馬建軍，宗 敏

(大連理工大學(xué) 外國語學(xué)院英語系，遼寧 大連 116024)

句法分析是自然語言處理的基本問題，是指通過計算機算法得到自然語言句子的句法結(jié)構(gòu)。[1]自上個世紀(jì)50年代以來，句法分析問題一直是自然語言處理領(lǐng)域的重點和難點。[2]提高句法分析的質(zhì)量不僅要更正算法，選擇更合適的語法模板，更要從每次實驗的錯誤中進(jìn)行總結(jié)分析，在具體方面加以改正。實驗表明豐富的語言知識對句法分析精度的提高有積極的作用，[3]但是在自然處理領(lǐng)域研究者多從算法和模板上進(jìn)行錯誤分析或多個實驗進(jìn)行比較，從語言學(xué)角度分析的文章甚至段落少之又少。徐潤華將句法錯誤分為兩大類：語法功能不合理和語法缺失，僅舉了4個例子。[4]馬建軍提出由于搭配庫知識不全，小句中的小品詞和介詞很難區(qū)分，并明確指出做狀語的名詞短語容易出現(xiàn)識別錯誤。[5]盛文鳳在其畢業(yè)論文中指出兩大類介詞短語識別錯誤：邊界錯誤和功能錯誤，也僅有4個例子。[5]

鑒于此，本文應(yīng)用韓禮德系統(tǒng)功能語言學(xué)中小句的理論，對基于CRF的功能句法自動分析結(jié)果進(jìn)行數(shù)據(jù)統(tǒng)計，從句法錯誤的表現(xiàn)形式和句法錯誤原因兩方面進(jìn)行歸納總結(jié)，并結(jié)合實例做出形式化描述，對于設(shè)立標(biāo)注規(guī)則，降低人工成本、提高句法分析準(zhǔn)確度，甚至譯后編輯都具有一定的實際價值和理論意義。

一 錯誤分類統(tǒng)計及討論

圖1 三類一級錯誤百分比

經(jīng)統(tǒng)計，5021個句子中，共出現(xiàn)193種錯誤。本文將其總共分為3類一級錯誤、7類二級錯誤和38類三級錯誤。其中，一級錯誤包括：機器自動識別的邊界錯誤(99種)、機器欠缺語言知識造成的語法成份識別錯誤(85種)以及少量的句法分析前期的人工標(biāo)注語注錯誤(9種)。三類一級錯誤所占百分比如圖1所示。一級的邊界錯誤可分為兩類二級錯誤：漏編錯誤(26種)和語法成分邊界錯誤(73種)。兩類二級錯誤里可繼續(xù)分出11種三級錯誤。邊界錯誤細(xì)致構(gòu)成如表1所示。

表1 邊界錯誤構(gòu)成

按照IOB2標(biāo)注語方法，I表示該標(biāo)注項目在短語內(nèi)，B表示短語開始位置。因此，我們把語法成份識別錯誤分為兩類二級錯誤：短語內(nèi)成份錯誤(45種)和短語起始成份錯誤(40種)。具體例子如表2所示。

表2 短語內(nèi)成份錯誤和短語起始成份錯誤示例

本文中，按照功能語法小句理論，小句成份功能塊被分為7大類：主語、謂語、補語、補語1/2/3/4、狀語、謂語剩余部分和補語剩余部分，共10部分。但是，所選擇的句法分析結(jié)果的語料中，沒有涉及到有補語4的小句，所以具體的語法成份錯誤包括9種。語法成分識別錯誤構(gòu)成如表3所示。

表3 語法成分識別錯誤構(gòu)成

第三類一級錯誤——人工標(biāo)注錯誤僅占錯誤總數(shù)的5%，具體的標(biāo)注錯誤(三級錯誤)僅有9種。將這9種錯誤歸為三類二級錯誤：不小心打錯詞的手誤、原文有縮寫導(dǎo)致標(biāo)注識別錯誤和成份嵌套錯誤，每種錯誤僅錯1-4詞，大多數(shù)只錯一詞。具體如表4所示。

表4 人工標(biāo)注錯誤構(gòu)成

注： 1)I-和B-指該成分被用“[]”擴起來了，但是沒有注明功能

2)I-[P和I-[B指該成分在標(biāo)注時多標(biāo)了一個“[”，如：“[[P”。

3)B-PM指該成分在標(biāo)注時，不小心P后多了一個M。

4)B-Denough/RB指功能D與詞enough/RB之間缺少了空格。

5)I-to/TO和B-to/TO指用“][”把不該分開的成分分開了。

從圖1，表1，表3，表4可以看出：

1.三類一級錯誤中，人工標(biāo)注錯誤比例是最低的，僅占5%。但是，人工標(biāo)注錯誤中，除了“原文有縮寫”這一項，手誤和句子成分識別不清的問題是應(yīng)該避免的。

2.在二級的漏編錯誤中，機器漏編而人有標(biāo)注的情況(53.85%)比人沒有標(biāo)注而機器標(biāo)注的情況(46.15%)略多一些。這說明我們需要增加或者細(xì)化標(biāo)注規(guī)則，以免機器思維混亂，導(dǎo)致錯誤。

3.不論是在語法成份的邊界錯誤還是在語法成份的識別錯誤中：狀語、補語2和主語的識別錯誤最多；補語3和補語補充部分因為語料中出現(xiàn)的次數(shù)少，所以錯誤少；謂語部分和謂語錯誤在不同的情況中時多時少。這意味著，狀語和補語2是自動句法分析的難點。要細(xì)化狀語邊界的描述，并將狀語常出現(xiàn)的位置考慮到系統(tǒng)設(shè)置中，增強系統(tǒng)的排序功能，才能提高對狀語和補語2的識別效果。

二 錯誤原因

需要說明的是，三個級別的錯誤會同時存在于小句當(dāng)中，他們不是非此即彼，而是互相關(guān)聯(lián)且共存的。因此，我們要從整個小句入手，究其不能被機器學(xué)習(xí)，或者影響機器學(xué)習(xí)的因素。通過對錯誤小句的樣本分析，本文確定了如表5所示的小句句法分析錯誤原因。

表5 小句句法分析錯誤原因

自然語言是復(fù)雜的，機器僅靠運算，對句型的識別能力有限度。如表5所示，小句句法分析錯誤共4大類原因：特殊句型、漏編、人工錯誤和標(biāo)點分隔。每一類下面有具體的出錯項目，現(xiàn)舉例說明。

1.句型問題。

(1)there be句型，如例1，

錯誤標(biāo)注：[P There/EX are/VBP] [C so/RB many/JJ rich/JJ people/NNS in/INP your/PRP$ area/NN] ,/, and/CC...

在我們的標(biāo)注規(guī)則中，there be被劃分到一起，識別為小句謂語P，這一點機器學(xué)到了。但是，there be 句型中，be后面的成份才是句子的真正主語S，而不是動詞be的補語C。在there be句型的一般現(xiàn)在時、現(xiàn)在完成時、過去完成時的句子中，這種錯誤均有出現(xiàn)。

(2)倒裝結(jié)構(gòu)，如例2，

錯誤標(biāo)注：[D Here/RB] [P are/VBP] [C our/PRP$ latest/JJS price/NN sheets/NNS] and/CC…

Here為地點副詞，放在句首，小句需要倒裝，be后的成份應(yīng)該是句子的主語S，但是機器判斷不出這是倒裝句，因此將be后的成份識別為補語C。類似的倒裝結(jié)構(gòu)還出現(xiàn)在enclosed is…，attached are…，listed are…等小句中。

(3)It形式主語句型，如例3，

錯誤標(biāo)注：Although/INC it/IT [P is/VBZ] [D already/RB] [D very/RB] [P late/JJ for/FOR] [C your/PRP$ L∨C/NNP] to/TO [P arrive/VB] ,/,…

我們知道，在It is … for sb. to do sth.句型中，句子的真正主語是sb. to do sth.，而機器所掌握的只是介詞for后面應(yīng)該接補語C，因此出現(xiàn)主語S識別錯誤。

(4)特殊疑問句，如例4，

錯誤標(biāo)注：Why/WRB [P do/VBP] [C thousands/NNS of/INP people/NNS] who/WP [D normally/RB] [P suffer/VBP from/RP] [C the/DT miseries/NNS of/INP cold/JJ ,/, damp/JJ ,/, changeable/JJ weather/NN] [P wear/VB] [C Thermotex/NNP] ?/.

在上面的疑問句中，do是一個疑問助詞，而不是實意動詞，因此do后面的成份應(yīng)該是主語S，而不是補語C。此類問題還出現(xiàn)在how long does...，what will be…等小句中。

(5)小句復(fù)合體。

功能語法中的小句復(fù)合體實際就是傳統(tǒng)語法中的復(fù)合句或者并列句。標(biāo)注錯誤的語料中，小句復(fù)合體錯誤之一是主從詳述關(guān)系小句，即定語從句。如例5，

錯誤標(biāo)注：… if/INC [S you/PRP] [P would/MD accept/VB] [C our/PRP$ order/NN for/INP coffee/NN] [C whose/WP$ number/NN] [P is/VBZ] [C No./NN 3003/CD] ./.

例5中，whose number 是定語從句的主語S，不能被識別為C。小句復(fù)合體中，投射關(guān)系小句，即賓語從句，也是常出現(xiàn)錯誤的小句復(fù)合體。如下例6，

錯誤標(biāo)注：… ,/, [P have/VBP shown/VBN] that/INC [S of/INP all/DT conventional/JJ underwear/NN fabrics/NNS Thermotex/NNP] [P has/VBZ] [C the/DT highest/JJS warmth/NN insulating/VBG properties/NNS] ./.

介詞短語修飾名詞，應(yīng)位于名詞后，而不是名詞前。因此，例6中，介詞短語of all conventional underwear fabrics應(yīng)該被標(biāo)注為賓語從句的狀語D，Thermotex為后面小句的主語S。

2.漏編。

機器沒有學(xué)到規(guī)則而漏編，可能是因為規(guī)則設(shè)置模糊，更有可能是前期人工標(biāo)注時，人為主觀漏掉了對一些詞的標(biāo)注，以致不同小句中，對同一個詞標(biāo)注出現(xiàn)沖突，導(dǎo)致錯誤。語料中體現(xiàn)最多的漏編項目有：并列連詞、比較連詞和關(guān)系代詞。

(1)并列連詞問題，如例7，

錯誤標(biāo)注：[P There/EX is/VBZ] [D also/RB] [S a/DT saving/NN in/INP freight/NN charges/NNS] when/WRB [S separate/JJ consignments/NNS] [P intended/VBN for/RP] [C the/DT same/JJ port/NN of/INP destination/NN] [P are/VBP carried/VBN] [D in/INP one/CD container/NN] and/CC [C an/DT additional/JJ saving/NN on/INP insurance/NN] [D because/INP of/INP the/DT lower/JJR premiums/NNS] [P charged/VBN for/RP] [C containershipped/VBN goods/NNS] ./.

例7的句子主干可以提煉為：There is a saving in freight charges and an additional saving on insurance，這使得an additional saving on insurance成為there be句型中的第二個主語。但是由于and 沒有被標(biāo)注成份，所以機器不能識別出and并列的是兩個短語還是兩個小句，以至于成份識別出錯。類似錯誤還出現(xiàn)在連詞or和either…or…結(jié)構(gòu)中。

(2)比較連詞than沒有納入標(biāo)注范圍，見例8，

錯誤標(biāo)注：[D Due/JJ to/INP our/PRP$ internal/JJ remittance/NN procedures/NNS] ,/, which/WDT [P took/VBD] [D longer/RBR than/INP anticipated/VBN] ,/, …

例8中，由于than沒有標(biāo)注功能，系統(tǒng)就近選擇，將其標(biāo)入狀語D，完全忽視了比較的意義，同時還造成了謂語anticipated的識別錯誤。

(3)定語從句關(guān)系代詞沒有納入標(biāo)注范圍。

并不是每一個沒有入編的定語從句關(guān)聯(lián)詞都有識別錯誤，但機器對個別關(guān)系代詞的自動識別會出現(xiàn)錯誤，尤其是介詞+關(guān)系代詞的情況。常出現(xiàn)錯誤的有：who，with those who，of which，which。見例9，

錯誤標(biāo)注：Since/INC [S the/DT defects/NNS of/INP the/DT goods/NNS] [P are/VBP inherent/JJ][D in/INP the/DT quality/NN of/INP the/DT material/NN of/INP which/WDT] [S the/DT goods/NNS] [P are/VBP made/VBN] ,...

例9中有三個錯誤：首先，“be +形容詞+介詞”的結(jié)構(gòu)中，介詞應(yīng)該被標(biāo)注在謂語中，算作謂語P的一部分，機器沒有學(xué)習(xí)到，反而將in與后面的名詞短語放在一起當(dāng)做狀語D。進(jìn)而，the quality of the material本該是in的補語C，就被括在了狀語內(nèi)。最后，of which由于沒有被標(biāo)注功能，系統(tǒng)自動將其識別為了狀語D，造成錯誤。

3.人工錯誤。

人工錯誤中的手誤錯誤在錯誤分類表格下的注釋中已經(jīng)有詳細(xì)說明，此處不再舉例贅述。關(guān)于小句功能成分混淆問題，可能由于標(biāo)注者疲勞或句子過長或其他原因，功能成分劃分有誤，而機器自動識別正確，見例10，

錯誤標(biāo)注：[S In/INP support/NN of/INP our/PRP$ claim/NN] [S we/PRP] [P are/VBP sending/VBG] [C1 you/PRP] [C2 a/DT survey/NN report/NN] [P issued/VBN] by/BY [C CCIB/NNP] ./.

但是例10中， in support of介詞短語表示“為了支持……”，應(yīng)該被識別為狀語D，但是人工標(biāo)記成了主語S，反而機器標(biāo)記正確。

4.標(biāo)點分隔。

標(biāo)點分隔問題指：本該共同作為同一功能的幾個短語，由于其間有標(biāo)點，機器就近選擇標(biāo)點所代表的功能，以至于標(biāo)注混亂。常出現(xiàn)錯誤的標(biāo)點有：引號、冒號、逗號。以引號錯誤為例，見表6。

表6 引號分隔錯誤示例

三 結(jié)語

本研究表明功能句法分析的錯誤中，邊界錯誤最多，其次是功能成分識別錯誤，人工錯誤最少。但究其根本，在初期進(jìn)行語料標(biāo)注時，功能成分邊界的劃分、標(biāo)注項目的確定和少量人為標(biāo)記錯誤，對機器識別結(jié)果都有一定的影響?；诠δ苄【涞木浞ǚ治鱿到y(tǒng)還有很大的改進(jìn)余地，本研究正是邁向改進(jìn)的第一步。此后，對小句的研究會進(jìn)一步深入，為提高句法分析精度貢獻(xiàn)綿薄之力。

[1]俞士汾.計算語言學(xué)概論[M].北京:商務(wù)印書館,2004.

[2]李業(yè)剛,黃河燕.漢語組塊分析研究綜述[J].中文信息學(xué)報，2013,27(3):1-8.

[3]袁里馳.融合語言知識的統(tǒng)計句法分析[J].中南大學(xué)學(xué)報(自然科學(xué)版)，2012,43(3):986-991.

[4]徐潤華.基于詞語搭配知識和語法功能匹配的句法分析器[D].南京師范大學(xué),2013.

[5]馬建軍.面向機器翻譯的英語功能名詞短語識別研究[D].大連理工大學(xué),2012.

[6]盛文鳳.英語介詞短語功能識別及其在翻譯中的應(yīng)用[D].大連理工大學(xué),2013.

[7]閆旭.淺談SQL Server數(shù)據(jù)庫的特點和基本功能[J].價值工程，2012:229-231.