NLP--基于规则的自然语言处理方法 （理性方法，传统方法）
1. 概述
- 强调对语言知识的理性整理（知识工程）
- 受计算语言学理论指导
- 基于规则的知识表示和推导（符号计算）
- 语言处理规则（数据）与程序分离，程序体现为规则语言的解释器！
2. 词法分析
形态还原（针对英语、德语、法语等）
- 把句子中的词还原成它们的基本词形。
词性标注
- 为句子中的词标上预定义类别集合（标注集）中的类。
命名实体识别
- 人名
- 地名
- 机构名
分词（针对汉语、日语等）
- 识别出句子中的词。
2.1形态还原（英语）
把句子中的词还原成原形，作为词的其它信息（词典、个性规则）的索引。
构词特点
- 屈折变化：词尾和词形变化，词性不变。如：
study, studied,studied,studying
speak,spoke,spoken,speaking
- 派生变化：加前缀和后缀，词性发生变化。如：
friend,friendly,friendship,...
- 复合变化：多个单词以某种方式组合成一个词。
还原规则
-
通用规则：变化有规律
-
个性规则：变化无规律
2.1.1 形态还原规则举例
英语“规则动词”还原
-
*s -> * (SINGULAR3) -
*es -> * (SINGULAR3) -
*ies -> *y (SINGULAR3) -
*ing -> * (VING) -
*ing -> *e (VING) -
*ying -> *ie (VING) -
*??ing -> *? (VING) -
*ed -> * (PAST)(VEN) -
*ed -> *e (PAST)(VEN) -
*ied -> *y (PAST)(VEN) -
*??ed -> *? (PAST)(VEN)
英语不规则动词还原
-
went -> go (PAST) -
gone -> go (VEN) -
sat -> sit (PAST) (VEN)
2.1.2 形态还原算法
- 输入一个单词
- 如果词典里有该词，输出该词及其属性，转4，否则，转3
- 如果有该词的还原规则，并且，词典里有还原后的词，则输出还原后的词及其属性，转4，否则，调用<未登录词模块>
- 如果输入中还有单词，转(1)，否则，结束。
Proj. 1 实现一个英语单词还原工具。
（词典：http://nlp.nju.edu.cn/MT_Lecture/dic_ec.rar）
2.2 词性标注
为句子中的词标上预定义类别集合（标注集）中的类（词性），为后续的句法/语义分析提供必要的信息。
标注体系的确定
标注方法
2.2.1 词性标注体系
词的分类
- 按形态和句法功能（句法相关性）
- 按表达的意思（语义相关性）
- 兼顾上述二者
2.2.1.1 英文词的分类
开放类（open class）
- Nouns
句法上：可作物主、可有限定词、有复数形式
语义上：人名、地名和物名
- Verbs
句法上：作谓语、有几种词形变化
语义上：动作、过程（一系列动作）
- Adjectives
句法上：修饰Nouns等
语义上：性质
- Adverbs
句法上：修饰Verbs等
语义上：方向、程度、方式、时间
封闭类（closed class，function words）
- Determiners
- Pronouns
- Prepositions
- Conjunctions
- Auxiliary verbs
- Particles（if、not、…）
- Numerals
2.2.1.2 汉语分词（切分）
词是语言中最小的能独立运用的单位，也是语言信息处理的基本单位。
分词是指根据某个分词规范，把一个“字”串划分成“词”串。
-
问题：难以确定何谓汉语的“词”
1.单字词与语素的界定：猪肉、牛肉
2.词与短语（词组）的界定：黑板、黑布 -
信息处理用现代汉语分词规范：GB-13715（1992）
-
具体应用系统可根据各自的需求制定规范
分词带来的问题
- 丢失信息、错误的分词、不同的分词规范
2.2.1.2.1切分歧义及歧义字段的种类
交集型歧义字段
-
ABC切分成AB/C或A/BC
如：“和平等” “独立/自主/和/平等/独立/的/原则” “讨论/战争/与/和平/等/问题”
组合型歧义字段
-
AB切分成AB或A/B
如：“马上” “他/骑/在/马/上” “马上/过来”
混合型歧义
-
由交集型歧义和组合型歧义嵌套与交叉而成
如：“得到达”（交集型、组合型） “我/今晚/得/到达/南京” “我/得到/达克宁/了 ” “我/得/到/达克宁/公司/去”
伪歧义与真歧义
-
伪歧义字段指在任何情况下只有一种切分
“挨批评”只有一种切分 根据歧义字段本身就能消歧 -
真歧义字段指在不同的情况下有多种切分
“从小学”可以有多种切分：
“从小/学” ，如：“从小/学/电脑” （“从小”是切分成“从小”还是“从/小”要根据分词规范！）
“从/小学”，如：“他/从/小学/毕业/后”
**根据歧义字段的上下文来消歧**
2.2.1.2.2 分词方法
一般通过分词词典和分词规则库进行分词。主要方法有：
正向最大匹配(FMM)或逆向最大匹配(RMM)
-
从左至右(FMM)或从右至左(RMM)，取最长的词
-
“幼儿园 地 节目”或“幼儿 园地 节目”
双向最大匹配
-
分别采用FMM和RMM进行分词
-
如果结果一致，则认为成功；否则，采用消歧规则进行消歧（交集型歧义）：
正向最大、逆向最小匹配
- 发现组合型歧义
逐词遍历匹配
- 在全句中取最长的词，去掉之，对剩下字符串重复该过程
设立切分标记
- 收集词首字和词尾字，把句子分成较小单位，再用某些方法切分
全切分
- 获得所有可能的切分，选择最大可能的切分
2.2.1.2.3 基于规则的歧义字段消歧方法
利用歧义字串、前驱字串和后继字串的句法、语义和语用信息：
-
句法信息
“阵风”：根据前面是否有数词来消歧。“一/阵/风/吹/过/来”、“今天/有/阵风” -
语义信息
“了解”：“他/学会/了/解/数学/难题”（“难题”一般是“解”而不是“了解”，另外，还有“学会”) -
语用信息
“拍卖”：“乒乓球拍卖完了”，要根据场景（上下文）来确定
规则的粒度
-
基于具体的词（个性规则）
-
基于词类、词义类（共性规则）
Proj. 2 实现一个基于词典与规则的汉语自动分词系统。
(词典：)