辅助方法(1)(1)统计特征模板的设计统计特征模板的设计 -2 -1 0 1 2 当 前 位
29、置 P P P P P w w w w w docin/sundae_meng四、基于多知识源的知识提取与融合特征模板的数量可以不止一个，因此应用特征模板选择特征是一个二重循环(2)(2)特征的提取与选择特征的提取与选择（a）将候选特征集中的所有特征都作为建模特征；（b）从候选特征集中选择那些在训练语料中出现一定频次的特征；（c）从候选特征集中选择满足一定互信息要求的特征；（d）利用增量式特征选择法从候选特征集中选择特征。docin/sundae_meng四、基于多知识源的知识提取与融合4.4基于基于汉语语法信息词典汉语语法信息词典的消歧知识提取的消歧知识提取 现代汉语语法信息词典中的词义消歧
30、知识 词法信息 句法信息 语义信息 照应信息 语法信息词典中的词义消歧知识提取 多义词属性信息的提取与筛选 从属性信息中获取消歧规则 docin/sundae_meng四、基于多知识源的知识提取与融合4.54.5基于基于现代汉语语义词典现代汉语语义词典的消歧知识提取的消歧知识提取 现代汉语语义词典中词义消歧知识 现代汉语语义词典的语义分类是在词的语法分类基础上进行的，并且只对名词、动词、形容词等实词进行语义分类描述。为动词、名词、形容词等词类设置的属性字段能够反映词语不同义项之间的区别性特征，这些特征为计算机词义消歧提供了必要的知识资源词义消歧知识在语义词典中的体现方式：（1）“语义类”给出了
31、词语所属的语义类别，是词义区分的重要属性。（2）“兼类”为词语的同形异类提供了消歧知识。docin/sundae_meng四、基于多知识源的知识提取与融合（3）“word、Ecat”字段给出了词语对应的英语译词或短语，多意词往往对应着多个译词，这些不同的译词可以提供词义消歧知识。（4)“配价数”是动词、名词库中的属性字段，指明了动词能够支配的名词性成分的个数，名词库中，配价数则指明了支配性名词要求语义上受其支配的从属名词与之共现数量，配价数不同，则动词或名词的义项就不同。（5）“主体、客体、与事”是动词库中的三个属性字段，描述了动词对论元的语义选择限制，对论元的不同选择限制可区别出动词的不同义
32、项 语义词典中的知识提取 语义属性的提取与筛选 从属性信息中获取消歧规则 docin/sundae_meng四、基于多知识源的知识提取与融合4.6知网知网中的词义消歧知识提取中的词义消歧知识提取 知网的组成中英双语知识词典；义原分类源文件；知网管理工具；相似度和相关度计算工具；知网说明文件。知网中的语义知识表述（中英双语知识词典）下面是关于“材料”的一个义项的表达信息：No.=009406 W_C材料 G_CN E_C唱歌的，上大学的W_Emakings G_E=N E_E=DEF=attribute|属性，quality|质量，human|人docin/sundae_meng四、基于多知识源
33、的知识提取与融合 DEF是对词语的一个概念的定义，以语义表达式的形式给出，是知网的核心 概念特征的提取 编写一个接口函数，从知网英汉双语知识词典中的DEF 字段中，将定义每个概念的主要特征、次要特征等抽取出来，并进行适当的筛选。相似度和相关度计算程序应用接口，通过计算多义词所在上下文中的词与训练语料多义词实例的上下文中词的距离，将与待标注多义词所在上下文最相近的训练语料实例中的词语义项作为标注义项，多目标多义词进行标注。docin/sundae_meng四、基于多知识源的知识提取与融合4.74.7多源知识的融合多源知识的融合基于隐最大熵模型的知识融合局部词汇信息建模语法结构建模 语义信息建模应
34、用最大熵原理将各种模型进行叠加 基于人工辅助的规则融合 将来各异构知识资源的知识，采用简单的加权规则方法进行融合，并用于词义消歧试验，解决了数据稀疏等影响语言建模质量的问题，取得了一些较好的试验结果。docin/sundae_meng内容提要n一、绪 论n二、国内外研究现状分析n三、词语义项的表征及其可计算性n四、基于多知识源的知识提取与融合n五、面向汉语词义排歧与标注的语言模型n六、标注语料的一致性保证与正确性评价n七、面向真实文本的汉语词义标注实验系统的设计与实现n八、结 束 语docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型5.1
35、 基于统计与规则相结合的词义排歧模型基于统计与规则相结合的词义排歧模型 1.利用统计方法获取上下文特征 v 上下文特征的提取范围 距离越近，词之间联系越紧密?以逗号隔开的整句为多义词提取窗口，不要求多义词左右窗口宽 度相等，再辅助以特征词在窗口中出现的频次，就可以将可区分的关键特征提取出来。逗号隔开的句子隔开的句子足以包含词义消歧的信息，若窗口的选取太小，所包含的信息不够充分，若以句号为单位，又显得过大，跨越逗号后的句子中的词语与多义词的联系相对较弱，且会造成多义词上下文候选特征的大量增加，给有效特征的筛选增加了很大的难度docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五
36、、面向汉语词义排歧与标注的语言模型v 特征筛选算法 For j=1 to q do 1.求取与词Wsj的同现实词集合Asj；2.求取Asj(j=1q)的可区分性特征，即把q个不同义项中的相同特征删除；3.统计各义项中每个特征出现频次；4.计算多义词每个义项与各特征互信息或共现概率；5.设置两个阈值，一个是特征出现在多义词Wsj的上下文中的总次数的阈值1，一个是互信息的选择特征的阈值2；6.将满足条件的多义词的每个义项的特征取出；end for 针对那些义项分布不均的多义词，主要针对分布比较少的义项编制规则。docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排
37、歧与标注的语言模型2.数据稀疏的处理 从统计语料中获得了400多个词的同形消歧特征，还有300多个词是人民日报同形标注语料中没有出现的，对于这部分多义词，我们从语法信息词典中的语法属性字段来获取。对于备注字段所提供的示例，将其中的多义词上下文抽取出来，作为手工编写规则的知识源。工具：语法信息词典属性字段提取程序例【是】有凡是意思。B3 B3：是有利于群众的事情他都干/是北大学生他都感到亲切我们顺着这些例子做适当扩展，对B3这个义项可以得到这样的搭配：是都；是就；是总；是毒；docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型3.利用上下文特
38、征人工编制词义消歧规则 v 利用词形信息编制规则 v 利用词性信息编制规则 v 利用词形+词性信息编制规则v 利用语义信息编制规则 4.实验结果 利用已标注好的人民日报2000年3个月已标注“同形”的人民日报语料为训练语料，我们进行了多义词上下文特征的提取，并经过人工筛选获得有用的消歧特征，编写了大量的同形标注规则，经封闭测试，正确率达到99.3%。docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型5.2 基于最大熵方法的词义标注语言模型基于最大熵方法的词义标注语言模型1.1.最大熵模型最大熵模型 假设a 是某个事件，b 是事件a 发生的
39、环境（或称上下文），我们想知道a 和b 的联合概率，记为p(a,b)。更一般地，设所有可能发生的事件组成的集合为A，所有环境组成的集合是B，我们想知道，对于任意给定的aA,bB,概率p(a,b)是多少。就是需要建立联合最大熵模型。若要计算在 b 的条件下，事件 a 发生的概率，即概率p(a|b)，则是需要建立条件最大熵模型。建立条件最大熵模型，p需要满足两个条件：(1)语言模型语言模型p概率分布应与训练样本中的统计概率分布相吻合。概率分布应与训练样本中的统计概率分布相吻合。(2)p应为使得条件熵最大的应为使得条件熵最大的p*，因这时模型为分布最均匀的模型；，因这时模型为分布最均匀的模型；doc
40、in/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型 否则且满足某种条件若0),(),(1),(A,Bbabaf),(),()(,bafbapfEbapbabafbapfEp,),(),()(babafbapbpfEp,),()|()()()f(E)f(Epp,2,1),()(|kiifEifEpCppbabapbapbppH,)|(log)|()()()(maxarg*pHCpp条件1条件2docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型),(exp()(1)|(*1ljjjbafbZb
41、apaljjjbafbZ),(exp()(1可以证明，满足上述要求的解具有如下Gibbs分布形式：docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型2.模型参数计算及说明模型参数计算及说明 v模型参数求取算法模型参数求取算法 采用GIS算法计算参数值j，GIS算法要求对训练集中的每个实例，对实例中的任何(a,b)AB，特征函数之和为常数，即对每个实例均满足如果这个条件不能满足，则根据训练集选择C，C为在训练集所有实例中根据上式等号左边算得的最大值。还需要增加一个修正特征（correction feature）fl，其中l=k+1，（其中C
42、为一常数）kjjCbaf1),(kjjlbafCbaf1),(),(docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型GIS算法：设共有n个特征函数，Epi表示特征函数fi的模型期望，Ei表示特征函数fi的样本期望。1、初始化：1.n=02、计算特征函数的训练语料样本期望：sum=0,E 1.n=0for each b for each afor each i such that fi(a,b)0 E i+=fi(a,b);sum+=fi(a,b);endfor endforendforfor each i E i=E i/sumendf
43、or3、计算特征函数的模型期望：Ep1.n=0for each b z=0ppppdocin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型 for each asuma=0for each i such that fi(a,b)0 suma+=i*fi(a,b)endforz+=exp(suma)endfor for each afor each i such that fi(a,b)0 Epi+=fi(a,b)*(b)*exp(suma)/zendfor endforendfor4、修正：for each i i+=1/C*ln(Epi/Ei
44、)endfor5、若满足终止,则结束，否则执行第3步终止条件为：达到确定的循环次数(如100次)，或者对数似然(L(p)的变化小到可以忽略时。pdocin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型v 模型参数说明模型参数说明 有关模型参数的意义及说明，参见报告全文3.3.程序实现程序实现程序用Delphi7编写，最大熵词义标注软件实现流程图如下：机器学习部分是生成模型参数文件，包括特征提取和训练参数。训练参数时调用了修改过的OpenNLP MaxEnt项目提供的原java程序。特征提取：根据特征模板进行特征提取，生成用于训练参数的文件.训练
45、参数：根据特征模板进行参数训练，生成参数i的值存文件中。词义标注部分根据选定的特征模板，读取参数i的值，对特定的上下文b，计算属于各类a的概率p(a|b)，选择概率最大的类，用相应的标记进行词义标注。docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型新标注好的语料结果评测训练语料(已标注)可供训练参数的文件特征提取模型参数文件训练参数特征提取上下文特征词义标注机器辅助人工校对评测结果特征筛选选特征模板选特征模板测试语料(未标注)测试语料(已标注)机器学习词义标注docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向
46、汉语词义排歧与标注的语言模型4.4.实验结果实验结果 封闭测试 对2000年1月份的人民日报词义标注语料去除义项标注后，进行了义项标注的测试，对几种特征模板及特征筛选方法的最大熵模型算法和基于统计与规则相结合的词义消歧模型与算法的实验结果与分析如下：docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型表5-1 词义标注封闭测试评测表实验序号所用模型是否对特征筛选及方法特征模板标注结果特征类型窗口大小是否考虑位置不正确总标注数正确率1最大熵不筛选词形整句否275615390.99552最大熵不筛选词形3否5477615390.91103最大熵
47、不筛选词形2否5620615390.90874最大熵筛选频率=2词形整句否1740615390.97175最大熵筛选频率=2词形3否8161615390.86746最大熵筛选互信息0.6词形3否7844615390.87257规纳学习筛选人工词形整句否8888615380.8556docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型词义标注封闭测试评测结果分析：1.实验1的正确率是最高的，选用了最大熵模型，对特征不进行 筛选,特征类型为词形,窗口大小为整句，没有考虑位置特征。2.实验1、2、3除窗口大小不同外实验条件均是相同的，得出的正确率
48、随窗口大小的减小而减小。这说明了随着特征选取的减少,标注结果的正确率就降低。实验4、5也说明了这一点。3.实验4除对特征按频率做了一定的筛选外，与实验1的条件均相同，从正确率来看，对特征的筛选并没有提高标注的正确率，这说明特征筛选方法还不是很好。实验2、5也说明了这一点。docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型词义标注封闭测试评测结果分析：4.实验2、5、6除是否对特征筛选及方法外实验条件均相同，实验2对特征未做筛选，实验5按频率，实验6按互信息对做特征做了一定的筛选，从实验正确率看，两种特征筛选方法没有提高标注的正确率，也说明
49、特征筛选方法还不是很好。5.实验7是按统计和规则相结合的方法进行词义标注的，由于在人工选一些特征时有一定的主观性，对在语料中的特征不一定考虑得很周全，正确率也不是很高。docin/sundae_meng五、面向汉语词义排歧与标注的语言模型五、面向汉语词义排歧与标注的语言模型开放测试 目前，开放测试语料准备不全，有待进一步测试5.小结小结我们的目的：我们的目的：建立面向大规模文本标注的词义标注系统。统计与规则相结合的模型：统计与规则相结合的模型：自动特征提取与统计程序与人的智能相结合,从多种知识源中提取知识,词义消歧的效果是比较好的.最大熵词义消歧模型：最大熵词义消歧模型：采用三种特征选择策略构
50、造24种模板，对词义标注的最大熵模型进行了仔细的剖析，对模型的参数意义及应用方法作了实践性试验与探索，并对语法信息词典中的800多个多义词进行模型参数的计算,可用于大规模语料的标注。docin/sundae_meng内容提要n一、绪 论n二、国内外研究现状分析n三、词语义项的表征及其可计算性n四、基于多知识源的知识提取与融合n五、面向汉语词义排歧与标注的语言模型n六、标注语料的一致性保证与正确性评价n七、面向真实文本的汉语词义标注实验系统的设计与实现n八、结 束 语docin/sundae_meng六、标注语料的一致性保证与正确性评价六、标注语料的一致性保证与正确性评价6.1 标注正确性与一致
