Lõplikel automaatidel põhinev arvutimorfoloogia

Lõplikel automaatidel põhinev arvutimorfoloogia

Heli Uibo

TÜ arvutiteaduse instituut

e-mail: [email protected]

Ettekanne põhinebraamatul:

Kenneth Beesley, Lauri Karttunen “Finite-State Mophology: Xerox Techniques and Tools”

http://www.cis.upenn.edu/~cis639/docs/book.ps

ja artiklil:

Lauri Karttunen “Applications of Finite-State Transducers in Natural-Language Processing” Proceedings of CIAA-2000. Lecture Notes in Computer Science. Springer Verlag.

http://www.xrce.xerox.com/Publications/Attachments/2000-302/fst-in-nlp.pdf

Ülevaade• Arvutimorfoloogia - mis ja milleks?

• Lõplik automaat ja lõplik transduktor

• Ajaloost

• Teoreetilised alused

• Kuidas kirjeldada kogu morfoloogiline süsteem lõplike transduktorite abil?

• Olemasolev tarkvara

• Rakendus: Eesti keele kahetasemeline morfoloogia

Arvutimorfoloogia - mis ja milleks?

Morfoloogia Süntaks Semantika

Loomuliku keele töötluse (NLP) moodulid:

analüüs

genereerimine

Arvutimorfoloogia - mis ja milleks? (2)

Sõnavormid

Morfoloogilised tõlgendused

Morfoloogiline analüsaator/generaator

Näiteidmorfoloogilisest analüüsist

Inglise k.: wrote write+V+PastInd

Saksa k.: schrieb schreiben+V+Ipt+Sg

Rootsi k.: skrev skriva+V+Ipt

Soome k.: kirjoitin kirjoittaa+V+Ind+Ipt+Sg1

Eesti k.: kirjutasin kirjutama+V+Ind+Ipt+Sg1

“I wrote”

Arvutimorfoloogia rakendusi

• õigekirjakontroll

• infootsimine

• info ekstraheerimine

• masintõlge

• kõnetehnoloogia rakendused

• leksikograafi töövahendid

• jne.

Lõplikel automaatidel põhinev arvutimorfoloogia: Ajaloost

“English is not a finite state language.” (Chomsky “Syntactic structures” 1957)

Chomsky hierarhia:

Finite-state

Context- free

Context- sensitive

Turing machine

Ajaloost (2)

Üritati rakendada võimsamaid formalisme: süntaksis fraasistruktuurigrammatikaid (nt. HPSG), morfoloogias ümberkirjutusreegleid (rewrite rules)

AGA: Praktiliselt kasutatavate grammatikate kirjutamine osutus väga keeruliseks.

Ajaloost (3)

- 25 a. tagasi ei olnud üldist, keelest sõltumatut meetodit morfoloogiliseks analüüsiks ja sünteesiks.

- Olemasolevad morfoloogilise analüüsi programmid ei olnud ümberpööratavad sõnavormide genereerimiseks algvormist ja morfoloogilisest infost.

Ajaloost (4)

• Chomsky, Halle (1968) generatiivne fonoloogia kasutas morf. sünteesiks kontekstitundlike ümberkirjutusreeglite järjestikust rakendamist, et teisendada abstraktne fonoloogiline esitus pindesituseks (sõnavormiks) läbi vahepealsete esituste.

• Reeglite üldkuju: x y / z _ w, kus x, y, z, w on suvalise keerukusega

tunnusstruktuurid.

Teoreetilised alused

Lõplike automaatide ja transduktorite kasutatavus arvutimorfoloogias põhineb järgmistel tulemustel:

• D. Johnson, 1972: Fonoloogilised ümberkirjutusreeglid ei ole sisuliselt kontekstitundlikud, vaid neid saab kirjeldada lõplike transduktoritena (finite-state transducer).

• Schützenberger, 1961: Kui kaks lõplikku transduktorit rakendada järjestikku, siis leidub üks lõplik transduktor, mis on nende kahe lõpliku transduktori kompositsioon.

Teoreetilised alused (2)

Kompositsiooni üldistus n transduktorile: saame läbi ilma vaheesitusteta – süvaesitus teisendatakse pindesituseks üheainsa lõpliku transduktori abil!

1980 - tulemus taasavastati Kaplani ja Kay poolt (Xerox PARC)


Süvaesitus Süvaesitus

Pindesitus Pindesitus

”Üks suur reegel” = lõplik transduktor (finite-state transducer e. FST)

Reegel1

Reegel2

Reegeln

………..


• Lõplikel transduktoritel põhineva arvutimorfoloogia põhiväide:

Seos keele sõnavormide ja nende algvormide e. lemmade vahel on kirjeldatav regulaarse relatsioonina.


• Regulaarse relatsiooni saab kirja panna regulaaravaldisena.

• Regulaaravaldise saab kompileerida lõplikuks transduktoriks (FST), mis realiseerib selle relatsiooni arvutuslikult.

• Transduktoris seab mistahes tee algolekust lõppolekusse omavahel vastavusse mingi sõnavormi (surface form) ja tema lemma+ morfoloogilise info (lexical form).

Näide: tee transduktoris

Kompaktsemalt:

t u B:b a +S:0 0:d +Pl:e 0:s +El:t

t

t

u

u

B

b

a

a

+S

0

0

d

+Pl

e

0

s

+El

t

Sõnastikuesitus:

Pindesitus:

Kuidas kirjeldada kogu morfoloogiline süsteem lõplike transduktorite abil?

Morfoloogias tuleb modelleerida kaks põhilist protsessi:

1. Morfotaktika (kuidas kombineeritakse morfeemidest sõnavormid)

- prefiksid ja sufiksid, liitsõnamoodustus - konkatenatsioon

- reduplikatsioon, infiksatsioon, interdigitatsioon - mittekonkatenatiivsed protsessid


(2)2. Fonoloogilised/ortograafilised alternatsioonid

- assimilatsioon (hind : hinna)

- lisandumine (jooksma : jooksev)

- kadu (number : numbri)

- geminatsioon (tuba : tuppa)

Kõik loetletud morfoloogilised fenomenid on kirjeldatavad regulaaravaldiste abil.


(3)Aga kuidas?Regulaaravaldistes kasutatavad operatsioonid:ühend A | B (nt. Erinevad kontekstid, milles

sümbolipaar võib esineda)konkatenatsioon A B (väga produktiivne

aglutineerivate keelte puhul - liidete, lõppude, prefiksite lisamine, liitsõnamoodustus)

iteratsioon A+ ja Kleene’i tärn A* (reeglid tüüpi “kui sõnas kusagil eespool esineb x, siis…”)

Kuidas kirjeldada kogu morfoloogiline süsteem? (4)

Veel operatsioone regulaarsete relatsioonidega:

• otsekorrutis A .x. B (teine tähistus a:b)

• kompositsioon A .o. B - lõplike transduktorite järjestrakendamine

Tavaliselt koosneb keele morfoloogiakirjeldus kahest eraldiseisvast osast - leksikon-transduktorist ja reeglitekogu-transduktorist.

Lexical FST = lexicon FST .o. rule FST


Xeroxi vahendeid kasutades:

1) Reeglite kompileerimiseks võib kasutada programmi twolc (kahetasemeliste reeglite kompilaator)

või programmi xfst, kui kasutatakse asendusreegleid (replace rules)

2) Programm lexc kompileerib leksikoni leksikon-FST-ks


3) Leksikon ühendatakse reeglitega (saadakse leksikaalne transduktor) transduktorite kompositsiooni kasutades

Kompositsioon on realiseeritud nii lexc-s (compose result) kui xfst-s (compose net).


Nii kahetasemelised kui asendusreeglid on formaalselt regulaaravaldised. Operaatoritega

<=>, <=, => ja tähistatakse keerukaid regulaaravaldisi. Näiteks kahetasemeline reegel a:b => L _ R on samaväärne regulaaravaldisega

[ ~[ [ [ ?* L ] a:b ?* ] | [ ?* a:b ~[ R ?* ] ] ]

Lingvistile on harjumuspärased a b || L _ R tüüpi reeglid, meenutades fonoloogilisi

ümberkirjutusreegleid.

Morfoloogiline analüüs leksikaalses transduktoris

Morfoloogiline analüüs = lookup

Käiakse läbi leksikaalses transduktoris leiduvaid teid, niikaua kui leitakse tee, milles kaarte alumised märgendid annavad kokku analüüsitava sõna. Väljastatakse vastavate kaarte ülemiste märgendite konkatenatsioon. Kui ükski tee ei anna tulemust, ei kuulu sõnavorm transduktori poolt kirjeldatud keelde.

Morfoloogiline süntees leksikaalses transduktoris

Morfoloogiline süntees = lookdown

Käiakse läbi leksikaalses transduktoris leiduvaid teid, niikaua kuni leitakse tee, milles kaarte ülemised märgendid annavad kokku etteantud lemma+morfoloogilised märgendid. Väljastatakse vastavate alumiste märgendite konkatenatsioon.

Lõplikel transduktoritel põhinev arvutimorfoloogia: olemasolev

tarkvaraKommertstarkvara:• Kahetasemelised morfoloogilised analüsaatorid inglise,

saksa, rootsi, soome jt. keelte jaoks (K. Koskenniemi et al)

www.lingsoft.fi

• Xerox Finite-State Calculus (L. Karttunen et al, www.xrce.xerox.com/competencies/content-analysis/fst), võimalik tasuta akadeemiline litsents

• Teragram (E. Roche & Y. Schabes)

www.teragram.com

Lõplikel transduktoritel põhinev arvutimorfoloogia: olemasolev

tarkvara (2)Vabavara:

• AT&T FSM Library - www.research.att.com/sw/tools/fsm

• GertjanVan Noord’s FSA Utils - odur.let.rug.nl/~vannord/FSA/fsa.html

• Jan Daciuk’s finite-state homepage - odur.let.rug.nl/alfa/fsa-stuff/

Eesti keele kahetasemeline morfoloogia

Reeglitega käsitletavad nähtused:– astmevaheldus kägu : käo, hüpata : hüppan– fonotaktika lumi : lumd* lund– morfofonoloogiline distributsioon seis + da seista– ortograafiakirj* kiri, kristall + ne kristalne

Eesti keele kahetasemeline morfoloogia (2)

Leksikonide abil kirjeldatavad nähtused:– käänamine – pööramine – omadussõnade võrdlemine – sõnatuletus– liitsõnamoodustus– tüvelõpumuutused ne-se, 0-da, 0-me jne– tüvevokaali valik a, e, i, u

Appropriate suffixes are added to a stem

according to its inflection type


Lahendamist ootavad probleemid:1) tuletatud sõnade ja liitsõnade ülegenereeriminelahendus: komponeerida leksikaalse transduktoriga

erinevaid filtreid, mis kitsendavad sõnatuletuse ja liitsõnamoodustuse protsesse

2) tüvedesõnastiku mahu suurendamine, sealh. korrektsete sõnastikuesituste genereerimine

Vastav programm sai hiljuti valmis.


3) tundmatute sõnade analüüsi oletamine (sõnad, mis ei ole leksikonis)

võimalik lahendus: Kuna leksikonikirjetes võib kasutada ka regulaaravaldisi, tuleks juurteleksikonidesse sisestada kirjed <Alpha*> koos kõikvõimalike jätkuviitadega.

Documents

Lõplikel automaatidel põhinev arvutimorfoloogia