Реферат: Коррекция словарной базы модуля морфологического анализа «РДМА_ИПИИ» - Refy.ru - Сайт рефератов, докладов, сочинений, дипломных и курсовых работ

Коррекция словарной базы модуля морфологического анализа «РДМА_ИПИИ»

Рефераты по информатике и программированию » Коррекция словарной базы модуля морфологического анализа «РДМА_ИПИИ»

 

Г.В. Дорохина, В.А. Акчурин

Введение

Обработку естественно-языковых текстов (ЕЯТ) относят к области искусственного интеллекта. Технологии обработки ЕЯТ нашли своё применение в системах машинного перевода, поисковых системах в сети Интернет, роботах-автоответчиках [1] и т.д.

Одним из первых этапов обработки ЕЯТ является морфологический анализ слов, содержащихся в тексте. В настоящее время средства морфологического анализа русскоязычных текстов являются достаточно развитыми – результаты их оценки представлены в [2], [3].

К настоящему времени ИПИИ разработаны модуль декларативного морфологического анализа слов русского языка «РДМА_ИПИИ» [4] и модуль морфологического анализа без словаря [5]. РДМА_ИПИИ в явном виде хранит парадигмы слов -около 3 млн словоформ, синтезированных по словарю А. А. Зализняка [6].

Оценка применения упомянутых модулей в рамках форума «Оценка методов автоматического анализа текста: морфологические парсеры русского языка» показала, что словарная база РДМА_ИПИИ содержит ряд ошибок, часть из которых связана с неверным заданием морфологической информации (МИ) словоформ – набора грамматических характеристик, присущих словоформе. Источником этих ошибок могли служить поэтапное расширение набора грамматических характеристик, используемых в модуле, а также многочисленные процедуры пополнения и корректировки , ной базы, в ходе совершенствования её наполнения.

Наличие ошибок в словарной базе РДМА_ИПИИ влечет за собой некорректные таты морфологического анализа. Так как словарная база РДМА_ИПИИ явля-источником для наполнения базы данных модуля морфологического анализа без ооваря, ошибки в ней впоследствии распространятся и на результаты бессловарного логического анализа.

В связи с этим актуальной является разработка методик проверки словарных наличие некорректных МИ и методики корректировки словарной'базы.

Объект исследования – словарная база модуля морфологического анализа. Предмет исследования – корректность морфологической информации.

Цель работы – коррекция словарной базы модуля морфологического анализа РДМА_ИПИИ. Для достижения цели поставлены и решены следующие задачи:

- генерация правил выявления некорректных значений МИ на основе теоретических данных и классификация видов ошибок;

- разработка рекомендаций по коррекции словарной базы.

Правила выявления некорректных значений МИ

Для анализа словарной базы на наличие некорректных значений МИ выберем из неё все значения МИ без повторений. В результате количество различных значений МИ составило 1359.

На основе теоретических данных [7], [8] был сформирован набор из 96 правил. Эти правила можно представить в виде двух таблиц. Табл. 1 отражает перечень обязательных и недопустимых грамматических категорий для частей речи. В этой таблице грамматическая категория, обязательная для некоторой части речи, отмечена цифрой «1» на пересечении соответствующего столбца и строки, а недопустимая грамматическая категория для некоторой части речи – цифрой «О».

Пустые ячейки таблицы на пересечении столбца и строки указывают на то, что грамматическая категория не является обязательной для всех словоформ данной части речи, в то же время парадигма слов данной части речи содержит хотя бы одну словоформу, которой присуща указанная грамматическая категория. В табл. 2 представлены правила определения некорректных значений МИ для случаев, соответствующих пустым ячейкам табл. 1.

Таблица 1 – Обязательные и недопустимые категории для частей речи

 

Грамматическая категория

Часть речи

123456789101112
ПадежВремяЛицоСтепень сравненияВид глаголаТип числительногоТип местоименияЗалогЧислоРодВозвратная форма глаголаОдушевленность
1Наречие000 00000000
2Деепричастие010 100000 0
3Причастие 1  10011  0
4Местоимение-прилагательное 00000 0  00
5Глагол0  0100    0
6Местоимение-существительное100000 0  00
7Существительное10000000  0 
8Прилагательное 00 0000  0 
9Числительное10000 00  0 

Для последующей ссылки на правила данной таблицы необходимо каждому из них присвоить некоторый идентификатор.

Правилам табл. 1 присвоим двойной номер. Первая часть будет обозначать часть речи, к которой применяется правило, вторая – номер морфологической категории. Таким образом, правило, запрещающее ненулевое значение категории «Падеж» у глаголов,будем обозначать П5.1.

Таблица 2 – Правила определения некорректных значений МИ

 

Часть речиУсловиеОшибка
ПрилагательноеЧисло = Множественное И Род≠0Определен род во множественном числе прилагательного1
Число = Единственное И Род=0Не определен род в единственном числе прилагательного2
0душевленность=0 И Падеж=В.п. И (Число=Мн. ИЛИ Род=м.р.)Не определена одушевленность3
Одушевленность≠0 И (Падеж≠В.п. ИЛИ Число=Ед. И Род≠м.р.)Определена одушевленность4
Степень сравнения = Сравнительная Степень И Род≠0Определен род в сравнительной степени прилагательного5
Степень сравнения = Сравнительная И Число≠0)Определено число в сравнительной степени прилагательного6
Степень сравнения = Сравнительная И Краткость≠0Определена краткость в сравнительной степени прилагательного7
Степень сравнения = Сравнительная И Падеж≠0Определен падеж в сравнительной степени прилагательного8
Краткая форма И Падеж≠0Определен падеж9
ЧислительноеТип Числительного = Порядковое И Число = Множественное И Род ≠0Определен признак рода10
Тип Числительного = Порядковое И Число = Единственное И Род = 0Не определен признак рода11
Тип Числительного = Порядковое И Число = 0Не определено число12
Падеж=В.п. И 0душевленность=0 И (Число=Мн. ИЛИ Род=м.р.)Не определена одушевленность13
Одушевленность≠0 И (Падеж≠В.п. ИЛИ Число=Ед. И Род≠м.р.)Определена одушевленность14
ГлаголВид глагола = Совершенный И Время = Наст. вр.Настоящее время у глагола совершенного вида15
Вид глагола = Несовершенный И Время = Буд.Будущее время у глагола несовершенного вида16
Наклонение = Повелительное И Время≠0Определено время в повелительном наклонении глагола17
Лицо≠0 И Род≠0Не заданы лицо и род глагола18
Лицо = 0 И (Время = Наст. вр. ИЛИ Время = Буд. ИЛИ Наклонение = Повелительное)Не определено лицо19
Время = Прош. вр. И Род = 0Не определен род20
Переходи. = Непереходный И Залог = СтрадательныйНеверный залог21
Форма глаг. = Возвратная И Залог = СтрадательныйНеверный залог22
ПричастиеЗалог = 0Не определен залог23
Непереходный И Залог = СтрадательныйНеверный залог причастия24
Вид=Совершенный И Время≠Прош.вр.Неверное время25
Число=ед. И Род=0Не определен род26
Число=мн. И Род≠0Определен род27
Число=0Не определено число28
НЕ Краткая форма И Падеж=0Не определен падеж29
Краткая форма И Падеж≠0Определен падеж30

В табл. 2 знаки равенство нулю («=0») значения некоторой грамматической категории обозначает, что эта категория не определена в анализируемой МИ, а неравенство нулю («^0») говорит об определенности категории в анализируемой МИ. Ссылки на правила табл. 2 будем делать по их порядковому номеру (4-й столбец). Например, П28.

С применением описанных выше правил (табл. 1,2) проведена проверка словарной базы РДМА_ИПИИ на наличие некорректных МИ. В результате было выявлено 211 значений МИ и около 44 500 словоформ, требующих корректировки.

Корректировка словарной базы РДМА_ИПИИ

Внесение автоматических изменений в словарную базу может явиться источником новых ошибок. В связи с этим идеология модуля РДМА_ИПИИ требует проверки человеком запланированных изменений.

Так как количество записей, отнесённых к ошибочным, исчисляется десятками тысяч, необходимо автоматизировать процесс классификации некорректных МИ и формирования рекомендаций по корректировке словарной базы. При этом будем использовать следующую методику.

1. Упорядочим таблицу некорректных МИ по убыванию количества словоформ с данной МИ. Назовём её Исходной таблицей МИ. Таблицу словоформ с ошибочными МИ назовём Таблицей словоформ.

2. Скопируем эту таблицу в таблицу, которую назовём Остатком некорректных МИ.

3. Выберем из таблиц 1, 2 правило, согласно которому . первый элемент Остатка некорректных МИ является некорректным.

4. Из Исходной таблицы выберем все записи, удовлетворяющие выбранному правилу. Сформулируем рекомендации по коррекции ошибки. Из Таблицы словоформ выберем все записи с данной ошибкой и убедимся, что применение рекомендации по коррекции ошибки устранит ошибку и не приведёт к появлению новых.

5. Добавим правило к Множеству применённых правил.

6. Сформируем Остаток некорректных МИ путём выбора из Исходной таблицы запи- 1 сей, которые не удовлетворяют ни одному из Множества применённых правил.

7. Если Остаток некорректных МИ не пуст и для его первого элемента количество словоформ с данной МИ больше порогового, перейти на шаг 3.

Таблица 3 – Корректировка словарной базы

 

ПравилоКоличество словоформРекомендация
П9, ПЗО38 468Заменить значение категории падежа на неопределенное.
П1,П104 794Заменить значение категории рода на неопределенное.
П24899

Набор словоформ разделен по леммам – получено 27 лемм. Из них:

- 8 являются исключениями из правила и корректировке не подлежат;

- для 1 ошибочно построены страдательные формы причастия (словоформы подлежат удалению);

- в 18 ошибочно отнесены к непереходным (заменить значение категории переходности на «переходный»).

П13123Заменить значение категории одушевленности на «неодушевленное».
П1442Заменить значение категории одушевленности на неопределенное.
П7.11120Данная группа содержит словоформы существительных группы plura-lia tantum («имеющие только множественное число»). Часть словоформ этой группы определены как имеющие единственное число (подлежат удалению). Для остальных обнулить в МИ признак возвратной формы глагола.
П2344Данная группа содержит причастия от леммы «врезать», с которой словарная база работает некорректно.

Результаты применения данной методики отражены в табл. 3, где также указан порядок применения правил и рекомендации по исправлению ошибок. Данные рекомендации позволяют исправить выявленные ошибки.

Выводы

Научная новизна данной работы состоит в следующем.

1. На основе теоретических сведений сгенерированы правила выявления некорректных значений морфологической информации.

2. Разработана методика корректировки словарной базы модуля морфологического анализа.

Практическая значимость работы состоит в применимости сгенерированных правил и методики для выявления, анализа и исправления ошибок в МИ словарных баз систем обработки русскоязычных текстов на морфологическом уровне.

Список литературы

1. Антонов А. Диалог 2 роботов о всякой ерунде [Электронный ресурс] / Антонов А. – Режим доступа: roboter/news/arch_spri_08/dialog_08_04_l8.htm

2. Оценка методов автоматического анализа текста: морфологические парсеры русского языка [Электронный ресурс] / О. Ляшевская, И. Астафьева, А. Бонч-Осмоловская [и др.] // Компьютерная лингвистика и интеллектуальные технологии: материалы ежегодной Международной конференции «Диалог» (Бекасово, 26 – 30 мая 2010 г.). – Вып. 9 (16). – М.: РГГУ, 2010. – Режим доступа: ru-eval/Dialog2010.pdf

3. Форум «Оценка методов автоматического анализа текста: морфологические парсеры русского языка»: Таблицы оценок 2010 [Электронный ресурс]. – Режим доступа: ru-eval/tables_index.html

4. Дорохина Г.В. Модуль морфологического анализа слов русского языка / Г.В. Дорохина, А.П. Пав-люкова // Искусственный интеллект. – 2004. – № 3. – С. 636–642.

5. Дорохина Г.В. Модуль морфологического анализа без словаря слов русского языка / Г.В. Дорохина, В.Ю. Трунов, Е.В. Шилова // Искусственный интеллект. – 2010. – № 2. – С. 32–36.

6. Зализняк А.А. Грамматический словарь русского языка: словоизменение, около 100 000 слов / А.А. Зализняк. – М.: Русский язык, 1977. – 880 с.

7. Литневская Е. И. Морфология // Русский язык: краткий теоретический курс для школьников [Электронный ресурс] / Е.И. Литневская. – Режим доступа: gramota/book/litnevskaya.php7part4.htrn

8. Розенталь Д.Э. Справочник по правописанию, произношению, литературному редактированию / Розенталь Д.Э., Джанджакова Е.В., Кабанова П.П. – [2-е изд., дополнен.]. – М.: ЧеРо, 1998. – 400 с.