漢語依存圖庫的構建.pdf

1、計算機自然語言處理需要從線性的句子中獲取詞語之間的語義關系，樹形的句法結構可以推導出句子成分之間主要的語義關系，在自然語言處理中起著重要作用，但隨著近年來語料庫建設規(guī)模的不斷擴大，研究者發(fā)現(xiàn)用投影樹無法完整地描寫句法結構，并且還發(fā)現(xiàn)有相當數(shù)量的非投影樹結構和圖結構。同時由于漢語自身的特點，長期以來，漢語句法分析精度較低，現(xiàn)有的句法分析技術不適合處理漢語中的一些特殊句式（連動句、兼語句、動詞拷貝、長句等），亟需尋找新的技術手段解決這一難題

2、。
　　一些研究者提出了AMR這種基于圖的句子語義表示方法，用來分析英語。本文則嘗試借鑒這一方法來探究基于依存語法對漢語進行句法語義一體化標注（簡稱依存圖標注），進而構建漢語依存圖庫。本文的主要內容如下:
　　第一步，梳理并分析了句法理論和句法結構表示方法的發(fā)展過程，在這個過程中發(fā)現(xiàn)在句法分析和論元分析的過程中經(jīng)常出現(xiàn)了超出樹結構的現(xiàn)象，這是引進圖結構的一個重要原因，然后，進一步統(tǒng)計分析了CoNLL2009評測的中文數(shù)據(jù)，結

3、果表明了根據(jù)樹結構難以推導出所有的語義結構，這就需要探索漢語句子的基于圖的句法語義一體化標注新方案;
　　第二步，基于以上的理論準備，通過實際標注和反復的驗證修改，逐步構建出基于依存圖標注的標記集體系和具體的標注規(guī)范，這也是本研究的創(chuàng)新之處;
　　第三步是實際操作部分，使用第二步確定的標記集和標注規(guī)范對已有的CoNLL2009評測的中文數(shù)據(jù)中的一部分數(shù)據(jù)進行依存圖標注，一共標注了1230句，并記錄了標注過程中遇到的一些問題;

4、
　　第四步則是對第三步的標注結果進行統(tǒng)計和分析，統(tǒng)計發(fā)現(xiàn)在標注好的1230句的語料中形成圖結構的句子有795句，占到語料的64.6％。這部分就主要分析了標注中形成圖結構的一些特殊的語言現(xiàn)象，例如，兼語句、連動句、二價名詞等，對這些特殊句子的處理正是依存圖相對于依存樹的優(yōu)勢所在，也是構建依存圖庫的關鍵所在。
　　本文的創(chuàng)新之處在于，首先是提出用圖結構來表示漢語句法語義分析結果;其次是提出一套新的漢語句法語義一體化標注的標記集