詞的內(nèi)部結(jié)構(gòu)分析.pdf

1、詞法分析是自然語言處理中最基礎(chǔ)、最關(guān)鍵的步驟。在中文信息處理領(lǐng)域,詞法分析的一般做法是通過分詞給詞和短語劃定邊界,從而使?jié)h語的后續(xù)處理過程跟英語等西方語言基本一致。然而,漢語中詞與短語之間的界限比較模糊,許多情況下,某些語言單位就連語言學(xué)家也很難確定是語素、詞還是短語。這導(dǎo)致實(shí)踐中人工標(biāo)注的分詞語料存在嚴(yán)重的不一致性,而這種不一致性無疑會(huì)制約漢語的后續(xù)處理工作。分詞語料的不一致性不僅體現(xiàn)在不同語料庫間分詞標(biāo)準(zhǔn)不同,而且同一語料庫中的分詞

2、標(biāo)準(zhǔn)也存在不一致。此外,不同的自然語言處理應(yīng)用對詞的粒度大小也有不同的需求,單一的分詞標(biāo)準(zhǔn)難以滿足各種要求。因此,針對目前中文分詞的不足和實(shí)際應(yīng)用的需要,本文給出了一種與傳統(tǒng)分詞不同的詞法分析選擇,即分析詞的內(nèi)部結(jié)構(gòu)。相比于傳統(tǒng)的分詞,分析詞的內(nèi)部結(jié)構(gòu)能夠同時(shí)獲得詞的邊界和內(nèi)部結(jié)構(gòu)信息,它更加符合漢語詞法與句法邊界模糊的事實(shí),解決了語料庫標(biāo)準(zhǔn)不一致問題并滿足了不同應(yīng)用的需求。本文針對詞的內(nèi)部結(jié)構(gòu)分析方法的研究,開展了以下幾個(gè)方面的研究工

3、作:
　　本研究首先闡述了詞內(nèi)部結(jié)構(gòu)分析詳細(xì)的任務(wù)定義,并嚴(yán)格按照任務(wù)定義標(biāo)注了PKU1998年1月的《人民日報(bào)》語料,將該語料的80％作為訓(xùn)練語料,剩余的20％作為測試語料進(jìn)行研究。此外,由于還沒有在PKU語料上進(jìn)行詞內(nèi)部結(jié)構(gòu)分析的相關(guān)研究,所以沒有現(xiàn)成的評測工具可以使用。本文借鑒了句法分析的評測方法,設(shè)計(jì)了一套適合評測詞的內(nèi)部結(jié)構(gòu)分析結(jié)果的方法。其次,提出了一種基于層疊CRF模型的詞結(jié)構(gòu)分析方法。該方法包括底層模型和高層模型兩

4、部分。底層模型是在識別詞的內(nèi)部結(jié)構(gòu)之前,對漢字序列進(jìn)行細(xì)粒度分詞。高層模型是對經(jīng)細(xì)粒度分詞后的詞序列使用CRF模型來識別詞的內(nèi)部結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果表明,該方法對詞結(jié)構(gòu)的識別取得了較高的準(zhǔn)確率,總體性能達(dá)到了實(shí)用水平。最后,提出了一種利用擴(kuò)展標(biāo)記集來實(shí)現(xiàn)詞結(jié)構(gòu)分析的方法。核心思想是將詞結(jié)構(gòu)中的前綴和后綴作為特殊詞位來識別,通過識別前后綴來識別詞的內(nèi)部結(jié)構(gòu)。與基于層疊CRF模型的詞結(jié)構(gòu)分析方法相比,該方法克服了細(xì)粒度分詞所帶來的錯(cuò)誤傳遞。實(shí)驗(yàn)證