基于關(guān)系模型的語料庫查詢處理問題研究.pdf

1、隨著信息科學(xué)領(lǐng)域基于統(tǒng)計(jì)的自然語言處理技術(shù)和人文學(xué)科領(lǐng)域描述性語言學(xué)研究的發(fā)展，一些研究機(jī)構(gòu)、企業(yè)和組織甚至個(gè)人都開發(fā)、建設(shè)和積累了大量不同規(guī)模的語料庫。這些語料庫作為寶貴財(cái)產(chǎn)，已經(jīng)成為改善和提高自然語言處理方法效率和質(zhì)量的關(guān)鍵基礎(chǔ)，也為語言分析、語言教學(xué)、翻譯研究和語言學(xué)習(xí)提供重要的數(shù)據(jù)資源和知識(shí)。目前，有關(guān)語料庫的研究領(lǐng)域已經(jīng)形成了一個(gè)獨(dú)立的學(xué)科——語料庫語言學(xué)。如何快速、有效地從語料庫中抽取相關(guān)信息成為語料庫語言學(xué)研究中一個(gè)至關(guān)重

2、要的問題。對(duì)語料庫數(shù)據(jù)建模并研究其上的查詢處理問題，是語料庫中信息抽取技術(shù)的基礎(chǔ)。
　　本文針對(duì)語料庫的數(shù)據(jù)模型、基本查詢問題及查詢處理方法、關(guān)鍵字查詢問題及查詢處理方法、基于語句的語義查詢問題及查詢處理方法和語料庫查詢系統(tǒng)體系結(jié)構(gòu)及原型系統(tǒng)的實(shí)現(xiàn)等幾個(gè)關(guān)鍵問題進(jìn)行了研究，論文的主要研究?jī)?nèi)容如下：
　　首先，使用形式化方法對(duì)語料庫的概念定義進(jìn)行精細(xì)化的重定義。將語料庫的形式化定義與關(guān)系模型相結(jié)合，對(duì)語料庫數(shù)據(jù)建立一種可計(jì)算的

3、D-Corpus邏輯模型。分析并證明了D-Corpus模型的完備性。
　　其次，根據(jù)D-Corpus模型，對(duì)傳統(tǒng)語料庫上以KWIC輸出為中心的語料庫查詢語義進(jìn)行分析，給出語料庫上的基本查詢問題的形式化定義，并分析了這些查詢問題的數(shù)據(jù)復(fù)雜度。根據(jù)這些查詢問題，定義了面向語料庫查詢處理的包括選擇、投影、并、差、笛卡爾積、重命名和遞歸在內(nèi)的代數(shù)操作，并在此基礎(chǔ)上提出了面向語料庫查詢處理的非遞歸算法和遞歸算法，并通過實(shí)驗(yàn)對(duì)算法進(jìn)行了分析和

4、驗(yàn)證。
　　第三，研究面向語料庫的支持遞歸語義的關(guān)鍵字查詢問題及其查詢處理方法。由于面向語料庫的關(guān)鍵字查詢要求解決用戶所提交關(guān)鍵字中存在的遞歸語義，而傳統(tǒng)關(guān)系數(shù)據(jù)庫上的關(guān)鍵字查詢方法中定義的數(shù)據(jù)圖無法回答這種語義。為此，提出了一種描述關(guān)系內(nèi)元組連接關(guān)系的語料庫數(shù)據(jù)圖模型，并將關(guān)鍵字查詢問題轉(zhuǎn)換為圖中搜索分組Steiner樹的問題，給出了數(shù)據(jù)圖上關(guān)于頂點(diǎn)和邊的評(píng)分方法，提出了基于動(dòng)態(tài)規(guī)劃策略的結(jié)果樹枚舉算法，最后通過實(shí)驗(yàn)分析也驗(yàn)證了

5、算法的有效性。
　　第四，提出語料庫上基于語句的語義查詢問題和查詢處理方法。針對(duì)傳統(tǒng)方法的不足，提出一種基于依存語法分析和語義網(wǎng)的語義查詢處理方法。首先，通過考慮語句依存語法樹中的依存關(guān)系集的相似性，提出基于語義網(wǎng)的句子的語義相似度計(jì)算方法。其次，提出一種基于有效依存結(jié)構(gòu)的語句句法結(jié)構(gòu)相似度計(jì)算方法。再次，提出基于綜合考慮語句語義相似度和句法相似度的語句相似度計(jì)算方法。最后，根據(jù)語句相似度的計(jì)算方法提出語料庫上基于語句的語義查詢處