WEDT Lingwistyka

WUTTWG

2005

WEDT

Lingwistyka

Wykład 5

Piotr [email protected]

2005

WUTTWG

2005Lingwistyka

• Sposób opisu języka• Gramatyka – zbiór reguł opisujących formy słów

i ich współwystępowanie dopuszczalne w danym języku

• Gramatyka klasyczna• Przeznaczona dla ludzi (najlepiej znających dany język)• Reguły zwykle oparte na przykładach, także wyjątki od

reguł• Zwykle nie jest sformalizowana, nie istnieją narzędzia

(matematyczne, IT) które ją rozumieją

• Gramatyki formalne• (CFG, LFG, GPSG, HPSG, ...)• Opis formalny• Sprawdzalne na danych (korpusach tekstowych)

WUTTWG

2005Opis języka

• Poziomy opisu języka• Fonetyka• Fonologia• Morfologia• Składnia• Semantyka• Pragmatyka

• Każdy z poziomów możemy interpretować jako filtr, posiadający wejście (od poziomu niższego) i wyjście (do poziomu wyższego)• Oczywiście nie zawsze interesuje nas przejście od

fonetyki do pragmatyki

WUTTWG

2005Fonetyka, fonologia• Wejście

• Sygnał mowy

• Wyjście• Ciąg głosek• Ciąg liter

• Problemy• Głos każdego człowieka daje nieco inny sygnał,

wydzielenie sygnału mowy z szumu (który może zawierać inne rozmowy), intonacja itp.;

• Klasyfikacja głosek – samogłoski, spółgłoski;• W wielu językach - trudna reprezentacja tekstowa

głosek – np. AU ~ b[oo]k -> pronunciation dictionary (PRONLEX, CMUdict, CELEX ...);

• Błędy w wypowiedzi, gwary języka itp.• Konieczność określenia przerw pomiędzy

wyrazami.

WUTTWG

2005Morfologia• Wejście

• Sekwencja głosek (tekst)

• Wyjście• Sekwencja oznakowanych morfemów• Morfem – niepodzielna część znaczeniowa wyrazu

• wyrazy niepodzielne – brat, koń, noc• składające się z wielu morfemów – koń-ik, dzien-n-y,

prze-pis-a-ć

• Rodzina wyrazów – zbiór wyrazów pokrewnych ze względu na podobieństwo postaci lub podobieństwo podstawowego znaczenia

• Morfemy główne – rdzenie wyrazów (root form)• prac-; stróż-; ucz-;

• Morfemy poboczne• Słowotwórcze – przedrostki i przyrostki• Fleksyjne – służące do reprezentacji odmiany słowa

• Leksem – oznaczenie wszystkich form fleksyjnych danego słowa, słowo w potocznym sensie

WUTTWG

2005MorfologiaTo co zwykle chcemy uzyskać to informacja, jaką część mowy stanowi

dany wyraz

Czy wystarczy posłużyć się słownikiem (lexicon)? - Taki słownik musiałby być bardzo duży, szczególnie dla języków fleksyjnych!

W języku mamy do czynienia z procesem morfologicznym, który tworzy nam nowe słowa i nowe formy słów

Proces morfologiczny• Słowotwórstwo

• Wyprowadzanie słów pochodnych ze słów podstawowych (derivation) np.• rzeczownik->rzeczownik: nauczyciel – nauczycielka• przymiotnik->przysłówek: wide – widely• czasownik->rzeczownik: kłamać – kłamca• ...

Część wspólna obu wyrazów – pień, pozostała część wyrazu pochodnego - formant

• Tworzenie słów złożonych (compounding) np.• tea kettle, disk drive, downmarket, overtake, ...• cichobieżny, naprzeciwległy, rakotwórczy, ...

• Fleksja – nadanie znaczenia rdzeniu wyrazu za pomocą przyrostków i przedrostków zmieniająca liczbę, rodzaj, przypadek (w tych językach w których występują przypadki) itd. ale nie zmieniająca części mowy np.

• dog->dog-s, chodz-ić->chodz-ę

Może zmieniać część mowy

WUTTWG

2005Fleksja

• Jak łatwo się domyślać angielska fleksja jest bardzo prosta...• rzeczowniki – liczba mnoga, possesive• czasowniki – w zależności od używanego czasu

• ale...• Niektóre słowa są nieregularne np.

• regularne• Walk, walks, walking, walked, walked

• nieregularne• Eat, eats, eating, ate, eaten• Catch, catches, catching, caught, caught• Cut, cuts, cutting, cut, cut

• także rzeczowniki: mouse/mice, goose/geese, ox/oxen

Powyższe problemy komplikują zastosowania takie jak wyszukiwanie informacji – nie można zastosować zwykłego dopasowywania wzorców ani wyrażeń regularnych.

WUTTWG

2005Stemming

• Jednym z rozwiązań jest stemming – automatyczne odnajdywanie rdzeni lub pni wyrazów

• Większość stemmerów nie zapewnia tego, iż tworzone przez nich ciągi liter to rzeczywiście rdzenie – nie jest to jednak istotne, tak długo jak dla wszystkich wyrazów należących do danego leksemu otrzymujemy taki sam rdzeń

• Zastosowanie w IR• 1. Zamiana wszystkich wyrazów w bazie danych na rdzenie

(preprocessing)• 2. Zamiana wyrazów w zapytaniu użytkownika na rdzenie

(podczas wyszukiwania)• 3. Poszukiwanie ciągu znaków w bazie danych

Z punktu widzenia IT stemming to funkcja mieszająca (hash function)

Dodatkowo uzyskujemy zmniejszenie rozmiaru indeksu

for example compressed and compression are both accepted as equivalent to compress

for exampl compres andcompres are both acceptas equival to compres

WUTTWG

2005StemmeryOgólny podział

• Stemmery specjalizowane do zastosowań lingwistycznych (generowane rdzenie powinny rzeczywiście odpowiadać rdzeniom w rozumieniu lingwistyki, szybkość działania nie jest bardzo istotna)

• Stemmery specjalizowane do zastosowań IR (information retrieval)

Pierwszy skuteczny algorytm dla angielskiego - Lovin’s stemmer (1968) – stemmer jednoprzebiegowy, wykorzystujący tablicę 250 możliwych podstawień końcówek oraz dodatkowy etap postprocessingu – był projektowany jako uniwersalny

Obecnie najpopularniejszy stemmer – Porter’s stemmer, specjalizowany dla IR, wieloprzebiegowy, nie generuje poprawnych językowo rdzeni

Inne – Krovets (1993) – trójprzebiegowy stemmer wyłącznie fleksyjny, Dawson (1974) – poprawiona wersja stemmera Lovins, zawiera tablicę 1200 podstawień, Paice/Husk (1990) – stemmer oparty na dopasowywaniu reguł, nie ma ograniczenia na liczbę kroków podstawień

WUTTWG

2005Stemmer Portera• Zaproponowany przez Martina Portera w 1980 r.• Oparty na serii przekształceń dokonujących kolejnych podstawień

ciągów znaków (styl podobny do ELIZY)GENERALIZATIONS GENERALIZATIONGENERALIZEGENERALGENER

• Oznaczenia• C = ciąg spółgłosek (spółgłoska - nie A E I O U lub (Y poprzedzone C)• V = ciąg samogłosek• M = przybliżona miara liczby sylab

gdzie słowa składają się z: (C)*(V*C*)M(V)* np. M=0 TR, EE, TREE, Y, BY M=1 TROUBLE, OATS, TREES, IVY M=2 TROUBLES, PRIVATE, OATEN, ORRERY

• warunki• *S - rdzeń kończy się na S• *v* - rdzeń zawiera V• *d - rdzeń kończy się na dwóch spółgłoskach C, np. -TT, -SS • *o - rdzeń kończy się na CVC, gdzie ostatnie C to nie W, X lub Y, np. -WIL,

HOP

WUTTWG

2005Stemmer PorteraKrok 1: Liczba mnoga rzeczowników i trzecia osoba liczby pojedynczej

czasownikówSSES SS caresses caress

IES I ponies poni

ties ti

SS SS caress caress

S cats cat

Krok 2a: Czas przeszły i strona bierna(M>0) EED EE feed feed, agreed agree

i (*v*) ED plastered plaster, bled bled

ii (*v*) ING motoring motor, sing sing

Krok 2b: postprocessing po 2a jeśli użyto i lub ii AT ATE conflat(ed) conflate

BL BLE troubl(ed) trouble

IZ IZE siz(ed) size

(*d && !(*L || *S || *Z)) hopp(ing) hop, tann(ed) tan

pojedyncza litera hiss(ing) hiss, fizz(ed) fizz

(M=1 && *o) E fail(ing) fail, fil(ing) file

*S = kończy się na <S>

*v* = zawiera V

*d = kończy się na podwójnym C

*o = kończy się na CVC gdzie drugie C != W, X, Y

WUTTWG

2005Stemmer PorteraKrok 3: Y I

(*v*) Y I happy happi

sky sky

Krok 4: Słowotwórstwo (m>0) ATIONAL -> ATE relational -> relate

(m>0) TIONAL -> TION conditional -> condition

rational -> rational

(m>0) ENCI -> ENCE valenci -> valence

(m>0) ANCI -> ANCE hesitanci -> hesitance

(m>0) IZER -> IZE digitizer -> digitize

(m>0) ABLI -> ABLE conformabli -> conformable

(m>0) ALLI -> AL radicalli -> radical

(m>0) ENTLI -> ENT differentli -> different

(m>0) ELI -> E vileli - > vile

(m>0) OUSLI -> OUS analogousli -> analogous

(m>0) IZATION -> IZE vietnamization -> vietnamize

(m>0) ATION -> ATE predication -> predicate

(m>0) ATOR -> ATE operator -> operate

(m>0) ALISM -> AL feudalism -> feudal

(m>0) IVENESS -> IVE decisiveness -> decisive

(m>0) FULNESS -> FUL hopefulness -> hopeful

(m>0) OUSNESS -> OUS callousness -> callous

(m>0) ALITI -> AL formaliti -> formal

(m>0) IVITI -> IVE sensitiviti -> sensitive

(m>0) BILITI -> BLE sensibiliti -> sensible


*v* = zawiera V



WUTTWG

2005Stemmer PorteraStep 5: Słowotwórstwo cd. (m>0) ICATE -> IC triplicate -> triplic (m>0) ATIVE -> formative -> form (m>0) ALIZE -> AL formalize -> formal (m>0) ICITI -> IC electriciti -> electric (m>0) ICAL -> IC electrical -> electric (m>0) FUL -> hopeful -> hope (m>0) NESS -> goodness -> good

Step 6: Słowotwórstwo cd. – pojedyncze przyrostki (m>1) AL -> revival -> reviv (m>1) ANCE -> allowance -> allow (m>1) ENCE -> inference -> infer (m>1) ER -> airliner -> airlin (m>1) IC -> gyroscopic -> gyroscop (m>1) ABLE -> adjustable -> adjust (m>1) IBLE -> defensible -> defens (m>1) ANT -> irritant -> irrit (m>1) EMENT -> replacement -> replac (m>1) MENT -> adjustment -> adjust (m>1) ENT -> dependent -> depend (m>1 and (*S or *T)) ION -> adoption -> adopt (m>1) OU -> homologou -> homolog (m>1) ISM -> communism -> commun (m>1) ATE -> activate -> activ (m>1) ITI -> angulariti -> angular (m>1) OUS -> homologous -> homolog (m>1) IVE -> effective -> effect (m>1) IZE -> bowdlerize -> bowdler


*v* = zawiera V



WUTTWG

2005Stemmer PorteraStep 7a: Postprocessing (m>1) E probate probat

rate rate

(m=1 and not *o) E cease ceas

Step 7b: Postprocessing cd.

(m > 1 and *d and *L) controll control

single letter roll roll


*v* = zawiera V



• wear wear• wearable wearabl• wearer wearer• wearied weari• wearier wearier• weariest weariest• wearily wearili• weariness weari• wearing wear• wearisome wearisom• wearisomely wearisom• wears wear• weather weather• weathercock weathercock• weathercocks weathercock

• web web• Webb webb• Webber webber• webs web• Webster webster• Websterville webstervil• wedded wedd• wedding wedd• weddings wedd• wedge wedg• wedged wedg• wedges wedg• wedging wedg

WUTTWG

2005Stemmer PorteraPrzykłady błędów popełnianych przez stemmer Portera

Errors of Omission• European Europe• analysis analyzes• matrices matrix• noise noisy• explain explanation

Errors of Commission• organization organ• generalization generic• numerical numerous• university universe

Aby uniknąć powyższych potrzebna jest już lematyzacja:1. Oznaczenie części mowy2. Normalizacja słowa w zależności od wyniku 1.

Uwaga – stemming wcale niekoniecznie poprawia jakość wyszukiwania dla języka angielskiego, to wciąż sporna kwestia!

WUTTWG

2005SoundexInny przykład funkcji mieszającej dla słów w języku angielskim

• Angielska wymowa jest bardzo trudna, jeśli słowo słyszymy po raz pierwszy (np. nazwisko) to jest bardzo prawdopodobne iż zapiszemy je nieprawidłowo

• Soundex - Robert Rusell, Margarett Odell (1918) mapuje różne podobnie brzmiące formy słów do jednego kodu alfanumerycznego

• Wykorzystywany w bazach danych do zapisu nazwisk i nazw własnych; może być także użyteczny jako substytut stemmerów w IR

1. Zachowujemy pierwszą literę ciągu2. Usuwamy kolejne samogłoski oraz, h, w i y3. Zastępujemy pozostałe litery cyframi:

• b, f, p, v = 1• c, g, j, k, q, s, x, z = 2• d, t = 3• l = 4• m, n = 5• r = 6

4. Jeśli dwie (lub więcej) liter kodowanych tą samą cyfrą występowało obok siebie w oryginalnej nazwie (także jeśli były przedzielone h lub w) – pozostawiamy tylko jedną cyfrę

5. Wykorzystujemy tylko cztery pierwsze otrzymane znaki

Działanie:Robert, Rupert -> R163Rubin -> R150

Ulepszona wersja – Methaphone, Double Methaphone – Lawrence Philips

WUTTWG

2005Błędy ortograficzne

Tekst, który analizujemy w NLP nie jest zwykle generowany przez maszynę (natural language) – może zawierać błędy

Błędy ortograficzne – zwykle drobne• 80% wszystkich błędów ortograficznych dotyczy

pojedynczej litery (Damerau, 1964)• Wstawienie (insertion) – the -> ther• Skasowanie (deletion) – the -> th• Podstawienie (substitution) – the -> thw• Transpozycja (transposition) – the -> hte

• Wiele zależy od źródła danych – wpływ układu klawiatury gdy tekst wpisywany ręcznie, wpływ wyglądu liter gdy OCR

Rodzaje błędów• Non-words: giraffe -> graffe• Isolated errors: bez kontekstu• Real-words: piece of cake -> peace of cake

Tu można użyć słownika

WUTTWG

2005Błędy ortograficzne cd.Poprawianie słów

Metody probabilistyczne (np. Bayesowska):t – błędny (obserwowany) wyraz, c – poprawiony wyraz

P(c) – prawdopodobieństwo wystąpienia słowaC(c) – liczba wystąpień słowa w korpusie, N – liczba słów w korpusie, V – wielkość słownika

Kernighan approach – przyjmujemy, że błąd został popełniony tylko przez jedną operację

Przykład – słowo acress

c)P(c)|P(targmaxt)|P(cargmaxcVcVc

ˆ

V21

N

21

C(c)P(c)

Dodajemy ½ do wszystkich tych słów których nie zaobserwowaliśmy w korpusie – smoothing, w tym przypadku metodą Jeffreys-Parks

Bład Poprawny wyraz

Poprawna litera

Błędne litery

Pozycja Operacja

acress actress t - 2 skasowanie

acress cress - a 0 wstawienie

acress caress ca ac 0 transpozycja

acress access c r 2 substytucja

WUTTWG

2005Błędy ortograficzne cd.

P(c) – potrzebujemy jakichś danych tekstowych, np. dla korpusu AP (Church, Gale 1991) mamy:

N ~ 44 miliony, V ~ 400 tysięcy

P(t|c) – tego nie możemy dokładnie obliczyć (zależy od tego kto pisał tekst, czy był zmęczony, co wypił itd.) ale możemy estymować, większość czynników wpływających na błędy jest bowiem niezależna od człowieka (np. zamiany liter takich jak m i n)

Estymacja na podstawie obserwacji „zachowania” liter w tekstach wpisywanych ręcznie

c)P(c)|P(targmaxt)|P(cargmaxcVcVc

ˆV

21

N

21

C(c)P(c)

c C(c) P(c)

actress 1343 0.0000315

cress 0 0.000000014

caress 4 0.0000001

access 2280 0.000058

across 8436 0.00019

WUTTWG


Potrzebujemy zatem dużego korpusu tekstów z błędami na podstawie którego tworzymy (automatycznie – algorytm EM, lub ręcznie) macierz błędów (confusion matrix) dla zamian poszczególnych liter:

Takie macierze można utworzyć dla każdej z czterech operacji: del[x,y] (xy->x), ins[x,y] (x->xy), sub[x,y] (x->y), trans[x,y] (xy->yx)

Wtedy (chars[x,y], chars[x] – liczba wystąpień xy i x w korpusie, cp- p-ta litera w wyrazie c):

a b ... z

b - ... [b,z]

... ... - ...

z [z,b]

... -

Liczba zamian litery b na literę z

Liczba zamian litery z na literę b

],[

],[

1

1

pp

pp

ccchars

ccdel

],[

],[

1

1

pp

pp

ccchars

ccdel

][

],[

1

1

p

pp

cchars

tcins

][

],[

p

pp

cchars

ctsubp(t|c)

c P(c) P(t|c) ~norm(P(t|c)P(c))

actress 0.0000315 0.000117 37%

cress 0.000000014

0.00000144 0%

caress 0.0000001 0.00000164 0%

access 0.000058 0.000000209 0%

across 0.00019 0.0000093 18%

WUTTWG


Metoda Kernighana nie bierze pod uwagę:

• kontekstu słowa – tu należy posłużyć się łańcuchami Markowa i reprezentacją n-gramową tekstu

• możliwości wystąpienia więcej niż jednej pomyłki – tu można wzbogacić algorytm poprzez określenie odległości edycyjnej pomiędzy ciągami znaków np.

intention del[i,n]ntention sub[n,e]etention sub[t,x]exention ins[n,u]exenution sub[n,c]execution

• Gdy każda z operacji del, sub, ins ma taką samą wagę, mówimy o odległości Levenshteina

• Można oczywiście także konstruować bardziej skomplikowane miary

• Obliczenie odległości edycyjnej – za pomocą metod programowania dynamicznego

lev(intention, execution) = 5

WUTTWG

2005Części mowy

• Ligwistyka grupuje słowa w zbiory, według ich podobnego zachowania w zdaniach (składni) i często także według podobieństwa funkcjonalnego

• Nazwy – części mowy (parts of speech – POS), kategorie syntaktyczne itp.

• Najważniejsze klasy • rzeczownik – opis rzeczy (przedmiotów, pojęć itp.)• czasownik – opis działania, akcji• przymiotnik – opis cech rzeczowników

• Test substytucji

...

fat

one is in the corner.sadThe

intelligent

greenprzymiotniki

WUTTWG

2005Części mowy

Słowa mogą należeć do więcej niż jednej klasy, np.sweet – słodki (przymiotnik), sweet – cukierek (rzeczownik)

Zamknięte i otwarte klasy POS• otwarte – duża liczba słów, zmienna zawartość, np.

• przymiotniki• rzeczowniki• czasowniki

• zamknięte – mała liczba słów, ściśle określona funkcja, np.• przyimki• zaimki• określniki• spójniki

Zwykle oznaczane za pomocą znaczników (POS tags), szczególnie popularne znaczniki użyte przy tworzeniu Brown corpus

WUTTWG

2005POS tagsPrzykłady oznaczeń wg. Brown corpus – oczywiście specyficzne dla

języka angielskiego• rzeczowniki (NN)

• nazwy własne (NNP) – United States• adverbial nouns (NR) – home, west, tomorrow• liczba mnoga – NNS, NNPS, NRS - flowers• possesive – NN$, NNS$, NNP$, itd. – Peter’s

• przymiotniki (JJ)• stopień wyższy (JJR) – richer • najwyższy (JJT + JJS) (np. chief, main, top)• liczby ! (CD) – one, two, 60000

• czasowniki (VB)• trzecia osoba lp. (VBZ) – takes• czas przeszły (VBD) – took• present participle (VBG) – taking• past participle (VBN) – taken• modal auxiliaries (MD) – can, may, must, could itd.• specjalne oznaczenia dla form be, have i do (np. past participle have -> had

HVN)

WUTTWG

2005Składnia

• Kolejność słów w zdaniach nie jest bez znaczenia – choć w niektórych językach (angielski) jest istotniejsza niż w innych (polski)

• Języki pozycyjne <-> języki fleksyjne• informacja która w językach fleksyjnych zawarta jest w

odmianie słów, w językach pozycyjnych przekazywana jest w strukturze zdania i kontekście

• Podział wypowiedzi na zdania, zdań na części zdania (constituents):

• I put the bagels in the freezer• I put in the fridge the bagels

the very tall woman

the tall woman

the woman

she

the very short man

the short man

the man

him

saw

WUTTWG

2005Rozbiór zdania

Nieco inny w języku Polskim (podmiot, orzeczenie, dopełnienie, zdania proste i złożone – równorzędnie i podrzędnie) i angielskim

• Noun phrases (NP) np. The homeless man in the park that I tried to help yesterday

• Verb phrases (VP) np. He was trying to keep his temper

• Prepositional phrases (PP) np. with a net• Adjective phrases (AP) np. she is very sure of herself

• Rodzaje zdań• oznajmujące• pytające• rozkazujące

WUTTWG

2005Rozbiór zdania

Zwykle zdanie w języku angielskim ma taką postać:

The young consumers walked to the new storeD DV P NJJN

NP

NPPP

VP

S

JJ

APAP

WUTTWG

2005Rozbiór zdania

Struktura zdania jest rekursywna, tego rodzaju drzewa mogą być generowane przez reguły podstawień (rewrite rules) np:

S -> NP VP

NP -> AT NNS | AT NN | NP PP

VP -> VP PP | VBD | VBD NP

P -> IN NP

AT -> the

NNS -> children | students | mountains

VBD -> slept | ate | saw

IN -> in | of

NN -> cake

S -> NP VP -> AT NNS VBD -> The children sleptS -> NP VP -> AT NNS VBD NP -> AT NNS VBD AT NN -> The children

ate the cake

• Dokonując przekształceń korzystamy tylko z pojedynczych reguł, nie interesuje nas kontekst całego zdania – gramatyka bezkontekstowa (context free grammar, CFG)

lexicon

WUTTWG

2005Rozbiór zdania

S

VPNP

ATThe

NNSchildren

PPVP

VBDate

NP

ATthe

NNcake

INwith

NP

ATa

NNspoon

WUTTWG

2005Rozbiór zdania

Oczywiście istnieją też zdania dla nie istnieje żadne drzewo rozbioru:

*Slept children theTo nie to samo co zdania nie mające (semantycznego) sensu: the cat barked, colorless green ideas sleep furiously

Głowne problemy:• generowanie drzew rozbioru nie jest zadaniem prostym – programowanie dynamiczne• z wielu możliwych drzew rozbioru trzeba wybrać jedno właściwe, najbardziej prawdopodobne –

probabilityczne gramatyki bezkontekstowe (probabilistic context free grammars, PCFG)

S

VPNP

ATThe

NNSchildren

PP

NPVBDate

NP

ATthe

NNcake

INwith

NP

ATa

NNspoon

Documents

WEDT Lingwistyka