趙 敏，彭煒明，宋繼華，楊天心

(北京師范大學 信息科學與技術(shù)學院，北京 100875)

1 引言

樹庫作為包含句法結(jié)構(gòu)信息的深加工語言資源，對語言學研究和NLP自動句法分析具有非常重要的基礎(chǔ)作用，其標注規(guī)模和標注質(zhì)量直接影響句法分析的效果。

近年來，國內(nèi)外許多研究機構(gòu)十分重視漢語樹庫資源的建設(shè)，相繼構(gòu)建出若干大規(guī)模的漢語樹庫，影響較大的有賓州中文樹庫[1]、Sinica樹庫[2]、清華樹庫[3]、國家語委樹庫[4]、北大中文系樹庫[5]和哈工大樹庫[6]等。目前主流樹庫所依據(jù)的語法理論主要局限于短語結(jié)構(gòu)語法和依存結(jié)構(gòu)語法兩大體系之內(nèi)。何靜[7]等人依據(jù)黎錦熙先生的“句本位”語法，嘗試構(gòu)建了一個小規(guī)模的基于句式結(jié)構(gòu)的語法樹庫。

大規(guī)模樹庫的構(gòu)建完全采用人工標注是不現(xiàn)實的，人機結(jié)合的模式不僅能夠發(fā)揮機器的效率優(yōu)勢，而且通過人工干預(yù)和校對也可以保證樹庫的質(zhì)量，因此樹庫的構(gòu)建通常采用人機結(jié)合的模式[3,8]，這就需要一套切實有效的標注工具。工具設(shè)計的好壞，對語料標注的效率以及標注結(jié)果的一致性均有非常重要的影響?？梢哉f，標注工具在一定程度上決定了整個樹庫工程的成敗。

本文在分析現(xiàn)有圖解標注工具優(yōu)缺點的基礎(chǔ)上，針對其標注模式和體系設(shè)計上的不足，重新設(shè)計并實現(xiàn)了一個更加高效的圖解標注工具。

2 圖解標注系統(tǒng)概述

目前，自然語言處理領(lǐng)域還沒有面向英文的圖解標注系統(tǒng)，中文方面也只有楊天心等人開發(fā)的圖解標注系統(tǒng)[9]。該系統(tǒng)參考了黎氏圖解法的析句思路，句法體系設(shè)計則依據(jù)經(jīng)過改造的基于句式結(jié)構(gòu)的圖解析句法[10]，即首先將句子成分劃分為8種： 主語、謂語、賓語作為3種主干成分，位于長橫線的上方；定語、狀語、補語作為附加成分，位于長橫線的下方；呼語和插入語作為不影響句式結(jié)構(gòu)的獨立成分以虛線連綴于主干之上，其圖解總公式如圖1 所示。

圖1 標注圖解總公式

2.1 現(xiàn)有圖解系統(tǒng)的優(yōu)點與不足

現(xiàn)有圖解系統(tǒng)以一種簡潔明了的方式展現(xiàn)了句子的整體結(jié)構(gòu)，描繪出各個句子成分及其相互間的句法關(guān)系。在句法層次上強調(diào)“句式結(jié)構(gòu)”，能夠分析連動句、兼語句等復(fù)雜句式。所謂句式結(jié)構(gòu)，是指對于特定句式的樹庫結(jié)構(gòu)，其句子成分和中心詞節(jié)點“具有相對穩(wěn)定的結(jié)構(gòu)層次和位置順序”[10]。引入“句式結(jié)構(gòu)”的思想，系統(tǒng)地歸納和總結(jié)出了漢語的基本句式和擴展變換句式。

該系統(tǒng)還保留了黎氏語法中“句法控制詞法，依句辨品”的詞類觀，特定成分與詞類存在對應(yīng)關(guān)系，簡化了詞類標注的工作量。即實行“主、賓—名、代”、“謂語—動、形”的缺省對應(yīng)，將謂詞的“指稱化”和體詞的“陳述化”過程統(tǒng)一轉(zhuǎn)化為一種“句法實現(xiàn)”[11]。

該系統(tǒng)在標注過程采用圖解切分的操作模式，通過幾次簡單的鼠標點擊，即可完成對全句結(jié)構(gòu)的句法分析。這種簡單直觀的操作模式從根本上保證了樹庫構(gòu)建的效率。

現(xiàn)有系統(tǒng)盡管優(yōu)勢明顯，但在以下3個方面仍有改進的空間。

(1) 采用圖解樣式來區(qū)分一部分詞類，表現(xiàn)在圖解總公式中，定語、狀語和補語3種成分可以有多種圖解樣式，從而使得圖解操作變得復(fù)雜，且不利于句式的歸納提取。

(2) 未對漢語“臨時造詞”等詞法現(xiàn)象進行相應(yīng)的形式化設(shè)計，僅僅采用“加杠”方式連接，在XML中生成單一節(jié)點，此舉增加了后續(xù)信息提取的難度。

(3) 圖解總公式糅合了多種樣式的定、狀、補以及連動、兼語等句式成分，直觀上看顯得十分繁雜，對標注人員把握具體句式的圖解樣式造成了一定的干擾。

2.2 圖解系統(tǒng)設(shè)計的改進

針對以上不足，我們對圖解系統(tǒng)進行了體系改進，結(jié)合現(xiàn)代漢語教學語法的發(fā)展，重新設(shè)計了樹庫建設(shè)的標注體系和圖解樣式的編解碼規(guī)范。鑒于樹庫體系結(jié)構(gòu)和析句規(guī)范的制定是一個相當復(fù)雜的工程，涉及漢語句法系統(tǒng)的方方面面，而限于篇幅，我們將另文闡述，此處只給出一個示例圖解樣式及其XML數(shù)據(jù)結(jié)構(gòu)的最終結(jié)果，如圖2所示。

其中元素(Element)和屬性(Attribute)所表示意義說明如下。

元素標記： ju(整句)，xj(小句)，sbj(主語)，prd(謂語)，obj(賓語)，att(定語)，uu(助詞成分)，a(形容詞)，u(助詞)，n(名詞)，v(動詞)，w(標點)。

屬性與取值： xj包含ptt(句式結(jié)構(gòu))屬性，取值SVO代表基本句式；prd包含scp(轄域)屬性，取值VO代表動賓結(jié)構(gòu)；uu包含fun(助詞成分)屬性，取值UD代表結(jié)構(gòu)助詞“的”；a、u、n、v包含sen(義項)屬性，取值代表各自的義項編碼。

改進后的新版系統(tǒng)與現(xiàn)有系統(tǒng)的主要區(qū)別表現(xiàn)在以下3個方面。

(1) 句法標注和詞類標注的分離。詞類標注不再受句法成分的限制，即不通過圖解樣式來區(qū)分詞類。詞類標注能夠完全兼容目前主流的詞類體系，在此基礎(chǔ)上增加了詞語義項標注的功能。

(2) 同一成分的圖解樣式不因成分內(nèi)部的詞類不同而產(chǎn)生異樣，從而使得整句的圖解樣式進一步簡化，句式系統(tǒng)更加凝練。

(3) 句式系統(tǒng)設(shè)計的邏輯性增強，按照“基本句式→擴展句式→復(fù)雜句式”的順序依次展開：基本句式是僅包含主語、謂語和賓語三個主干成分的最基本句子結(jié)構(gòu)；擴展句式是指在維持“主—謂—賓”主干格局的前提下又加入定語、狀語、補語等附加成分的句子結(jié)構(gòu)；而復(fù)雜句式指打破單謂語核心主干格局的復(fù)雜句子結(jié)構(gòu)。

圖2 圖解圖形與XML數(shù)據(jù)結(jié)構(gòu)對應(yīng)關(guān)系

3 標注模式實現(xiàn)

根據(jù)以上句式系統(tǒng)的設(shè)計，任何句子都可由基本句式經(jīng)過擴展或復(fù)雜化得到。標注模式亦遵循這種由簡單到復(fù)雜的思路，設(shè)計了一套“先 立 主 干，后分枝葉”的操作流程。這種“自頂向下，逐步求精”的流程設(shè)計符合人的認知心理，容易被標注人員接受和掌握；同時，借助圖形化的人機界面，幾次鼠標點擊就能完成整句的句法切分和詞法信息標注。這里首先給出圖解標注工具的界面，如圖3所示。

3.1 句法標注

下面以“勤勞的鐵路工人準備了修建天橋的材料”一句為例說明句法圖解的標注模式。標注人員首先確定句子的主干格局，將各個部分的內(nèi)容切分到相應(yīng)的主干位置上，如圖4所示；然后對每一部分做內(nèi)部短語結(jié)構(gòu)的句法切分，如圖5所示。

圖4 圖解標注模式(劃分主干格局)

圖5 圖解標注模式(切分附加成分)

詳細的操作流程闡述如下：

(1) 新建圖解時，系統(tǒng)會默認生成一個基本句式的圖形樣式，選中焦點成分，將待分析的句子置于基本句式的核心——謂語文本框中。

(2) 切分主語： 將光標置于主謂待切分的文本位置，即“工人”之后，單擊基本句式中的主語切分熱區(qū)，工具會把光標位置前的文本置于到主語成分位置。

(3) 切分賓語： 將光標置于謂賓待切分的文本位置，即“準備了”之后，單擊基本句式中的賓語切分熱區(qū)，工具會把光標位置后的文本置于到賓語成分位置。

至此，句子“主—謂—賓”的基本格局已經(jīng)確立，其后對主干各部分的附加成分做進一步的細分。

(4) 切分主語的定語和中心語： 將光標置于主語成分中待切分的文本位置，即“勤勞的”之后，單擊擴展句式中的定語熱區(qū)，工具會把“勤勞”和結(jié)構(gòu)助詞“的”置于新添加出來的定語成分和助詞成分中。

(5) 切分賓語的定語和中心語： 切分方法同步驟(4)。

(6) 細分定語中的動賓結(jié)構(gòu)： 將光標置于定語成分中待切分的文本位置，即“修建”之后，單擊基本句式中的賓語切分熱區(qū)，工具會把光標位置后的文本置于新添加出來的賓語成分中。

通過上述示例可以看出，圖解分析過程采用二分的切分操作，通過幾次簡單的鼠標點擊就能夠快速構(gòu)建出圖解圖形，完成句子的句法分析。

3.2 詞法標注

詞類和詞義項的標注作為語料庫建設(shè)的關(guān)鍵環(huán)節(jié)，對后續(xù)的信息提取、語義研究等具有十分重要的作用。本系統(tǒng)采用《現(xiàn)代漢語詞典》作為底層知識庫，輔助標注人員進行詞單位的判斷和詞類、義項等屬性的標注，實現(xiàn)了詞法結(jié)構(gòu)的標注功能，如圖6所示，標注結(jié)果的詞類和義項信息顯示在詞語文本框的下方。

圖6 圖解標注模式(詞法分析標注)

3.2.1 基本詞法標注

詞法標注流程主要根據(jù)“義項標注區(qū)”中展示的詞匯信息進行。詞匯信息來自經(jīng)過義項切分處理并存儲于后臺數(shù)據(jù)庫的《現(xiàn)代漢語詞典》義項知識庫。《現(xiàn)代漢語詞典》中詞語的釋義分為單字條目和多字條目，不同條目下再細分義項。我們從義項角度出發(fā)，為每一個義項標識了用3位數(shù)字來表示的義項編碼(第一位為同形碼，從0開始編號，后兩位為同一條目下的義項編號，從01開始編號)，并在該義項上附加了詞類、用例、拼音等相關(guān)信息。

詞法標注十分靈活，既可以在句法標注的過程中同時進行，也可以在句法標注完成后單獨進行。在詞語文本框中，將光標置于詞語文本內(nèi)部或邊界處，義項標注區(qū)就會自動顯示該詞在詞典中的所有義項，點擊合適的義項即可完成標注。此時，選中的詞類和義項碼顯示在詞語下方，右側(cè)被選義項則由黑邊框突出顯示。

3.2.2 命名實體的標注

命名實體主要是指： 從造句單位的角度出發(fā)，如果連續(xù)幾個詞匯可以整合為一個整體概念，則將其作為一個造句單位，不再進行圖解切分，只做內(nèi)部的“詞法分析”。例如，圖6中“鐵路工人”由“鐵路”和“工人”兩個詞匯組成，若認為其整體概念化，則只用空格分隔，再對兩個基本詞匯項分別進行詞法信息標注。

3.2.3 特殊詞類的標注

圖解系統(tǒng)中，介詞、連詞、助詞、語氣詞和方位詞這5種詞類對句法分析有一定影響，處理方式也與其他詞類存在較大的差異，相應(yīng)地，在其詞類熱區(qū)處也以特殊顏色突顯。詞法標注中分為兩種情況： 其一，介詞、連詞、前置助詞和語氣詞需要單獨切出來做一個虛詞成分。如圖7所示，具體的操作過程為： 將光標置于待切分的位置，按“Ctrl”鍵并點擊相應(yīng)詞類熱區(qū)，工具會把字符文本置于新添加的虛詞成分中。圖解圖形中，每種切分出的虛詞成分都在橫線下用特殊的符號標記該成分的詞類信息和句法功能。其中，介詞標記為“∧”，連詞標記為“…”，助詞標記為“△”，語氣詞標記為“▽”，方位詞標記為“□”*有些后附的方位詞用法類似于助詞，這種情況下也按虛詞成分處理。；其二，后置助詞、方位詞如果與中心詞緊密結(jié)合成一個整體概念，則將其作為一個造句單位，只做詞法結(jié)構(gòu)分析，否則按前一種情況處理。

圖7 圖解標注模式(虛詞成分切分)

為了提高樹庫標注效率，標注工具結(jié)合統(tǒng)計與規(guī)則的方法，添加了詞法智能標注的功能： 一是統(tǒng)計詞類和義項的頻次信息，輔助標注人員參考判斷；一是借鑒句本位“依句辨品”的思想，在詞類辨析中進行基于規(guī)則的判斷。程序會實時統(tǒng)計經(jīng)審核標注結(jié)果的義項分布信息，并以陰影條的方式顯示該義項在同形詞所有義項中所占的百分比，如圖6所示。詞法標注過程中，若待標注詞為單義詞或者其多義項中有某一常用義項的分布比率占絕對優(yōu)勢(系統(tǒng)所設(shè)閾值為80%)時，程序會將該單義項或常用義項作為默認義項自動標注。如果待標注詞在虛詞成分中，且在該虛詞詞性下義項唯一，程序也會將該義項自動標注。當然，標注人員也可對多義項詞的自動標注結(jié)果進行修改。

4 輔助功能

基于句式結(jié)構(gòu)的圖解標注模式從總體上保證了樹庫標注的效率，而增加便捷的輔助功能以優(yōu)化人機界面，既能方便標注人員操作，提高樹庫標注效率，也可對樹庫構(gòu)建的一致性起到特定的促進作用。本系統(tǒng)在圖解標注基本功能的基礎(chǔ)上，設(shè)計實現(xiàn)了一系列輔助樹庫建設(shè)的外圍功能，比如成分的拖拽刪除與交換、復(fù)制/粘貼、撤銷/重復(fù)等。

4.1 圖解成分的拖拽

圖解標注過程中，拖拽是一種方便快捷的修改和調(diào)整圖形的操作方式。系統(tǒng)對圖解圖形的編解碼是根據(jù)最終的圖解樣式來進行轉(zhuǎn)換的，而與中間的操作過程沒有關(guān)系。所以通過成分控件的拖拽可實現(xiàn)成分的快速刪除、順序調(diào)整，有效提高圖解標注的效率。如圖8所示，“鐵路”作為錯誤添加出的定語，操作上僅需將定語成分拖出圖形邊界即可刪除定語。成分刪除后其中文本“鐵路”能回到它所依附的中心語成分，無需標注人員重新添加。

圖8 成分刪除示例

4.2 “復(fù)制/粘貼”和“撤銷/重復(fù)”

為了在不調(diào)整整體句式的情況下，快速修改圖形中的局部錯誤，系統(tǒng)針對NP、VP和小句3類句法單位，實現(xiàn)了復(fù)制與粘貼的功能。NP是由主語或賓語成分及其所帶的定語、虛詞等附加成分組成，VP是由謂語成分及其所帶的賓語和狀語、補語等附加成分組成。具體操作時，先把待復(fù)制的成分選為焦點成分，按“Ctrl+Shift+C”完成復(fù)制操作，接著選中待替換的焦點成分，按“Ctrl+Shift+V”完成粘貼操作?？紤]到句法約束，粘貼操作只能替換相同類別的句法單位，即NP?NP、VP?VP、小句?小句，而無法進行類似NP?VP的替換操作。

此外，考慮到標注過程中偶爾會有一定的誤操作，為了能夠讓標注人員在不用重新標注的情況下就能快速地修正錯誤，系統(tǒng)設(shè)計并實現(xiàn)了圖解操作的撤銷與重復(fù)功能。標注人員可通過按“Ctrl+Shift+Z”和“Ctrl+Shift+Y”執(zhí)行。

5 圖解實踐的效果分析

為了檢驗標注工具的效果，完善相應(yīng)的語法理論，并在標注過程中發(fā)掘更加合理高效的標注模式和機器輔助算法，我們將標注工具應(yīng)用于句本位語法樹庫構(gòu)建工程。樹庫構(gòu)建所采用的生語料主要來源于國際漢語教學領(lǐng)域，遴選了一部分國際漢語教材文本作為首批標注語料。語料文本通過Web上傳入庫，上傳后按照標點“。|？|！|： ”切句，切分后的句子作為圖解析句的標注單位。

樹庫工程實施中，具體標注人員主要是高校的本科生和研究生，學科背景既有語言學相關(guān)專業(yè)的，也有非語言學專業(yè)的。我們制定了相關(guān)的規(guī)范文檔用來培訓標注人員，使其能夠快速掌握圖解系統(tǒng)的基本操作方法和標注規(guī)范。盡管標注人員的語言學基礎(chǔ)不同，但經(jīng)過一兩天的培訓學習和圖解標注實踐，基本上都能達到相對熟練的程度，標注正確率和速度接近平均水平。樹庫工程初始階段以人工標注為主，在機器輔助的條件下，人均正確標注效率能夠達到： 4 128字(238句)/每天(7h)。新版工具增加了詞語義項的標注，義項的判斷與選擇相應(yīng)會耗費更多的時間，但其標注效率與沒有進行義項標注的現(xiàn)有工具基本持平*根據(jù)文獻[11]，其標注效率為： 4 450字(207句)/每天(7h)。。從總體來說，新版工具具有更高的標注效率。

相比短語結(jié)構(gòu)體系和依存結(jié)構(gòu)體系，基于圖解析句的樹庫標注之所以能夠體現(xiàn)出相對的效率優(yōu)勢，其中原因分析如下：

短語結(jié)構(gòu)強調(diào)句法結(jié)構(gòu)層次，在處理某些線性組合(如“狀—狀—動”、“狀—動—賓”)的層次時，需人工進行逐級的層次劃分，而這種層次因為受線性順序的約束是可以由工具系統(tǒng)來完成的(如本系統(tǒng)的設(shè)計)。依存結(jié)構(gòu)分析在這一點上與本系統(tǒng)是一致的，但是它也受統(tǒng)一的二元依存的影響，句法標注過于細碎。處理復(fù)雜長句時，部分依存弧的標注操作變得繁瑣。而本系統(tǒng)詞法標注的設(shè)計和逐層劃分的方式使圖解分析變得更加快捷。

以目前樹庫建設(shè)的進度來看，基于句式結(jié)構(gòu)的語法理論和與之對應(yīng)的圖解標注工具對于樹庫構(gòu)建效率的提升是十分明顯的，所需投入的人力和物力資源也被大幅削減。接下來的工作是，在積累一定規(guī)模的語料之后，將深入研究機器自動輔助分析算法，使系統(tǒng)更具交互性和智能性，推進大規(guī)模深層標注句法樹庫的建設(shè)。

[1] Naiwen Xue, Fei Xia, Fu-Dong Chiou et al. The Penn Chinese TreeBank: Phrase structure annotation of a large corpus [J]. Natural language engineering, 2005, 11(2): 207-238.

[2] 陳鳳儀, 蔡碧芳, 陳克健等. 中文句結(jié)構(gòu)樹資料庫(Sinica Treebank)的構(gòu)建[J]. Computational Linguistics and Chinese Language Processing, 1999, 4(2): 87-104.

[3] 周強. 漢語句法樹庫標注體系[J]. 中文信息學報, 2004, 18(04): 1-8.

[4] 靳光瑾, 肖航, 富麗等. 現(xiàn)代漢語語料庫建設(shè)及深加工[J]. 語言文字應(yīng)用, 2005(02): 111-120.

[5] 詹衛(wèi)東. 大規(guī)模中文語料庫句法結(jié)構(gòu)信息標注及定量分析[C]//第二屆現(xiàn)代漢語句法語義國際學術(shù)論壇, 臺灣： 新竹, 清華大學.2009.8.22-24,

[6] Ting Liu, Jinshan Ma, Sheng Li. Building a dependency treebank for improving Chinese parser[J]. Journal of Chinese Language and Computing, 2006, 16(4): 207-224.

[7] 何靜, 彭煒明, 宋繼華. 現(xiàn)代漢語黎氏語法圖解標注體系[C].第十四屆漢語詞匯語義學國際研討會(CLSW2013). 鄭州: 鄭州大學， 2013-5-12.

[8] 趙懌怡, 關(guān)潤池. 漢語依存樹庫的構(gòu)建[C].第三屆學生計算語言學研討會論文集, 2006.

[9] 楊天心, 彭煒明, 宋繼華. 基于句式結(jié)構(gòu)的高效語法圖解標注系統(tǒng)[J]. 中文信息學報, 已錄用.

[10] 彭煒明, 宋繼華, 王寧. 基于句式結(jié)構(gòu)的漢語圖解析句法設(shè)計[J]. 計算機工程與應(yīng)用, 2014, 50(06): 11-18.

[11] 彭煒明, 宋繼華, 俞士汶. 中文信息處理的詞法問題——以句本位語法圖解樹庫構(gòu)建為背景[C].第十四屆漢語詞匯語義學國際研討會(CLSW2013). 鄭州: 鄭州大學， 2013-5-12.