论文部分内容阅读
语义分析是语言研究的重点和难点,也是自然语言处理领域亟待突破的瓶颈。想要做到语义的精准分析,更恰当、更完善的语义表示方法是不可或缺的,AMR(Abstract Meaning Representation)使用图结构、允许增删节点、以及单根的特性使得其能够较为完整地表示一个句子的语义。但AMR忽视了语义表示与原句词语的对齐信息,不仅给自动语义分析带来了损失,也妨碍对语义,特别是对一些特殊的语义结构(如非投影结构)做深入地探究。此外,国内目前基于完整句子的语义表示资源较为缺乏,也为自动语义分析的提升带来了困难。因此本文的工作主要包括下面三个方面:其一,改进AMR标注方法,建立词序列和语义图对齐的中文AMR(Chinese AMR,简称CAMR)的标注方法,将大部分实词对应到CAMR语义结构的概念节点上,将大部分虚词对应到CAMR语义结构的关系边上,使原句中的每个词与CAMR语义结构完整对齐,即对句子的语义表示有一个从词串到语义图的完整映射。其二,构建万句以上规模的对齐版CAMR语义资源。目前较完整的汉语语义表示资源在国内尚不充足,我们构建的CAMR语义资源平均句长约22.4词,共10149句,形成了一定规模。其三,基于对齐版CAMR语义库,进行了 CAMR自动分析实验,得到F值为58.61%。同时,进行了汉语的语义结构的理论分析,除了对其虚词的功能分布进行探讨,发现汉语虚词使用规律外,还对超越树结构的语言现象,包括图构和非投影结构进行了探讨。共得到以下三方面的结论:(1)虚词:探讨了汉语虚词的功能分布情况,语料中13.85%的边上有词,12.95%的词在边上,说明87%左右的语义关系是由语序决定的,汉语的语序对语义的表达至关重要。在这些虚词中,出现位置最灵活的虚词是“的”,共出现在58种关系中,“在”出现在28种关系中。(2)图结构:发现汉语中图结构普遍存在(47%的句子是图结构),产生图结构的原因大部分是由主要论元(ARGO,ARG1,ARG2,ARG3)共享导致的;(3)非投影结构:汉语中的非投影结构是文本研究的难点和重点,基于CAMR语义资源,我们发现,汉语中非投影结构占有一定比例(31.62%),产生原因包括模态词提升、话题化、成分分离和一般移位,其中最高频的类型是模态词的提升(52.37%),其次是成分分离(28.49%),接下来是话题化(13.34%)和一般移位(5.14%),而模态词提升和成分分离一般与特定的词或词组关联。如果把这些特定的词或词组做成一个训练的词表,将有助于提升语义自动分析的效果。综上,本文制定了改进版的包含对齐信息的CAMR语义标注规范,并构建较大规模的CAMR语义资源。在此基础上,统计分析了汉语虚词的功能分布,使用情况等,并关注了汉语中超越树的结构,发现汉语中图结构较为普遍,非投影结构也占有一定比例,同时分析了汉语中非投影结构的类型和比例。