第三章-自然語(yǔ)言的處理(共152張課件)

3.1基本概念1第1頁(yè)，共152頁(yè)。信息的主要載體－語(yǔ)言語(yǔ)言的兩種形式－文字和聲音

文字和聲音作為語(yǔ)言的兩個(gè)不同形式的載體，所承載的信息占整個(gè)信息組成的90％以上。如何讓計(jì)算機(jī)實(shí)現(xiàn)人們希望實(shí)現(xiàn)的語(yǔ)言處理功能？

如何讓計(jì)算機(jī)真正實(shí)現(xiàn)海量的語(yǔ)言信息的自動(dòng)處理和有效利用？2第2頁(yè)，共152頁(yè)。自然語(yǔ)言處理（NaturalLanguageProcessing，簡(jiǎn)稱(chēng)NLP）是利用計(jì)算機(jī)為工具，對(duì)人類(lèi)特有的書(shū)面形式和口頭形式的自然語(yǔ)言的信息進(jìn)行各種類(lèi)型處理和加工的技術(shù)。

——馮志偉《自然語(yǔ)言的計(jì)算機(jī)處理》NLP是用計(jì)算機(jī)通過(guò)可計(jì)算的方法對(duì)自然語(yǔ)言的各級(jí)語(yǔ)言單位（字、詞、語(yǔ)句、篇章等）進(jìn)行轉(zhuǎn)換、傳輸、存儲(chǔ)、分析等加工處理的理論和方法。

3第3頁(yè)，共152頁(yè)。其它名稱(chēng)

自然語(yǔ)言理解(NaturalLanguageUnderstanding)

計(jì)算語(yǔ)言學(xué)(ComputationalLinguistics)現(xiàn)代語(yǔ)言學(xué)的一大分支，它是用計(jì)算機(jī)理解、生成和處理自然語(yǔ)言，即它的研究范圍不僅涵蓋語(yǔ)言信息的處理，還包括語(yǔ)言的理解和生成。4第4頁(yè)，共152頁(yè)。研究語(yǔ)言的目的研究語(yǔ)言的目的為語(yǔ)言構(gòu)造出足夠精細(xì)的計(jì)算模型，以便能夠?qū)懗鲇捎?jì)算機(jī)程序來(lái)完成的涉及自然語(yǔ)言的各種任務(wù)。計(jì)算模型的用途作為科學(xué)研究的目的－可以探索語(yǔ)言交流的本質(zhì)；作為實(shí)用的目的－能夠?qū)崿F(xiàn)有效的人機(jī)通信。終極目標(biāo)能夠給出一些模型，這些模型在完成閱讀、寫(xiě)作、聽(tīng)、說(shuō)等任務(wù)時(shí)能夠接近人的行為。5第5頁(yè)，共152頁(yè)。

不關(guān)注與所使用的特定媒介相關(guān)的問(wèn)題，例如手寫(xiě)輸入、鍵盤(pán)輸入或語(yǔ)音輸入的問(wèn)題。

關(guān)注在詞語(yǔ)識(shí)別完成后理解和使用語(yǔ)言的過(guò)程。

6第6頁(yè)，共152頁(yè)。NLP的20世紀(jì)50年代起步提出機(jī)器翻譯等重要問(wèn)題50年代-60年代采用模式匹配法和文法分析方法對(duì)基于理解和基于統(tǒng)計(jì)方法的討論60年代后期衰落70-80年代采用了面向受限域的深入理解方法80年代后期至今統(tǒng)計(jì)方法占據(jù)主流大規(guī)模語(yǔ)料可用，計(jì)算機(jī)性能大幅提高互聯(lián)網(wǎng)的迅速發(fā)展為NLP提供了實(shí)驗(yàn)數(shù)據(jù)來(lái)源和新的應(yīng)用場(chǎng)景7第7頁(yè)，共152頁(yè)。3.2自然語(yǔ)言處理技術(shù)可以為我們做什么？1、信息檢索?微軟：106,000,000條（8年前2,060,000條）微軟，亞洲研究院：1,060,000條微軟，亞洲研究院，研究方向：116,000條微軟，亞洲研究院，自然語(yǔ)言處理：38,900條?08年7月一萬(wàn)億個(gè)網(wǎng)頁(yè)，每天數(shù)十億增加?獲得的信息只有1％被有效利用8第8頁(yè)，共152頁(yè)?！翱颉庇?jì)算

“框計(jì)算”是年8月18日，百度董事長(zhǎng)兼首席執(zhí)行官李彥宏在百度技術(shù)創(chuàng)新大會(huì)上所提出的全新技術(shù)概念。用戶(hù)只要在“百度框”中輸入服務(wù)需求，系統(tǒng)就能明確識(shí)別這種需求，并將該需求分配給最優(yōu)的內(nèi)容資源或應(yīng)用提供商處理，最終精準(zhǔn)高效地返回給用戶(hù)相匹配的結(jié)果。這種高度智能的互聯(lián)網(wǎng)需求交互模式，以及“最簡(jiǎn)單可依賴(lài)”的信息交互實(shí)現(xiàn)機(jī)制與過(guò)程，稱(chēng)之為“框計(jì)算”。9第9頁(yè)，共152頁(yè)。2、借助于語(yǔ)言信息處理的web智能10第10頁(yè)，共152頁(yè)。11第11頁(yè)，共152頁(yè)。微軟亞洲研究院——人立方12第12頁(yè)，共152頁(yè)。輸入“王菲”得到的人物關(guān)系圖第13頁(yè)，共152頁(yè)。Ex-1:Thespiritiswilling,butthefleshisweak.（心有余，而力不足。）譯：精神是愿意的,但骨肉是微弱的。(Systran，現(xiàn)在已經(jīng)能夠正確翻譯)Ex-2:3、機(jī)器翻譯14第14頁(yè)，共152頁(yè)。在網(wǎng)絡(luò)上輸入“問(wèn)句”，自動(dòng)給出精確地答案。自動(dòng)問(wèn)答系統(tǒng)的結(jié)構(gòu)三個(gè)模塊：提問(wèn)處理模塊（Question-Processing）；文獻(xiàn)處理模塊（Document-Processing）；答案的提取和構(gòu)造模塊（AnswerExtractionandFormulation）?！T志偉4、自動(dòng)問(wèn)答系統(tǒng)15第15頁(yè)，共152頁(yè)。如“給我找出所有有關(guān)在1986年到1990年之間曾經(jīng)嘗試而最終失敗且金額超過(guò)1億美元的收買(mǎi)的文章。”處理方法：1、對(duì)數(shù)據(jù)庫(kù)的每篇文章建立一種表示形式2、這種表示形式能用于后續(xù)的推理5、復(fù)雜的檢索任務(wù)16第16頁(yè)，共152頁(yè)。輸入：美歐貿(mào)易摩擦升級(jí)識(shí)別結(jié)果：美歐貿(mào)易摩擦生機(jī)輸入：新技術(shù)的發(fā)展日新月異識(shí)別結(jié)果：新紀(jì)錄的發(fā)展日新月異6、語(yǔ)音識(shí)別17第17頁(yè)，共152頁(yè)。信息過(guò)濾，信息安全文摘生成問(wèn)答系統(tǒng)，人機(jī)交互語(yǔ)言教學(xué)文字輸入，文字編輯與排版語(yǔ)音翻譯網(wǎng)絡(luò)內(nèi)容管理與知識(shí)發(fā)現(xiàn)…

…

18第18頁(yè)，共152頁(yè)。1.3關(guān)于“理解”的理解

他說(shuō)：“她這個(gè)人真有意思(funny)”。她說(shuō)：“他這個(gè)人怪有意思的(funny)”。于是人們以為他們有了意思(wish)，并讓他向她意思意思(express)。他火了：“我根本沒(méi)有那個(gè)意思(thought)”！她也生氣了：“你們這么說(shuō)是什么意思(intention)”？事后有人說(shuō)：“真有意思(funny)”。也有人說(shuō)：“真沒(méi)意思(nonsense)”。——《生活報(bào)》1994.11.13.第六版19第19頁(yè)，共152頁(yè)。人腦對(duì)語(yǔ)言的理解是一個(gè)復(fù)雜的思維過(guò)程。自然語(yǔ)言理解技術(shù)同多個(gè)學(xué)科有著千絲萬(wàn)縷的關(guān)系。語(yǔ)言學(xué)：研究語(yǔ)言本身的結(jié)構(gòu)語(yǔ)言心理學(xué)：研究人類(lèi)生成和理解語(yǔ)言的過(guò)程邏輯學(xué)：計(jì)算機(jī)科學(xué)人工智能數(shù)學(xué)與統(tǒng)計(jì)學(xué)…

…20第20頁(yè)，共152頁(yè)。一種測(cè)試機(jī)器是不是具備人類(lèi)智能的方法。圖靈測(cè)試21第21頁(yè)，共152頁(yè)。1.4自然語(yǔ)言理解研究的基本問(wèn)題研究的層次——語(yǔ)法學(xué)：研究語(yǔ)句的組成結(jié)構(gòu)，包括詞和短語(yǔ)

在語(yǔ)句中的作用等。為什么一句話(huà)可以這么說(shuō)也可以那么說(shuō)？22第22頁(yè)，共152頁(yè)。研究的層次——語(yǔ)義學(xué)：研究如何從一個(gè)語(yǔ)句中推導(dǎo)詞的意義，以及這些詞在該語(yǔ)句中句法結(jié)構(gòu)中的作用來(lái)推導(dǎo)出該語(yǔ)句的意義。這句話(huà)說(shuō)了什么？(1)今天中午我吃食堂。(2)這個(gè)人真牛。(3)這個(gè)人眼下沒(méi)些什么，那個(gè)人嘴不太好。23第23頁(yè)，共152頁(yè)。研究的層次——語(yǔ)用學(xué)：研究在不同上下文中的語(yǔ)句的應(yīng)用，以及上下文對(duì)語(yǔ)句理解所產(chǎn)生的影響。為什么要說(shuō)這句話(huà)？（1）火，火?。?）A:看看魚(yú)怎么樣了？

B:我剛才翻了一下。24第24頁(yè)，共152頁(yè)。自然語(yǔ)言理解的基本模型第25頁(yè)，共152頁(yè)。漢語(yǔ)的特點(diǎn)：漢語(yǔ)是大字符集（GBK字符集）的意音文字（圖形符號(hào)既代表語(yǔ)素，又代表音節(jié)的文字系統(tǒng)）；漢語(yǔ)詞與詞之間沒(méi)有空格，沒(méi)有形態(tài)變化；漢語(yǔ)的同音詞較多；字形復(fù)雜；漢語(yǔ)的語(yǔ)法研究尚未規(guī)范化；漢語(yǔ)的語(yǔ)言學(xué)知識(shí)的量化與形式化工作滯后。1.5漢語(yǔ)的自然語(yǔ)言理解英語(yǔ)只有26個(gè)字母,中文卻有44908個(gè)漢字(《中華大辭典》)。英語(yǔ)有1500年《牛津英語(yǔ)辭典》收詞40多萬(wàn)條。漢語(yǔ)長(zhǎng)達(dá)六千多年《中華大辭典》收詞六十多萬(wàn)條,比英語(yǔ)多50%。這一特性為漢字的輸入和計(jì)算機(jī)編碼造成了極大的困難。西方語(yǔ)言的形態(tài)對(duì)于計(jì)算機(jī)來(lái)說(shuō)就是標(biāo)記；漢語(yǔ)以字為基本單位，詞之間沒(méi)有明顯的標(biāo)記，需要詞的切分，而分詞本身有一定的錯(cuò)誤率，降低了后續(xù)處理的實(shí)際效果。漢語(yǔ)詞本身沒(méi)有性、數(shù)、格、時(shí)態(tài)變化等形態(tài)標(biāo)志，給語(yǔ)義分析增加了困難。方塊漢字由象形文字演化而來(lái)，漢字字形的信息量較大，給計(jì)算機(jī)的內(nèi)部信息壓縮和文字顯示制造了困難。漢語(yǔ)句子中詞序雖同可能意義迥異；虛詞并非非用不可，特別是在口語(yǔ)里，虛詞更少，因此虛詞只能是解決詞與詞、句與句關(guān)系問(wèn)題的輔助手段；“意合”包含著許多語(yǔ)言環(huán)境、語(yǔ)言背景和語(yǔ)言風(fēng)格知識(shí)以及缺省問(wèn)題，如何全面把握有關(guān)意義的諸項(xiàng)要素，并把它形式化，是最大的難題。26第26頁(yè)，共152頁(yè)。1、交集型切分歧義問(wèn)題乒乓球/拍賣(mài)/完/了乒乓球拍/賣(mài)/完/了/會(huì)通過(guò)對(duì)臺(tái)售武法案美/國(guó)會(huì)/通過(guò)對(duì)臺(tái)售武法案漢語(yǔ)自然語(yǔ)言理解的難點(diǎn)27第27頁(yè)，共152頁(yè)。2、未登錄詞（新詞）問(wèn)題漢語(yǔ)詞典中未列入的詞包括：專(zhuān)有名詞：中文人名、地名、機(jī)構(gòu)名稱(chēng)、外國(guó)譯名、時(shí)間詞重疊詞：高高興興派生詞：一次性用品專(zhuān)業(yè)術(shù)語(yǔ)：互聯(lián)網(wǎng)28第28頁(yè)，共152頁(yè)。3、詞性岐義問(wèn)題多詞性和多詞義是語(yǔ)言的一種普遍現(xiàn)象，漢語(yǔ)這種現(xiàn)象比西方語(yǔ)言嚴(yán)重得多。和

根據(jù)《現(xiàn)代漢語(yǔ)詞典》，可以有五種讀音：he2；he4；hu2；huo2；huo4

六種詞性：名詞、形容詞、連詞、動(dòng)詞、介詞、量詞十六種不同的詞義29第29頁(yè)，共152頁(yè)。4、否定詞和語(yǔ)義上的混亂漢語(yǔ)上的否定詞“不”有時(shí)并不表示否定。相反，反而會(huì)更肯定。如：“可不是”比“可是”更可是。30第30頁(yè)，共152頁(yè)。5、漢語(yǔ)的岐義結(jié)構(gòu)（短語(yǔ)歧義）岐義結(jié)構(gòu)是句子自生固有的，必須在整個(gè)語(yǔ)境環(huán)境下才可能消歧，自動(dòng)消歧是很難的。彩色鉛筆盒子[彩色][鉛筆盒子][彩色鉛筆][盒子]他在看病

他在給別人看病

大夫給他看病31第31頁(yè)，共152頁(yè)。6、漢語(yǔ)的詞義岐義打乒乓球打打毛衣7、語(yǔ)用岐義你真討厭！第32頁(yè)，共152頁(yè)。1.6自然語(yǔ)言處理技術(shù)自然語(yǔ)言處理的過(guò)程33第33頁(yè)，共152頁(yè)。如何描述一種語(yǔ)言？窮舉：給出語(yǔ)言中所有的句子；只適合含有有限多個(gè)句子的語(yǔ)言。文法：給出可以生成語(yǔ)言中所有句子的方法；當(dāng)且僅當(dāng)能夠用該方法產(chǎn)生的句子屬于該語(yǔ)言。自動(dòng)機(jī)：給出識(shí)別該語(yǔ)言中句子的機(jī)械方法；可以檢驗(yàn)輸入句子是否屬于該語(yǔ)言。第34頁(yè)，共152頁(yè)。按技術(shù)路線(xiàn)分為：基于語(yǔ)言學(xué)規(guī)則的語(yǔ)言處理技術(shù)基于統(tǒng)計(jì)的語(yǔ)言處理技術(shù)兩者結(jié)合

第35頁(yè)，共152頁(yè)。1、基于語(yǔ)言學(xué)規(guī)則的語(yǔ)言處理技術(shù)通過(guò)對(duì)語(yǔ)言學(xué)知識(shí)的形式化、形式化規(guī)則的算法化，以及算法實(shí)現(xiàn)等步驟將語(yǔ)言學(xué)知識(shí)轉(zhuǎn)化為計(jì)算機(jī)可以處理的形式。強(qiáng)調(diào)語(yǔ)言學(xué)家對(duì)語(yǔ)言現(xiàn)象的認(rèn)識(shí)。采用非歧義的規(guī)則形式描述或解釋歧義行為或歧義特性。理性主義方法36第36頁(yè)，共152頁(yè)。語(yǔ)言學(xué)家：撰寫(xiě)“規(guī)則庫(kù)”（包括“詞典”）計(jì)算機(jī)學(xué)家：編寫(xiě)算法程序，對(duì)“規(guī)則庫(kù)”進(jìn)行解釋和執(zhí)行。37第37頁(yè)，共152頁(yè)。2、基于統(tǒng)計(jì)的語(yǔ)言處理技術(shù)從大規(guī)模真實(shí)語(yǔ)料庫(kù)中獲得各級(jí)語(yǔ)言單位上的統(tǒng)計(jì)信息，并依據(jù)較低級(jí)語(yǔ)言單位上的統(tǒng)計(jì)信息，用相關(guān)的統(tǒng)計(jì)推理技術(shù)計(jì)算較高級(jí)語(yǔ)言單位上的統(tǒng)計(jì)信息。注重用數(shù)學(xué)方法—概率論與數(shù)理統(tǒng)計(jì)。能從代表自然語(yǔ)言規(guī)律的大規(guī)模真實(shí)文本中發(fā)現(xiàn)知識(shí)，抽取語(yǔ)言現(xiàn)象或統(tǒng)計(jì)規(guī)律（從大量的語(yǔ)言數(shù)據(jù)中獲得語(yǔ)言的知識(shí)結(jié)構(gòu)）。經(jīng)驗(yàn)主義方法38第38頁(yè)，共152頁(yè)。語(yǔ)言學(xué)家：建立“語(yǔ)料庫(kù)”——經(jīng)科學(xué)取樣和加工的大規(guī)模電子文本庫(kù)。存放的是在語(yǔ)言的實(shí)際使用中真實(shí)出現(xiàn)過(guò)的語(yǔ)言材料；

以電子計(jì)算機(jī)為載體承載語(yǔ)言知識(shí)的基礎(chǔ)資源；真實(shí)語(yǔ)料需要經(jīng)過(guò)加工（分析和處理），才能成為有用的資源。計(jì)算機(jī)學(xué)家：建立統(tǒng)計(jì)模型

利用語(yǔ)料庫(kù)訓(xùn)練模型參數(shù)編寫(xiě)算法解決問(wèn)題39第39頁(yè)，共152頁(yè)。二者區(qū)別——研究對(duì)象不同基于規(guī)則的方法主要研究人的語(yǔ)言知識(shí)結(jié)構(gòu)，實(shí)際的語(yǔ)言數(shù)據(jù)只提供了這種內(nèi)在知識(shí)的間接證據(jù)?；诮y(tǒng)計(jì)的方法研究對(duì)象就是實(shí)際的語(yǔ)言數(shù)據(jù)。40第40頁(yè)，共152頁(yè)。二者區(qū)別——理論基礎(chǔ)不同基于規(guī)則的方法是基于喬姆斯基的語(yǔ)言理論的。通過(guò)語(yǔ)言所必須遵守的一系列原則來(lái)描述語(yǔ)言，以此判斷一個(gè)句子是正確的還是錯(cuò)誤的?；诮y(tǒng)計(jì)的方法基于香農(nóng)的信息論。將語(yǔ)言事件賦予概率，作為其可信度，由此來(lái)判斷一個(gè)句子是常見(jiàn)的還是罕見(jiàn)的。41第41頁(yè)，共152頁(yè)。二者區(qū)別——范圍不同基于規(guī)則的方法通過(guò)對(duì)一些特定領(lǐng)域或范圍內(nèi)的語(yǔ)言現(xiàn)象的研究來(lái)得到對(duì)人的語(yǔ)言能力的認(rèn)識(shí)，而這些語(yǔ)言現(xiàn)象在實(shí)際應(yīng)用中可能并不常見(jiàn)?；诮y(tǒng)計(jì)的方法偏重于對(duì)語(yǔ)料庫(kù)中人們實(shí)際使用的普通語(yǔ)言現(xiàn)象的統(tǒng)計(jì)表述。42第42頁(yè)，共152頁(yè)。二者區(qū)別——方法不同基于規(guī)則的方法：符號(hào)處理系統(tǒng)?；诮y(tǒng)計(jì)的方法偏重于對(duì)語(yǔ)料庫(kù)中人們實(shí)際使用的普通語(yǔ)言現(xiàn)象的統(tǒng)計(jì)表述。43第43頁(yè)，共152頁(yè)。1.7基于語(yǔ)言學(xué)規(guī)則的語(yǔ)言處理技術(shù)規(guī)則舉例新詞抽取的常規(guī)規(guī)則：1、If(pos(A)=‘N’AND(pos(B)=‘V’ORpos(B)=‘A’orpos(B)=‘N’ORpos(B)=‘Q’))ThenABisnew

該規(guī)則表示:如果由兩個(gè)詞構(gòu)成的二元組中A為名詞，而B(niǎo)為動(dòng)詞或形容詞或名詞或量詞，則將該二元組做標(biāo)記，認(rèn)為是新詞。2、If(pos(A)=‘V’ANDpos(B)=‘A’)ThenABisnew

例如：減肥，模仿秀第44頁(yè)，共152頁(yè)。分詞結(jié)果中含詞數(shù)最少等價(jià)于在有向圖中搜索最短路徑方法：最小匹配算法分段；逐段統(tǒng)計(jì)最短路徑（dijkstra算法：用于計(jì)算一個(gè)節(jié)點(diǎn)到其他所有節(jié)點(diǎn)的最短路徑）；得到若干分詞結(jié)果：發(fā)展/中/國(guó)家發(fā)展/中國(guó)/家；統(tǒng)計(jì)排歧。最少分詞問(wèn)題45第45頁(yè)，共152頁(yè)。46第46頁(yè)，共152頁(yè)。按處理對(duì)象的不同，可分為：1、字處理技術(shù)2、詞處理技術(shù)詞是自然語(yǔ)言中最小的有意義的構(gòu)成單位，是最基本的研究對(duì)象。詞處理主要包括分詞、詞性標(biāo)注、詞義消歧。3、語(yǔ)句處理技術(shù)4、篇章處理技術(shù)47第47頁(yè)，共152頁(yè)?；谝?guī)則的句法分析理論和方法Chomsky的形式語(yǔ)言理論上下文無(wú)關(guān)文法轉(zhuǎn)移生成文法擴(kuò)充轉(zhuǎn)移網(wǎng)絡(luò)48第48頁(yè)，共152頁(yè)。1、chomsky的形式語(yǔ)言理論第49頁(yè)，共152頁(yè)。第50頁(yè)，共152頁(yè)。第51頁(yè)，共152頁(yè)。第52頁(yè)，共152頁(yè)。用G表示形式語(yǔ)法，G定義為四元組：G=（Vn,Vt,S,P）（1）Vt：終結(jié)符集合。是一個(gè)形式語(yǔ)言的基本符號(hào)。它們能在一個(gè)形式語(yǔ)法的推導(dǎo)規(guī)則的輸入或輸出字符串存在，而且它們不能被分解成更小的單位。一個(gè)語(yǔ)法的規(guī)則不能改變終結(jié)符。下面的語(yǔ)法有兩個(gè)規(guī)則：x→xax→ax在這種語(yǔ)法之中，a是一個(gè)終結(jié)符，因?yàn)闆](méi)有規(guī)則可以把a(bǔ)變成別的符號(hào)。不過(guò)，有兩個(gè)規(guī)則可以把x變成別的符號(hào)，所以x是非終結(jié)符。一個(gè)形式語(yǔ)法所推導(dǎo)的形式語(yǔ)言必須完全由終結(jié)符構(gòu)成。短語(yǔ)結(jié)構(gòu)語(yǔ)法53第53頁(yè)，共152頁(yè)。（2）Vn：非終結(jié)符集合，是可以被取代的符號(hào)，不能處于生成過(guò)程的終點(diǎn)，即在實(shí)際句子中不出現(xiàn)。在上下文無(wú)關(guān)文法中，每個(gè)推導(dǎo)規(guī)則的左邊只能有一個(gè)非終結(jié)符而不能有兩個(gè)以上的非終結(jié)符或終結(jié)符。（3）S：起始符號(hào)。一個(gè)語(yǔ)法中必須有一個(gè)起始符號(hào)，這個(gè)起始符號(hào)屬于非終結(jié)符的集合。（4）P：重寫(xiě)規(guī)則，也叫做產(chǎn)生式規(guī)則集合（產(chǎn)生式的形式是P→a）。54第54頁(yè)，共152頁(yè)。采用短語(yǔ)結(jié)構(gòu)語(yǔ)法對(duì)英語(yǔ)子集語(yǔ)法的描述G=（Vn,Vt,S,P）Vn={S，NP，VP，PP，N，V，Prep，Det}；Vt={the,girl,letter,pencil,write,witha}；S=s；P：S→NPVP..........該規(guī)則表示“句子”由“名詞短語(yǔ)動(dòng)詞短語(yǔ)”組成NP→DetN...........該規(guī)則表示“名詞短語(yǔ)”由“冠詞名詞”組成VP→VPPP...........該規(guī)則表示“動(dòng)詞短語(yǔ)”由“動(dòng)詞短語(yǔ)介詞短語(yǔ)”組成55第55頁(yè)，共152頁(yè)。VP→VNP............該規(guī)則表示“動(dòng)詞短語(yǔ)”由“動(dòng)詞名詞短語(yǔ)”組成PP→PrepNP..........該規(guī)則表示“介詞短語(yǔ)”由“介詞名詞短語(yǔ)”組成Det→the|a...........該規(guī)則表示“冠詞”由the或a組成N→girl|letter|pencil............該規(guī)則表示“名詞”由girl或letter或pencil組成V→write............該規(guī)則表示“動(dòng)詞”由write組成Prep→with.........該規(guī)則表示“介詞”由with組成56第56頁(yè)，共152頁(yè)。在對(duì)一個(gè)句子分析過(guò)程中，如果把分析句子各成分間關(guān)系的推導(dǎo)過(guò)程用樹(shù)形圖表示出來(lái)的話(huà)，那么這種圖稱(chēng)作句法分析樹(shù)。對(duì)句子“thegirlwritestheletterwithapencil”進(jìn)行分析的語(yǔ)法樹(shù)如下：句法分析樹(shù)語(yǔ)法樹(shù)中的葉子結(jié)點(diǎn)即為分析的句子。57第57頁(yè)，共152頁(yè)。例：已知漢語(yǔ)句子的分詞和詞性標(biāo)注結(jié)果如下：他/PRON教/V我/PRON學(xué)/V日語(yǔ)/N請(qǐng)畫(huà)出該句子的語(yǔ)法樹(shù)，并給出上下文無(wú)關(guān)規(guī)則。G=（Vt,Vn,S,P）Vn={S，PRON，V，OBJECT，N}Vt={他,教,我,學(xué),日語(yǔ)}S=SP:S→PRONVOBJECTOBJECT→N|SPRON→他|我V→教|學(xué)N→日語(yǔ)PRON—主語(yǔ)OBJECT—賓語(yǔ)58第58頁(yè)，共152頁(yè)。第59頁(yè)，共152頁(yè)。第60頁(yè)，共152頁(yè)。0型文法（type0grammar）第61頁(yè)，共152頁(yè)。上下文有關(guān)文法（CSG）如果所有產(chǎn)生式都有右邊部分長(zhǎng)度大于等于左邊部分，那么G是上下文有關(guān)文法第62頁(yè)，共152頁(yè)。上下文無(wú)關(guān)文法（CFG）如果如果所有產(chǎn)生式的左邊部分都是單個(gè)非終極符號(hào)，那么G是上下文無(wú)關(guān)文法第63頁(yè)，共152頁(yè)。正則文法（RG）第64頁(yè)，共152頁(yè)。如果所有產(chǎn)生式的右邊部分都是以終極符號(hào)開(kāi)始、含有至多一個(gè)非終極符號(hào)、如果有非終極符號(hào)則出現(xiàn)在最右邊，那么G是正則文法。第65頁(yè)，共152頁(yè)。第66頁(yè)，共152頁(yè)。請(qǐng)判斷以下文法的類(lèi)型G1: S→CD

Ab→bA

C→aCA Ba→aB

C→bCB

Bb→bB

AD→aD

C→a

BD→bD

D→b

Aa→bDG1是上下文有關(guān)文法第67頁(yè)，共152頁(yè)。請(qǐng)判斷以下文法的類(lèi)型G2:S→aB, A→bAA

S→bA, B→b

A→a, B→bS

A→aS, B→aBBG2是上下文無(wú)關(guān)文法第68頁(yè)，共152頁(yè)。請(qǐng)判斷以下文法的類(lèi)型G3:S→0A A→1B

S→1B B→1B

S→0B→1

A→0A B→0

A→0SG3是正則文法第69頁(yè)，共152頁(yè)。自動(dòng)機(jī)第70頁(yè)，共152頁(yè)。文法、語(yǔ)言和自動(dòng)機(jī)第71頁(yè)，共152頁(yè)。2、上下文無(wú)關(guān)文法第72頁(yè)，共152頁(yè)。第73頁(yè)，共152頁(yè)。第74頁(yè)，共152頁(yè)。第75頁(yè)，共152頁(yè)。第76頁(yè)，共152頁(yè)。第77頁(yè)，共152頁(yè)。第78頁(yè)，共152頁(yè)。第79頁(yè)，共152頁(yè)。第80頁(yè)，共152頁(yè)。第81頁(yè)，共152頁(yè)。第82頁(yè)，共152頁(yè)。第83頁(yè)，共152頁(yè)。第84頁(yè)，共152頁(yè)。第85頁(yè)，共152頁(yè)。第86頁(yè)，共152頁(yè)。3、轉(zhuǎn)換生成文法第87頁(yè)，共152頁(yè)。第88頁(yè)，共152頁(yè)。第89頁(yè)，共152頁(yè)。第90頁(yè)，共152頁(yè)。第91頁(yè)，共152頁(yè)。4、擴(kuò)充轉(zhuǎn)移網(wǎng)絡(luò)第92頁(yè)，共152頁(yè)。（1）有限狀態(tài)轉(zhuǎn)移網(wǎng)絡(luò)以冠詞“The”開(kāi)頭的一類(lèi)名詞短語(yǔ)NP的轉(zhuǎn)移網(wǎng)絡(luò)，它可以擁有零個(gè)或多個(gè)形容詞；最后以一個(gè)名詞結(jié)尾。組成：一組狀態(tài)（或稱(chēng)結(jié)點(diǎn)）和一組弧組成。例子：輸入“theprettypicture”。從起始狀態(tài)NP開(kāi)始，只有一條標(biāo)注著“the”的外射弧。由于輸入串中的the能同它匹配，所以“the”從輸入串中刪除，過(guò)程進(jìn)入圖中的狀態(tài)NP1。此時(shí)輸入串是“prettypicture”，由于第一個(gè)“pretty”的詞類(lèi)是ADJ，同標(biāo)注ADJ的弧匹配，于是“pretty”從輸入串中刪除，但沿著ADJ弧轉(zhuǎn)移的結(jié)果是再次回到這個(gè)NP1狀態(tài)。此時(shí)輸入串只剩下“picture”，由于它是一個(gè)名詞，因此發(fā)生了沿N弧前進(jìn)到結(jié)束狀態(tài)的轉(zhuǎn)移。輸入串成為空串，分析成功。第93頁(yè)，共152頁(yè)。第94頁(yè)，共152頁(yè)。這個(gè)句子的識(shí)別還可以在網(wǎng)絡(luò)中走其它弧，如由狀態(tài)c輸入“swallow”也可以走弧c→d，但接下來(lái)輸入“flies”時(shí)就被拒絕識(shí)別了。由此可看出網(wǎng)絡(luò)識(shí)別的過(guò)程應(yīng)找出各種可能的路徑，因此算法要采用并行算法或回溯算法。95第95頁(yè)，共152頁(yè)。(1)并行算法。并行算法的關(guān)鍵是在任何一個(gè)狀態(tài)都要選擇所有可以到達(dá)下一個(gè)狀態(tài)的弧,同時(shí)進(jìn)行試驗(yàn)。(2)回溯算法?；厮菟惴▌t是在所有可以通過(guò)的弧中選出一條往下走,并保留其他可能性,以便必要時(shí)可以回過(guò)來(lái)選擇之。這種方式需要一個(gè)堆棧結(jié)構(gòu)。第96頁(yè)，共152頁(yè)。第97頁(yè)，共152頁(yè)。（2）遞歸轉(zhuǎn)移網(wǎng)絡(luò)（RTN）是對(duì)有限轉(zhuǎn)移網(wǎng)絡(luò)的一種擴(kuò)展，在RTN中每條弧的標(biāo)注不僅可以是一個(gè)終結(jié)符（詞或詞類(lèi)），而且可以是一個(gè)用來(lái)指明另一個(gè)網(wǎng)絡(luò)名字的非終結(jié)符。例如，下面是一部上下文無(wú)關(guān)語(yǔ)法：S→NPVNPPP*NP→TADJ*NPP*PP→PNPX*表示符號(hào)X可以出現(xiàn)零次或多次。第98頁(yè)，共152頁(yè)。第99頁(yè)，共152頁(yè)。（3）擴(kuò)充轉(zhuǎn)移網(wǎng)絡(luò)（ATN）第100頁(yè)，共152頁(yè)。ATN語(yǔ)法屬于一種增強(qiáng)型的上下文無(wú)關(guān)語(yǔ)法，即用上下文無(wú)關(guān)文法描述句子文法結(jié)構(gòu)，并同時(shí)提供有效的方式將各種理解語(yǔ)句所需要的知識(shí)加到分析系統(tǒng)中，以增強(qiáng)分析功能，從而使得應(yīng)用ATN的句法分析程序具有分析上下文有關(guān)語(yǔ)言的能力。ATN主要是對(duì)轉(zhuǎn)移網(wǎng)絡(luò)中的弧附加了過(guò)程而得到的。當(dāng)通過(guò)一個(gè)弧的時(shí)候，附加在該弧上的過(guò)程就會(huì)被執(zhí)行。這些過(guò)程的主要功能是（I）對(duì)文法特征進(jìn)行賦值；(II)檢查數(shù)（number）或人稱(chēng)（第一、二或三人稱(chēng)）條件是否滿(mǎn)足，并據(jù)此允許或不允許轉(zhuǎn)移。第101頁(yè)，共152頁(yè)。ATN在三方面對(duì)RTN作了擴(kuò)展和增強(qiáng)：（1）添置了一組寄存器，用來(lái)存儲(chǔ)分析過(guò)程中得到的中間結(jié)果和有關(guān)信息。例如，“小王研究魯迅的文章”可能先被分析為NP＋VP，但發(fā)現(xiàn)后面的詞是“發(fā)表”，則要回到前面的某個(gè)轉(zhuǎn)移點(diǎn)重新分析，選擇另一條路。第102頁(yè)，共152頁(yè)。（2）每條弧上除了用句法范疇來(lái)標(biāo)注以外，可以附加任意測(cè)試，只有當(dāng)弧上的這種測(cè)試成功之后才能用這條弧。第103頁(yè)，共152頁(yè)。（3）每條弧上還可以附加某些動(dòng)作，當(dāng)通過(guò)一條弧時(shí)，相應(yīng)的動(dòng)作便被依次執(zhí)行，這些動(dòng)作主要用來(lái)設(shè)置或修改寄存器的內(nèi)容。第104頁(yè)，共152頁(yè)。

例：一個(gè)簡(jiǎn)單的名詞短語(yǔ)(NP)的擴(kuò)充轉(zhuǎn)移網(wǎng)絡(luò)，

網(wǎng)絡(luò)中弧上的條件和操作如下所示：第105頁(yè)，共152頁(yè)。該網(wǎng)絡(luò)主要是用來(lái)檢查NP中的數(shù)的一致值問(wèn)題。特征是Number(數(shù)),有兩個(gè)值：singular(單數(shù))和plural(復(fù)數(shù)),缺省值是

(空)。C是弧上的條件,A是弧上的操作,*是當(dāng)前詞,proper是專(zhuān)用名詞,det是限定詞,PP是介詞短語(yǔ),*.Number是當(dāng)前詞的“數(shù)”。該擴(kuò)充轉(zhuǎn)移網(wǎng)絡(luò)有一個(gè)網(wǎng)絡(luò)名NP。網(wǎng)絡(luò)NP可以是其他網(wǎng)絡(luò)的一個(gè)子網(wǎng)絡(luò),也可以包含其他網(wǎng)絡(luò),如其中的PP就是一個(gè)子網(wǎng)絡(luò),這就是網(wǎng)絡(luò)的遞歸性。第106頁(yè)，共152頁(yè)?；P-1將當(dāng)前詞的Number放入當(dāng)前NP的Number中；而弧NP-4則要求當(dāng)前noun的Number與NP的Number是相同時(shí)，或者NP的Number為空時(shí),將noun作為NP的Number，這就要求det的數(shù)和noun的數(shù)是一致的。因此thisbook,thebook,thebooks,thesebooks都可順利通過(guò)這一網(wǎng)絡(luò),但是thisbooks,或thesebook就無(wú)法通過(guò)。如果當(dāng)前NP是一個(gè)代詞(pron.)或者專(zhuān)用名詞(proper),那么網(wǎng)絡(luò)就從NP-5或NP-6通過(guò),這時(shí)NP的數(shù)就是代詞或?qū)Ｓ妹~的數(shù)。PP是一個(gè)修飾前面名詞的介詞短語(yǔ),一旦到達(dá)PP弧就馬上轉(zhuǎn)入子網(wǎng)絡(luò)PP.第107頁(yè)，共152頁(yè)。例：一個(gè)句子的ATN,主要用來(lái)識(shí)別主、被動(dòng)態(tài)的句子。S網(wǎng)絡(luò)中所涉及的功能名和特征維包括：功能名：Subject(主語(yǔ)),Direct-Obj(直接賓語(yǔ)),Main-Verb(謂語(yǔ)動(dòng)詞),Auxs.(助動(dòng)詞),Modifiers(修飾語(yǔ))。特征維：Voice(語(yǔ)態(tài))：Active(主動(dòng)態(tài)),Passive(被動(dòng)態(tài)),缺省值是Active。Type(動(dòng)詞類(lèi)型)：Be,Do,Have,Modal,Non-Aux,缺省值是Non-AuxaForm(動(dòng)詞式)：Inf不定式),Present(現(xiàn)在式),Past(過(guò)去式),Pres-part(現(xiàn)在分詞),Past-part(過(guò)去分詞),缺省值是Present。第108頁(yè)，共152頁(yè)。第109頁(yè)，共152頁(yè)。S→NPVNPPP*基于詞的N-gram模型對(duì)近鄰語(yǔ)言約束關(guān)系的描述能力最強(qiáng)，應(yīng)用程度最為廣泛。第72頁(yè)，共152頁(yè)。基于語(yǔ)言學(xué)規(guī)則的語(yǔ)言處理技術(shù)六種詞性：名詞、形容詞、連詞、動(dòng)詞、介詞、量詞文字輸入，文字編輯與排版基于規(guī)則的句法分析理論和方法他說(shuō)：“她這個(gè)人真有意思(funny)”。輸入：新技術(shù)的發(fā)展日新月異英語(yǔ)只有26個(gè)字母,中文卻有44908個(gè)漢字(《中華大辭典》)。第40頁(yè)，共152頁(yè)。第145頁(yè)，共152頁(yè)。第92頁(yè)，共152頁(yè)。第41頁(yè)，共152頁(yè)。第21頁(yè)，共152頁(yè)。第61頁(yè)，共152頁(yè)。Subject←＊即把當(dāng)前成分放入名為Subject的功能寄存器(當(dāng)前成分作主語(yǔ))。

是一種添加操作,Auxs.

Main-Verb就是將當(dāng)前的謂語(yǔ)動(dòng)詞添加到Auxs功能寄存器中(原來(lái)Auxs中可能已有內(nèi)容)。在S網(wǎng)絡(luò)中,當(dāng)弧S-2遇到第一個(gè)動(dòng)詞時(shí),就把它置入Main-Verb,但是在接下來(lái)的弧S-3中發(fā)現(xiàn)Main-Verb中剛才被置入的是助動(dòng)詞,網(wǎng)絡(luò)操作就把Main-Verb中的內(nèi)容添加到Auxs寄存器的尾部。若Auxs為空,添加操作與賦值是相同的,但是當(dāng)Auxs非空時(shí)(有幾個(gè)助動(dòng)詞),這即是一個(gè)添加操作。另外,網(wǎng)絡(luò)中有一種dummy節(jié)點(diǎn),這是一種空節(jié)點(diǎn),用來(lái)表示一種形式上的或者預(yù)示的成分,如形式上的主語(yǔ)等。弧S-4和S-7就是對(duì)于被動(dòng)態(tài)句子的分析和處理?；-4主要是識(shí)別被動(dòng)態(tài)的謂語(yǔ)動(dòng)詞,一旦確認(rèn)是被動(dòng)態(tài),則將當(dāng)前的主語(yǔ)作為直接賓語(yǔ),弧S-7用來(lái)處理被動(dòng)態(tài)句子中by所引導(dǎo)的介詞短語(yǔ),該介詞的賓語(yǔ)就是實(shí)際上的主語(yǔ)。第110頁(yè)，共152頁(yè)。第111頁(yè)，共152頁(yè)。1.8基于統(tǒng)計(jì)的語(yǔ)言處理技術(shù)統(tǒng)計(jì)語(yǔ)言模型：試圖捕獲自然語(yǔ)言的統(tǒng)計(jì)規(guī)律以改善各種自然語(yǔ)言應(yīng)用系統(tǒng)的性能。廣泛應(yīng)用于語(yǔ)音識(shí)別、手寫(xiě)體文字識(shí)別、機(jī)器翻譯、鍵盤(pán)輸入、信息檢索領(lǐng)域。統(tǒng)計(jì)語(yǔ)言建模相當(dāng)于對(duì)各種語(yǔ)言單位如字、詞、句子或整篇文章進(jìn)行概率分布的估計(jì)。112第112頁(yè)，共152頁(yè)。概率第113頁(yè)，共152頁(yè)。最大似然估計(jì)第114頁(yè)，共152頁(yè)?，F(xiàn)代漢語(yǔ)字頻統(tǒng)計(jì)結(jié)果：

前20個(gè)最高頻漢字及其頻率第115頁(yè)，共152頁(yè)。條件概率第116頁(yè)，共152頁(yè)。例第117頁(yè)，共152頁(yè)。全概率公式第118頁(yè)，共152頁(yè)。貝葉斯定理第119頁(yè)，共152頁(yè)。先驗(yàn)概率、后驗(yàn)概率第120頁(yè)，共152頁(yè)。例第121頁(yè)，共152頁(yè)。解第122頁(yè)，共152頁(yè)。定義給定所有可能的句子s，統(tǒng)計(jì)語(yǔ)言模型是一個(gè)概率分布p(s)。假設(shè)一個(gè)句子S可以表示為一個(gè)序列S=w1w2…wn,語(yǔ)言模型就是要求句子S的概率P(S)：Wi是句中的第i個(gè)詞，hi={w1,w2,…,wn-1}稱(chēng)為。p(我是一個(gè)學(xué)生)=p(我，是，一，個(gè)，學(xué)生)=p(我)?p(是|我)?p(一|我，是)?p(個(gè)|我，是，一)?p(學(xué)生|我，是，一，個(gè))第123頁(yè)，共152頁(yè)。上述概率的計(jì)算量太大，解決問(wèn)題的方法是將所有w1w2…wi-1按照某個(gè)規(guī)則映射到等價(jià)類(lèi)S(w1w2…wi-1)，等價(jià)類(lèi)的數(shù)目遠(yuǎn)遠(yuǎn)小于不同的數(shù)目，即假定：第124頁(yè)，共152頁(yè)。由于語(yǔ)言模型的訓(xùn)練文本T的規(guī)模及其分布存在著一定的局面性和片面性，許多合理的語(yǔ)言搭配現(xiàn)象沒(méi)有出現(xiàn)在T中。例如：一個(gè)詞串Wi-N+1…Wi

沒(méi)有出現(xiàn)在訓(xùn)練文本T中，該詞串對(duì)應(yīng)的上下文條件概率p(Wi|Wi-N+1…Wi)=0，從而導(dǎo)致該詞串所在的語(yǔ)句S的出現(xiàn)概率p(S)=0。第125頁(yè)，共152頁(yè)。126當(dāng)前主要語(yǔ)言模型N-gram模型決策樹(shù)模型指數(shù)模型（最大熵模型）整句模型文法模型概率上下文無(wú)關(guān)文法鏈文法概率依存文法自適應(yīng)模型第126頁(yè)，共152頁(yè)。N-gram模型實(shí)際應(yīng)用中，由于嚴(yán)重的數(shù)據(jù)稀疏和系統(tǒng)處理能力的限制，統(tǒng)計(jì)語(yǔ)言建模只能考慮有限長(zhǎng)度的。數(shù)據(jù)稀疏問(wèn)題可能會(huì)錯(cuò)誤地推導(dǎo)出小概率事件是不重要的。當(dāng)兩個(gè)的最近的N-1個(gè)詞（或字）相同時(shí)，映射兩個(gè)到同一個(gè)等價(jià)類(lèi)，在此情況下的模型稱(chēng)之為N-Gram模型。N-Gram模型被稱(chēng)為一階馬爾科夫鏈。N的值不能太大，否則計(jì)算仍然太大。根據(jù)最大似然估計(jì)，語(yǔ)言模型的參數(shù)：其中，C(w1w2…wi)表示w1w2…wi在訓(xùn)練數(shù)據(jù)中出現(xiàn)的次數(shù)。第127頁(yè)，共152頁(yè)。通過(guò)將語(yǔ)言模擬成N-1階馬爾科夫源，N-gram模型減少了參數(shù)估計(jì)的維數(shù)：N的選擇要考慮參數(shù)估計(jì)的穩(wěn)定性和描述能力的折衷。二元語(yǔ)法（Bigram）和三元語(yǔ)法Trigram是通常的選擇。128第128頁(yè)，共152頁(yè)。BigramTrigram129第129頁(yè)，共152頁(yè)。N的選擇：可靠性vs.辨別力“我 正在 ________”

講課?圖書(shū)館?聽(tīng)課?學(xué)習(xí)?借書(shū)?……“我 正在圖書(shū)館 ________”

學(xué)習(xí)?借書(shū)?……

第130頁(yè)，共152頁(yè)?？煽啃詖s.辨別力更大的n:對(duì)下一個(gè)詞出現(xiàn)的約束性信息更多，更大的辨別力；更小的n:在訓(xùn)練語(yǔ)料庫(kù)中出現(xiàn)的次數(shù)更多，更可靠的統(tǒng)計(jì)結(jié)果，更高的可靠性。

第131頁(yè)，共152頁(yè)。構(gòu)造方法采用語(yǔ)言學(xué)家構(gòu)造的詞的語(yǔ)法分類(lèi)體系，按詞性進(jìn)行詞類(lèi)劃分，借助于詞性標(biāo)注技術(shù)，構(gòu)造基于詞性的N-POS模型。采用詞的自動(dòng)聚類(lèi)技術(shù)，自動(dòng)構(gòu)造基于詞的自動(dòng)聚類(lèi)的類(lèi)N-gram模型。132第132頁(yè)，共152頁(yè)。基于詞類(lèi)的N-gram模型類(lèi)模型提出的意義：降低模型參數(shù)的規(guī)模；數(shù)據(jù)稀疏問(wèn)題的一種解決方式。133第133頁(yè)，共152頁(yè)。幾種模型比較基于詞的N-gram模型對(duì)近鄰語(yǔ)言約束關(guān)系的描述能力最強(qiáng)，應(yīng)用程度最為廣泛。一般N小于等于3，難以描述長(zhǎng)距離的語(yǔ)言約束關(guān)系。N-POS模型的參數(shù)空間最小，一般不存在數(shù)據(jù)稀疏問(wèn)題，可以構(gòu)造高元模型，用于描述長(zhǎng)距離的語(yǔ)言約束關(guān)系。但由于詞性數(shù)目過(guò)少，過(guò)于泛化，因此限制了語(yǔ)言模型的描述能力。自動(dòng)聚類(lèi)生成的詞類(lèi)數(shù)量介于詞和詞性的數(shù)量之間，由此建立的類(lèi)N-gram模型，既不存在嚴(yán)重的數(shù)據(jù)稀疏問(wèn)題，又不存在過(guò)于泛化的問(wèn)題。134第134頁(yè)，共152頁(yè)。統(tǒng)計(jì)語(yǔ)言模型的參數(shù)基于統(tǒng)計(jì)的方法基本上使用了隱馬爾科夫模型，這樣的模型使用了許多參數(shù)來(lái)參與消除歧義的決策機(jī)制，這些參數(shù)必須經(jīng)過(guò)適當(dāng)?shù)恼Z(yǔ)