屠明萍

（南京師范大學(xué) 文學(xué)院，江蘇 南京 210097）

詞義消歧就是在某個(gè)特定的上下文中，確定某個(gè)多義詞在該上下文中特定義項(xiàng)的過(guò)程［1］。詞義消歧作為一個(gè)中間任務(wù)，對(duì)自然語(yǔ)言處理十分重要，很多應(yīng)用都需要經(jīng)過(guò)詞義消歧才能更好地發(fā)揮作用，比如機(jī)器翻譯、信息檢索、自然語(yǔ)言內(nèi)容語(yǔ)義分析、語(yǔ)法分析、語(yǔ)音識(shí)別和文語(yǔ)轉(zhuǎn)換等都需要詞義消歧的結(jié)果。詞義消歧是一種自然語(yǔ)言處理技術(shù)，它根據(jù)知識(shí)獲取的方法可分為兩種：一是基于詞典的消歧方法，指把機(jī)讀詞典（語(yǔ)文詞典或義類詞典）作為外部知識(shí)源，它本質(zhì)上是一種基于規(guī)則的方法，有時(shí)也用到簡(jiǎn)單的統(tǒng)計(jì)，但并非語(yǔ)言模型意義上的統(tǒng)計(jì)；二是基于統(tǒng)計(jì)的消歧方法，由研究者給出多義詞形的義項(xiàng)數(shù)并分義項(xiàng)提供訓(xùn)練用的例句，例如貝葉斯分類器（Naive Bayes Classifier，NBC）。

條件隨機(jī)場(chǎng)模型（Conditional Random Field，CRF）自從被引入自然語(yǔ)言處理以來(lái)，在詞性標(biāo)注、專名識(shí)別和語(yǔ)義角色標(biāo)注中都取得了很好的效果，而它在詞義消歧任務(wù)中的出色表現(xiàn)更是吸引了很多人的注意。本文通過(guò)“保守”一詞的詞義消歧實(shí)驗(yàn)將貝葉斯分類器和條件隨機(jī)場(chǎng)模型的消歧效果進(jìn)行了比較，進(jìn)而根據(jù)實(shí)驗(yàn)結(jié)果對(duì)比分析兩種模型的優(yōu)缺點(diǎn)。

1.兩種典型的詞義消歧模型概述

1.1貝葉斯分類器（NBC）

貝葉斯分類器是一種用于單點(diǎn)分類的概率模型，是貝葉斯公式的推廣，適合處理單點(diǎn)分類問(wèn)題。所謂“單點(diǎn)分類”，是指序列中的一個(gè)符號(hào)對(duì)應(yīng)于什么狀態(tài)，與序列中的其他符號(hào)對(duì)應(yīng)于什么狀態(tài)無(wú)關(guān)。它用來(lái)做詞義消歧時(shí)遵循的基本思路是考慮歧義詞周?chē)钠渌~的信息，把上下文（觀察窗口）看成詞的集合（詞袋），根據(jù)這些信息進(jìn)行詞義消歧。對(duì)于詞義消岐來(lái)說(shuō)意味著：窗口中的詞序和結(jié)構(gòu)不重要，窗口中的詞都是獨(dú)立地起作用，這就是樸素貝葉斯假設(shè)。貝葉斯分類器的消歧算法如下：

forallsensesskofw｛score（sk） =logP（sk）；forallwordsvjinthewindowc score（sk） +=logP（vj|sk）；｝chooses’=argmaxskscore（sk）；

這類似于一個(gè)投票過(guò)程：k個(gè)詞義，好比k個(gè)候選人。每個(gè)詞義的選票數(shù)相同。每個(gè)詞義本身的費(fèi)用，是一張保底的選票。Baseline消岐算法只看這一張選票。其余選票數(shù)（線索詞個(gè)數(shù)）不大于窗口寬度，可能是贊成票（正數(shù)），也可能是反對(duì)票（負(fù)數(shù)）。投票結(jié)束時(shí)，累計(jì)費(fèi)用最小的詞義“當(dāng)選”，即為消岐結(jié)果。

1.2條件隨機(jī)場(chǎng)模型（CRF）

1.2.1條件隨機(jī)場(chǎng)概述

條件隨機(jī)場(chǎng)是一個(gè)在給定輸入節(jié)點(diǎn)（觀察值）條件下計(jì)算輸出節(jié)點(diǎn)（標(biāo)記）的條件概率的無(wú)向圖模型，特別擅長(zhǎng)處理序列標(biāo)記問(wèn)題。（2）其公式表示為：

pλ（Y|X）是求在λ參數(shù)制約下類別向量Y的條件概率

Z（x）是歸一化因子。n是序列長(zhǎng)度，m是特征函數(shù)個(gè)數(shù)。特征函數(shù)fi有兩種：一是狀態(tài)特征函數(shù)，二是轉(zhuǎn)移特征函數(shù)。

1.2.2CRF訓(xùn)練和標(biāo)注的相關(guān)文件及格式

用條件隨機(jī)場(chǎng)模型進(jìn)行訓(xùn)練有兩個(gè)輸入文件，一是訓(xùn)練語(yǔ)料，二是特征模板。訓(xùn)練語(yǔ)料有特定的格式要求，它由若干行組成，每行的列數(shù)必須相同，第一列是待分類的token，最后一列是類別標(biāo)記。若干個(gè)連續(xù)的tokens組成一個(gè)sentence，每個(gè)sentence后面有一個(gè)空行，文件結(jié)束時(shí)再加一個(gè)空行。表1是本文所用到的條件隨機(jī)場(chǎng)訓(xùn)練文件的一部分。其中第一列是詞，第二列是詞性，第三列中只對(duì)歧義詞進(jìn)行詞義標(biāo)記，其它詞的詞義都用none標(biāo)記（如左圖表1）。

?

特征模板是訓(xùn)練出模型必不可少的條件，它的基本格式是％x［row，col］，其中row表示與當(dāng)前token的相對(duì)行數(shù)，col表示列的絕對(duì)位置。特征可分為原子特征，一元復(fù)合特征和二元特征。表2是一個(gè)CRF特征模板樣本及其意義解釋。

?

CRF訓(xùn)練有一個(gè)輸出文件，即模型文件。CRF標(biāo)注同樣有兩個(gè)輸入文件和一個(gè)輸出文件。輸入文件包括測(cè)試語(yǔ)料和模型文件，測(cè)試語(yǔ)料的格式與訓(xùn)練語(yǔ)料大致相同，但可以沒(méi)有標(biāo)記。本文的測(cè)試語(yǔ)料是有標(biāo)記的，這是為了便于評(píng)測(cè)正確率。測(cè)試所用的模型文件就是訓(xùn)練得到的模型文件。標(biāo)注的輸出文件就是標(biāo)注好的語(yǔ)料，其結(jié)果是在測(cè)試語(yǔ)料增加一列類別標(biāo)記。

2.實(shí)驗(yàn)過(guò)程

2.1實(shí)驗(yàn)前的準(zhǔn)備

本文是為了比較兩個(gè)模型在詞義消歧任務(wù)上的優(yōu)劣，所以實(shí)驗(yàn)分為兩部分，一是基于貝葉斯分類器的詞義消歧實(shí)驗(yàn)，二是基于條件隨機(jī)場(chǎng)模型的詞義消歧實(shí)驗(yàn)。本次實(shí)驗(yàn)的操作平臺(tái)為Windows7系統(tǒng)?；跅l件隨機(jī)場(chǎng)的訓(xùn)練和測(cè)試采用TakuKudo編寫(xiě)的工具包“CRF++0.47”。（下載地址：http://crfpp.sourceforge.net/）。

兩個(gè)實(shí)驗(yàn)所用的語(yǔ)料都是來(lái)自1998年上半年《人民日?qǐng)?bào)》的1356句包括“保守”一詞的句子，因?yàn)椤氨Ｊ亍笔且粋€(gè)典型的多義詞，一個(gè)意思是“嚴(yán)守”，另一個(gè)意思是“守舊”。其中，用1260句作為訓(xùn)練語(yǔ)料，另外96句作為測(cè)試語(yǔ)料。訓(xùn)練語(yǔ)料和測(cè)試語(yǔ)料都經(jīng)過(guò)分詞和詞性標(biāo)注。

2.2貝葉斯分類器詞義消歧

用貝葉斯分類器做詞義消歧的實(shí)驗(yàn)分為三個(gè)步驟：訓(xùn)練、分類和評(píng)測(cè)。

訓(xùn)練階段，設(shè)定訓(xùn)練文件的上下文窗口為5，在每個(gè)句子前人工標(biāo)注該句中“保守”的正確意義。訓(xùn)練得到模型，即線索詞及其詞頻信息。分類階段，加載訓(xùn)練得到的模型，輸出詞義消歧的結(jié)果。評(píng)測(cè)階段，制作測(cè)試文件的標(biāo)準(zhǔn)答案，并對(duì)消歧結(jié)果計(jì)算其召回率。

2.3條件隨機(jī)場(chǎng)模型詞義消歧

基于條件隨機(jī)場(chǎng)模型的詞義消歧實(shí)驗(yàn)同樣分為三個(gè)步驟：訓(xùn)練、標(biāo)注和評(píng)測(cè)。

訓(xùn)練階段，首先要用轉(zhuǎn)換程序?qū)⑵胀ㄎ谋靖袷降挠?xùn)練語(yǔ)料轉(zhuǎn)換為條件隨機(jī)場(chǎng)模型特定的訓(xùn)練文件格式。然后，也是最重要的一步，就是特征模板的確定。多義詞的一個(gè)顯著特點(diǎn)是，意義與詞性之間存在密切聯(lián)系，詞性不同，往往意義也不同。根據(jù)這一特點(diǎn)，此次實(shí)驗(yàn)采用的7個(gè)模板有6個(gè)加入了詞性特征，只有1個(gè)未加詞性特征，以觀察詞性特征對(duì)詞義消歧的貢獻(xiàn)。這7個(gè)模板及其解釋如表3所示。（表中的“∪”表示取并集）

?

訓(xùn)練時(shí)添加特征模板、訓(xùn)練文件及一個(gè)空的模型文件，再進(jìn)行一些參數(shù)的設(shè)置，即得到了模型文件。標(biāo)注階段，在標(biāo)注窗口添加模型文件、已轉(zhuǎn)換成相應(yīng)格式的測(cè)試文件以及一個(gè)空的標(biāo)注結(jié)果文件（用于輸出）。評(píng)測(cè)階段，用CRF評(píng)測(cè)程序?qū)?biāo)注結(jié)果進(jìn)行評(píng)測(cè)，得出詞和句子的標(biāo)注正確率。

3.實(shí)驗(yàn)結(jié)果及分析

3.1CRF詞義消歧結(jié)果分析

基于條件隨機(jī)場(chǎng)的消歧實(shí)驗(yàn)使用了7個(gè)不同的特征模板，所以有7個(gè)消歧結(jié)果，并且每個(gè)結(jié)果都有封閉測(cè)試和開(kāi)放測(cè)試結(jié)果，而封閉測(cè)試和開(kāi)放測(cè)試都有其詞正確率和句子正確率。關(guān)于實(shí)驗(yàn)結(jié)果的評(píng)價(jià)指標(biāo)，本文采用召回率（R），其計(jì)算公式如下：

召回率（R）=正確標(biāo)注的個(gè)數(shù)/待標(biāo)注多義詞的個(gè)數(shù)

具體數(shù)據(jù)如表4所示。

?

結(jié)合表5我們可以更清晰地看出各個(gè)消歧正確率的對(duì)比。7個(gè)模板的封閉測(cè)試詞正確率和句子正確率都在99％以上，且詞正確率和句子正確率差距很小，這是因?yàn)榇舜螌?shí)驗(yàn)只針對(duì)每個(gè)句子中的一個(gè)多義詞進(jìn)行消歧，其他詞都標(biāo)注為none。但是封閉測(cè)試并不能說(shuō)明多大問(wèn)題，主要是看開(kāi)放測(cè)試正確率。讓人驚喜的是，本次實(shí)驗(yàn)開(kāi)放測(cè)試正確率也相當(dāng)高，詞正確率依然在99％以上，句子正確率也達(dá)到了97％以上。再看各個(gè)模板開(kāi)放測(cè)試的結(jié)果。T1到T2窗口長(zhǎng)度由1變?yōu)?，詞正確率和句子正確率都提高了。T2到T4雖然窗口長(zhǎng)度由2逐漸拓寬到4，但詞正確率和句子正確率反而下降了，這說(shuō)明窗口長(zhǎng)度在2時(shí)達(dá)到最佳消歧效果，再加大窗口長(zhǎng)度只會(huì)增加噪聲，不利于消歧。T5由T2再加上上下文窗口為1的詞和詞性的一元復(fù)合特征，正確率并沒(méi)有提高。這說(shuō)明在本次實(shí)驗(yàn)中一元復(fù)合特征對(duì)消歧結(jié)果并無(wú)影響，但是不排除在其他實(shí)驗(yàn)中有作用，至于是積極作用還是消極作用有待于以后更深入的研究。T6是在T5基礎(chǔ)上增加了二元特征，但結(jié)果表明消歧正確率并未因此而提高。T7和T2相比少了詞性特征，正確率降低了不少，特別是句子正確率，是所有模板中正確率最低的。這說(shuō)明詞性特征對(duì)詞義消歧作用是非常積極的。這根漢語(yǔ)多義詞的特點(diǎn)有關(guān)，很多多義詞由于詞性不同意義也會(huì)不同，例如本次試驗(yàn)中的“保守”作為嚴(yán)守義是動(dòng)詞，而作為守舊義是形容詞。

表5

3.2CRF與NBC詞義消歧結(jié)果對(duì)比分析

貝葉斯分類器的結(jié)果只有一個(gè)，而條件隨機(jī)場(chǎng)模型詞義消歧的結(jié)果有若干個(gè)，究竟取哪個(gè)與貝葉斯分類器作比較呢？我們發(fā)現(xiàn)，條件隨機(jī)場(chǎng)模型消歧實(shí)驗(yàn)開(kāi)放測(cè)試結(jié)果中的句子正確率其實(shí)就是我們所要使用的評(píng)價(jià)指標(biāo)（召回率），因?yàn)樗从沉嗽~義標(biāo)注的實(shí)際結(jié)果。為了更公平地比較兩者的消歧效果，我們用條件隨機(jī)場(chǎng)實(shí)驗(yàn)的句子正確率的平均值與貝葉斯分類器的召回率作比較。具體數(shù)據(jù)見(jiàn)表6。

?

顯然，條件隨機(jī)場(chǎng)模型的消歧效果要優(yōu)于貝葉斯分類器的消歧效果，在本次實(shí)驗(yàn)中前者比后者要高出1.8個(gè)百分點(diǎn)。條件隨機(jī)場(chǎng)模型能出色地完成詞義消歧任務(wù)與該模型的特性是分不開(kāi)的。CRF模型較好地克服了輸出獨(dú)立性假設(shè)和馬爾科夫性假設(shè)的局限性，能從上下文中任意地選擇所需要的特征，并且有很強(qiáng)的特征組合能力。特別是在本次實(shí)驗(yàn)中，詞性特征顯示出極為重要的作用，正是因?yàn)檫@一點(diǎn)，條件隨機(jī)場(chǎng)模型在詞義消歧任務(wù)上要明顯勝于貝葉斯分類器。

然而不得不提的是，貝葉斯分類器雖然在最終消歧結(jié)果上不及條件隨機(jī)場(chǎng)模型，但是它的訓(xùn)練簡(jiǎn)單省時(shí)，而條件隨機(jī)場(chǎng)模型需要在訓(xùn)練之前準(zhǔn)備好特征模板，而且參數(shù)過(guò)大，訓(xùn)練時(shí)間較長(zhǎng)。在這一點(diǎn)上貝葉斯分類器又有其優(yōu)勢(shì)。

4.結(jié)語(yǔ)

本文采用貝葉斯分類器和條件隨機(jī)場(chǎng)模型分別在同等規(guī)模的訓(xùn)練集和測(cè)試集上進(jìn)行了詞義消歧的對(duì)比實(shí)驗(yàn)。在理論上條件隨機(jī)場(chǎng)模型能從上下文中任意地選擇所需要的特征，而且有很強(qiáng)的特征組合能力，而貝葉斯分類器只對(duì)上下文的詞形做訓(xùn)練，所以消歧結(jié)果應(yīng)該是條件隨機(jī)場(chǎng)模型優(yōu)于貝葉斯分類器，而實(shí)驗(yàn)結(jié)果也證明了這一點(diǎn)。但是在訓(xùn)練復(fù)雜度上，條件隨機(jī)場(chǎng)模型要比貝葉斯分類器更為復(fù)雜一些。本文的實(shí)驗(yàn)還有一些不足的地方，比如條件隨機(jī)場(chǎng)模型的特征選擇，除了詞和詞性以外應(yīng)該還可以增加其他特征以提高消歧正確率，這就需要更深入的研究了。

［1］黃昌寧，夏瑩.語(yǔ)言信息處理專論［M］.北京：清華大學(xué)出版社，1996：78-101.

［2］丁德鑫，曲維光，徐濤，董宇.基于CRF模型的組合型歧義消解研究［J］.南京師范大學(xué)學(xué)報(bào)（工程技術(shù)版），2008，8，（4）：73-76.

［3］苗雪雷.基于條件隨機(jī)場(chǎng)的漢語(yǔ)詞義消歧方法研究［D］.［碩士學(xué)位論文］.沈陽(yáng)：沈陽(yáng)航空工業(yè)學(xué)院，2007.

［4］王達(dá)，張坤.貝葉斯模型在詞義消歧中的應(yīng)用［J］.計(jì)算機(jī)時(shí)代，2009，（7）.

［5］于麗麗，丁德鑫，曲維光，陳小荷，李惠.基于條件隨機(jī)場(chǎng)的古漢語(yǔ)詞義消歧研究［J］.微電子學(xué)與計(jì)算機(jī)，2009，（10）.