朱珊珊，洪 宇，丁思遠(yuǎn)，姚建民，朱巧明

（蘇州大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇蘇州215006）

1 引言

篇章關(guān)系分類研究旨在自動(dòng)推測同一篇章內(nèi)兩個(gè)文本片段（即“論元”，argument）之間的語義連接關(guān)系。賓州篇章樹庫（Penn Discourse Treebank，PDTB）［1－2］是2008年發(fā)布標(biāo)注具體篇章關(guān)系類型的語言學(xué)資源，其將篇章關(guān)系類型分成三層（如圖1所示）：Class層、Type層和Subtype層。Class層包括：Expansion（擴(kuò)展關(guān)系）、Contingency（偶然關(guān)系）、Comparison（對比關(guān)系）和Temporal（時(shí)序關(guān)系）；Type層和Subtype層則分別針對上一層進(jìn)行細(xì)分。

此外，依據(jù)“論元對”關(guān)系類別的不同識(shí)別方式，PDTB又將篇章關(guān)系分成顯式篇章關(guān)系（Explicit Discourse Relation）和隱式篇章關(guān)系（Implicit Discourse Relation）兩種類型。在顯式篇章關(guān)系類型中，兩個(gè)“論元”之間存在連接詞（例如，連接詞“but”，“because”等），可直接根據(jù)連接詞判定篇章關(guān)系；而在隱式篇章關(guān)系類型中，兩個(gè)“論元”之間缺少連接詞等直觀推理線索，無法直接判定篇章關(guān)系，須結(jié)合上下文、句子語義結(jié)構(gòu)等其他信息間接推理。在PDTB語言學(xué)資源中，標(biāo)注者通過在隱式“論元對”中插入一個(gè)連接詞表示具體的篇章關(guān)系類型。本文主要專注于Class層隱式篇章關(guān)系分類問題的研究。例1是從PDTB語料中抽取的具有隱式篇章關(guān)系的文本片段，圖2給出標(biāo)注的連接詞及其對應(yīng)的篇章關(guān)系類別。

圖1 PDTB篇章關(guān)系體系

例1 ［Mrs.Tom was fired and prosecuted under a South Carolina law that makes it a crime to breach test security.］arg1［Implicit＝then］［In September，she pleaded guilty and paid a＄500 fine］arg2［Implicit＝but］［She never complained to school officials that the standardized test was unfair］arg3［Implicit＝therefore］［Do I have much sympathy for her］arg4［Implicit＝in fact］［Not really］arg5.

＜譯文：依據(jù)南卡羅來納法：違反安全測試是一種違法行為，湯姆小姐被解雇并同時(shí)被起訴?！倦S后在九月份，她承認(rèn)罪行并支付了500美金的罰款?！镜恰克龔臎]有向?qū)W校官員抱怨標(biāo)準(zhǔn)化測試是不公平的?！疽虼恕课彝樗龁?？【實(shí)際上】并不是這樣的。＞

圖2 例1中各“論元對”篇章關(guān)系標(biāo)注結(jié)果

關(guān)于篇章關(guān)系分類的研究已開展多年，在顯式篇章關(guān)系方面，分類精確率已達(dá)93.09%［3］。而在隱式篇章關(guān)系方面，分類精確率仍然較低。主流研究方法主要采用基于語言學(xué)特征的機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)關(guān)系分類，在這種分類方法中，大多數(shù)研究者都假設(shè)參與分類的正類樣本和負(fù)類樣本的數(shù)量是相等的，通過隨機(jī)欠采樣等方法保持?jǐn)?shù)據(jù)平衡。然而隨機(jī)欠采樣方法存在一個(gè)明顯的缺點(diǎn)（注：為表述清楚，本文將樣本中數(shù)量較多的一類稱為多數(shù)類，將樣本數(shù)量較少的一類稱為少數(shù)類）：欠采樣過程從多數(shù)類樣本中隨機(jī)選擇與少數(shù)類樣本數(shù)量相等的樣例，致使多數(shù)類樣本中大量有用的樣本被丟棄，在后續(xù)分類過程中未能發(fā)揮作用，從而影響整體的關(guān)系分類性能。

針對該問題，本文提出一種基于框架語義向量的訓(xùn)練樣本擴(kuò)展方法，旨在充分利用已標(biāo)注的篇章關(guān)系樣本，對不平衡的訓(xùn)練樣本進(jìn)行擴(kuò)展，解決基于不平衡數(shù)據(jù)的隱式篇章關(guān)系分類問題。具體實(shí)現(xiàn)過程中，該方法借助框架語義知識(shí)庫，將篇章關(guān)系樣本表示成框架語義向量，借助框架語義向量，在外部未標(biāo)注數(shù)據(jù)資源中挖掘篇章關(guān)系樣本，實(shí)現(xiàn)對訓(xùn)練樣本的擴(kuò)展，從而解決數(shù)據(jù)不平衡問題。

本文的組織結(jié)構(gòu)如下：第2節(jié)介紹相關(guān)工作；第3節(jié)描述框架語義知識(shí)庫及框架語義向量；第4節(jié)給出基于框架語義向量的隱式訓(xùn)練樣本集擴(kuò)展方法；第5節(jié)給出實(shí)驗(yàn)結(jié)果及相關(guān)分析；第6節(jié)總結(jié)全文。

2 相關(guān)工作

2.1 隱式篇章關(guān)系分類

基于全監(jiān)督學(xué)習(xí)的隱式篇章關(guān)系分類是目前的主流研究方法，主要包括：Pilter等［4］首次使用PDTB語言學(xué)資源，抽取論元的情感極性，動(dòng)詞類型及上下文特征進(jìn)行關(guān)系分類，最終獲得優(yōu)于隨機(jī)分類的性能，奠定隱式篇章關(guān)系分類研究的基礎(chǔ)。Zhou等［5］根據(jù)語言模型困惑度在兩個(gè)論元之間插入顯式連接詞，并將該連接詞作為額外的分類特征，進(jìn)一步提高隱式篇章關(guān)系的分類性能。Lin等［6］在Pilter的研究基礎(chǔ)上，增加句法特征及依存特征。隨后，Wang等［7］提出基于樹核函數(shù)的隱式篇章關(guān)系分類方法，有效提升句法特征之間的區(qū)分能力，最終在PDTB語料上獲得40.0%的關(guān)系分類性能。Park等［8］采用前向選擇算法對單詞對、動(dòng)詞、極性、句法特征等八種特征進(jìn)行特征選擇，在每種關(guān)系類型上都獲得一個(gè)最優(yōu)的特征集合。Wang等［9］通過SCC（single centroid clustering）聚類算法選擇“典型”的訓(xùn)練樣例，減少噪音文本。近期，Rutherford等［10］使用布朗聚類對特征代替單詞對特征，Li等［11］通過改變句法特征的表示方法，有效解決特征表示的稀疏性問題。

2.2 不平衡數(shù)據(jù)分類方法

目前，主流的不平衡數(shù)據(jù)分類方法可分成兩大類：采樣技術(shù)及代價(jià)敏感函數(shù)方法。

其中，采樣技術(shù)應(yīng)用最為廣泛，主要包括隨機(jī)欠采樣（Random Under－sampling）和隨機(jī)重采樣（Random Over－sampling）兩種方法。詳細(xì)而言，隨機(jī)欠采樣方法從多數(shù)樣本中刪除部分樣例使得樣本分布平衡；而隨機(jī)重采樣方法是從少數(shù)類樣本中隨機(jī)選擇部分樣例進(jìn)行復(fù)制，直到多數(shù)類和少數(shù)類樣本數(shù)量相等。Mani等［12］提出基于K近鄰的欠采樣方法，與隨機(jī)欠采樣方法相比，該方法通過K近鄰算法從多數(shù)類樣本選擇需要?jiǎng)h除的樣例，保留多數(shù)類樣本中有用的分類信息。Lin等［13］將采樣技術(shù)與集成學(xué)習(xí)方法相結(jié)合，從多數(shù)類樣本中抽取子集與少數(shù)類樣本進(jìn)行組合，訓(xùn)練多個(gè)分類器進(jìn)行分類決策。Lin等還提出一種基于平衡－級(jí)聯(lián)算法的不平衡數(shù)據(jù)分類方法，該方法以監(jiān)督學(xué)習(xí)方法為基礎(chǔ)，通過訓(xùn)練多個(gè)分類器選擇多數(shù)類樣本中需要?jiǎng)h除的樣例。此外，Chawla等［14］提出基于少數(shù)類合成的過采樣技術(shù)（簡稱SMOTE算法），該方法以少數(shù)類樣本為種子樣例，基于K近鄰算法生成新的少數(shù)類樣例，對少數(shù)類進(jìn)行擴(kuò)展。Han等［15］對SMOTE算法進(jìn)行改進(jìn)，對少數(shù)類樣本進(jìn)行歸類，在此基礎(chǔ)上，提出基于邊界－少數(shù)類合成的采樣方法。

上述采樣技術(shù)主要通過調(diào)整樣本數(shù)量保持?jǐn)?shù)據(jù)平衡，代價(jià)敏感函數(shù)方法則是在分類過程中改變誤分類的代價(jià)函數(shù)［16］，保證在多數(shù)類樣本中分錯(cuò)的代價(jià)大于在少數(shù)類樣本中分錯(cuò)的代價(jià)。在此基礎(chǔ)上，后續(xù)研究者提出代價(jià)敏感決策樹和代價(jià)敏感神經(jīng)網(wǎng)絡(luò)，進(jìn)一步解決不平衡數(shù)據(jù)分類問題。

3 框架語義知識(shí)庫及框架語義向量

3.1 框架語義知識(shí)庫

框架語義知識(shí)庫（FrameNet）①http：／／framenet.icsi.berkeley.edu／是基于框架語義學(xué)（Frame Semantics）［17］構(gòu)建的權(quán)威英文語義詞匯資源?？蚣苷Z義學(xué)由Fillmore于1992年提出，它是一種通向理解及描寫詞語和語法結(jié)構(gòu)意義的方法。該理論的核心思想是為了理解語言中詞的意義，首先要有一個(gè)概念結(jié)構(gòu)，這個(gè)概念結(jié)構(gòu)為詞在語言及言語中的存在和使用提供背景和動(dòng)因。表1給出FrameNet中相關(guān)術(shù)語定義及標(biāo)注示例。從表1中的標(biāo)注示例可以看出，兩個(gè)標(biāo)注示例包含不同的語義信息，但它們具有相同的框架語義，目標(biāo)詞cooks和fry對應(yīng)的框架語義均為APPLY＿HEAT，通過框架語義信息，可將兩個(gè)具有不同語義信息的文本片段關(guān)聯(lián)起來。

表1 FrameNet相關(guān)術(shù)語定義及標(biāo)注示例

本文引入框架語義，主要?jiǎng)訖C(jī)在于框架語義有助于“論元”語義一級(jí)的描述，對于后續(xù)隱式訓(xùn)練樣本的擴(kuò)展，能夠有效提升“論元對”的挖掘精度與廣度，并提升其分類效率。目前，框架語義學(xué)領(lǐng)域已然形成多種自動(dòng)框架語義分析與識(shí)別工具。本文采用Dipanjan Das等人開發(fā)的SEMFOR①http：／／www.ark.cs.cmu.edu／SEMAFOR／標(biāo)注工具進(jìn)行框架語義標(biāo)注，該工具對給定的句子進(jìn)行目標(biāo)詞與框架的有效識(shí)別。

3.2 框架語義向量生成方法

本文使用SEMAFOR框架語義分析與識(shí)別工具對訓(xùn)練樣本進(jìn)行框架語義標(biāo)注。在此基礎(chǔ)上，將“論元”中的所有框架語義進(jìn)行組合形成框架語義向量，利用該向量表示“論元”，實(shí)現(xiàn)“論元”的抽象描述，從而減少隱式篇章關(guān)系分類任務(wù)的復(fù)雜度。例3為標(biāo)注的“論元對”實(shí)例，Arg1中可識(shí)別出三個(gè)目標(biāo)詞：events，took place和years，其對應(yīng)的框架語義分別為Event，Event和Measure＿duration，將它們組合起來形成框架語義向量Sf1；同理Arg2中可識(shí)別出has等五個(gè)目標(biāo)詞，將它們對應(yīng)的框架語義組合起來形成框架語義向量Sf2。

例3 Arg1：These events took place 35years ago.

＜譯文：這些事件發(fā)生在35年前＞

Sf1：（Event，Event，Measure＿duration）

Arg2：It has no bearingon our work force today.

＜譯文：現(xiàn)在它對工作人員并沒有什么影響＞

Sf2：（Possession，Objective＿influence，Working＿on，Military，Calendric＿unit）

4 基于框架語義向量的隱式訓(xùn)練樣本集擴(kuò)展方法

4.1 隱式篇章關(guān)系分類數(shù)據(jù)分析

本文采用PDTB標(biāo)注的隱式數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集，共包含13 815個(gè)實(shí)例。表2給出該數(shù)據(jù)集上四種篇章關(guān)系類別的實(shí)例數(shù)量、在語料中的比例以及正負(fù)類別比例。從表中可以看出，四種篇章關(guān)系類別的實(shí)例數(shù)量相差較大，正負(fù)不平衡比例介于0～2。除了Expansion類別，其余三個(gè)關(guān)系類別（Comparison、Contingency和Temporal）的正例樣本數(shù)量均小于負(fù)例樣本數(shù)量。這種情況容易導(dǎo)致在這三個(gè)類別上訓(xùn)練的分類模型更傾向于將測試實(shí)例判定為負(fù)類，產(chǎn)生較大的誤差，影響隱式篇章關(guān)系分類的整體性能?；诖耍疚慕柚蚣苷Z義知識(shí)庫，對實(shí)例數(shù)量較少的三個(gè)篇章關(guān)系類別進(jìn)行樣本擴(kuò)展，解決隱式篇章關(guān)系分類過程中樣本數(shù)據(jù)不平衡的問題。

表2 PDTB隱式數(shù)據(jù)集四種篇章關(guān)系分布

4.2 未標(biāo)注篇章關(guān)系樣本挖掘方法

本文采用的外部數(shù)據(jù)資源為GIGAWORD紐約時(shí)報(bào)語料，共包含1 298 498篇新聞文本。在進(jìn)行訓(xùn)練樣本擴(kuò)展之前，本文對GIGAWORD中所有文本進(jìn)行切分，為了驗(yàn)證本文的方法能夠有效地選擇與測試樣本語義相近的隱式“論元對”，本文將GIGAWORD樣本分別切分成顯式篇章關(guān)系樣本和隱式篇章關(guān)系樣本，下面詳述這兩種切分方法。

1）顯式篇章關(guān)系樣本切分

該方法以PDTB語言學(xué)資源中的Golden連接詞為基礎(chǔ)，從GIGAWORD文本中切分獲得顯式篇章關(guān)系樣本，切分后的文本符合以下兩個(gè)條件：

·以“論元對”為單元，即包含前置論元Arg1和后置論元Arg2。

·Arg2中的第一個(gè)單詞為Golden連接詞②Golden連接詞：指向某一特定篇章關(guān)系的概率大于96%，例如連接詞“now”唯一地指向Temporal（時(shí)序關(guān)系），PDTB共統(tǒng)計(jì)得出87個(gè)Golden連接詞。，且將Golden連接詞作為未標(biāo)注“論元對”的先驗(yàn)知識(shí)，“論元對”具有顯式篇章關(guān)系。

按照上述切分條件，本文共獲得2 520 777個(gè)顯式“論元對”（簡寫為GIGA－Explicit），四種篇章關(guān)系分布比例如圖3所示。圖4為顯式“論元對”數(shù)量較多的Top10Golden連接詞，從圖中可以看出，包含“or”，“so”，“for”等連接詞的顯式“論元對”在語料中所占比例較大，導(dǎo)致Expansion篇章關(guān)系類別在語料中的比例最大（如圖3中Expansion在所有挖掘的GIGA－Explicit篇章關(guān)系樣本中的比例為37.06%）。

圖3 GIGA－Explicit顯式樣本四種篇章關(guān)系分布情況

2）隱式篇章關(guān)系樣本切分

與顯式篇章關(guān)系樣本切分方法類似，該方法將GIGAWORD文本切分成隱式篇章關(guān)系樣本，切分后的文本須滿足以下兩個(gè)條件：

·以“論元對”為單元，即包含前置論元Arg1和后置論元Arg2。

圖4 GIGA＿Explicit樣本中顯式“論元對”數(shù)量較多的Top10Golden連接詞

· “論元對”中不存在連接詞，即“論元對”具有隱式篇章關(guān)系。

與顯式篇章關(guān)系樣本切分方法的唯一不同的是，該方法不以Golden連接詞為先驗(yàn)知識(shí)，“論元對”的篇章關(guān)系類別不確定。此外，在文本切分過程中，本文通過句法分析確保挖掘到的隱式“論元對”符合自然語言規(guī)律。本文最終切分獲得908 142個(gè)隱式“論元對”（簡寫為GIGA－Implicit）。

4.3 基于框架語義向量的訓(xùn)練樣本集擴(kuò)展方法

對4.2節(jié)構(gòu)建的兩個(gè)篇章關(guān)系樣本GIGA－Explicit和GIGA－Implicit，本文使用SEMFOR語義框架標(biāo)注工具對所有樣本進(jìn)行標(biāo)注，獲得樣本的框架語義向量。在此基礎(chǔ)上，以PDTB中隱式訓(xùn)練樣本為種子樣例，分別計(jì)算每個(gè)種子樣例的框架語義向量與兩個(gè)篇章關(guān)系樣本中樣例對應(yīng)的框架語義向量之間的語義相似度，根據(jù)相似度計(jì)算結(jié)果排序，選擇與當(dāng)前種子樣例最相似的TopN“論元對”作為擴(kuò)展的訓(xùn)練樣本。其中，語義相似度計(jì)算方法如公式（1）所示，Arg1Sim表示前置論元Arg1框架語義向量之間的余弦相似度，Arg2Sim表示后置論元Arg2框架語義向量之間的余弦相似度，特征權(quán)重使用框架語義在論元中的出現(xiàn)頻數(shù)。圖5為基于GIGA－Explicit顯式樣本擴(kuò)展訓(xùn)練樣本方法的實(shí)例化流程圖。

圖5 基于GIGA－Explicit顯式樣本擴(kuò)展訓(xùn)練樣本的實(shí)例化說明

特別地，由于顯式“論元對”和隱式“論元對”之間存在不同的語義特性，在篇章關(guān)系樣本GIGA－Explicit和GIGA－Implicit中挖掘擴(kuò)展“論元對”時(shí)，存在以下兩點(diǎn)不同之處：

在GIGA－Explicit顯式篇章關(guān)系樣本中，“論元對”的篇章關(guān)系類別是確定的。在挖掘過程中，由于存在“噪音”文本，與種子樣例最相似的TopN顯式“論元對”中可能會(huì)出現(xiàn)篇章關(guān)系類別不一致的情況，即當(dāng)前種子樣例的篇章關(guān)系類別為Rx，挖掘到的“論元對”的先驗(yàn)篇章關(guān)系類別為Ry，Rx≠Ry。針對這種情況，本文在選擇擴(kuò)展“論元對”之前，刪除與種子樣例篇章關(guān)系類別不一致的顯式“論元對”，在此基礎(chǔ)上，選擇與種子樣例最相似的TopN顯式“論元對”作為擴(kuò)展樣本。

在GIGA－Implicit隱式篇章關(guān)系樣本中，“論元對”的篇章關(guān)系類別不確定。根據(jù)Hong等［18］提出的“平行推理機(jī)制”理論，與種子樣例最相似的TopN隱式“論元對”在關(guān)系上是平行的，即TopN隱式“論元對”的篇章關(guān)系與種子樣例的篇章關(guān)系相同，可直接將挖掘到的隱式“論元對”作為擴(kuò)展樣本。

5 實(shí)驗(yàn)

5.1 實(shí)驗(yàn)設(shè)置

本文使用PDTB隱式數(shù)據(jù)集中Section 02～20作為訓(xùn)練數(shù)據(jù)集，Section 21～22作為測試數(shù)據(jù)集，Section 00～01作為驗(yàn)證數(shù)據(jù)集。各數(shù)據(jù)集在四種篇章關(guān)系類別上的分布情況如表3所示。本文使用詞向量（Semantic Vector）①http：／／nlp.stanford.edu／software／lex－parser.shtml作為分類特征，向量維度設(shè)定為100維。

表3 實(shí)驗(yàn)數(shù)據(jù)集四種篇章關(guān)系分布

此外，本文使用LIBSVM（Chang等［19］）作為分類器，核函數(shù)選用線性核函數(shù)。針對每種篇章關(guān)系類別，分別訓(xùn)練一個(gè)二元分類器，計(jì)算獲得每個(gè)篇章關(guān)系類別的分類精確率（Accuracy）（如公式（2）所示），公式（2）中TP和TN分別表示被正確分為正例和負(fù)例的個(gè)數(shù)。整體性能評(píng)價(jià)標(biāo)準(zhǔn)使用精確率的宏平均（Micro－average Accuracy）（如公式（3）所示），其中R＝｛Expansion，Comparison，Contingency，Temporal｝。

5.2 實(shí)驗(yàn)系統(tǒng)

表4列出參與實(shí)驗(yàn)的各分類系統(tǒng)，編號(hào)2～9為基于主流不平衡分類方法的實(shí)驗(yàn)系統(tǒng)，編號(hào)10～11為本文提出的基于框架語義向量的不平衡隱式篇章關(guān)系分類系統(tǒng)，其中Expand－Explicit系統(tǒng)使用GIGA－Explicit顯式篇章關(guān)系樣本，Expand－Implicit系統(tǒng)使用GIGA－Implicit隱式篇章關(guān)系樣本。

表4 實(shí)驗(yàn)系統(tǒng)

續(xù)表

5.3 實(shí)驗(yàn)結(jié)果及分析

針對每個(gè)種子樣例，本文在外部篇章關(guān)系樣本中選擇與其最相似的TopN“論元對”作為擴(kuò)展樣本，圖6分別給出在Expand－Explicit和Expand＿Implicit兩個(gè)實(shí)驗(yàn)系統(tǒng)中參數(shù)N的不同取值對應(yīng)的整體分類性能變化圖。從圖6中可以看出，N取值分別為3和1時(shí)，兩個(gè)實(shí)驗(yàn)系統(tǒng)能夠獲得最優(yōu)的分類性能，且在參數(shù)調(diào)整過程中，Expand＿Implicit實(shí)驗(yàn)系統(tǒng)的整體分類性能均明顯優(yōu)于Expand－Explicit實(shí)驗(yàn)系統(tǒng)。

圖6 N的不同取值對應(yīng)的整體分類性能

圖7為各實(shí)驗(yàn)系統(tǒng)的實(shí)驗(yàn)性能對比情況，從圖中可以看出，與Baseline系統(tǒng)對比，Expand－Explicit實(shí)驗(yàn)系統(tǒng)的實(shí)驗(yàn)性能獲得小幅度的提升，整體分類精確率提升6.75%，Expand＿Implicit實(shí)驗(yàn)系統(tǒng)的分類性能提升幅度較大，整體分類精確率提升28.16%。結(jié)合圖6和圖7，分析原因可知，Expand－Explicit實(shí)驗(yàn)系統(tǒng)擴(kuò)展的訓(xùn)練樣本來自GIGA－Explicit篇章關(guān)系樣本，樣本中的實(shí)例包含連接詞，而待擴(kuò)展的原始訓(xùn)練樣本均不包含連接詞，連接詞的缺失導(dǎo)致兩種篇章關(guān)系樣本在語義上存在差異，隨著擴(kuò)展的訓(xùn)練樣本的增加，實(shí)驗(yàn)系統(tǒng)的分類性能有所下降。而在Expand＿Implicit實(shí)驗(yàn)系統(tǒng)中，本文方法借助框架語義向量，從GIGA－Implicit篇章關(guān)系樣本中挖掘隱式“論元對”加入訓(xùn)練樣本中，在各個(gè)篇章關(guān)系類別上引入了更多的分類信息，有效地提升了篇章關(guān)系分類性能。

從圖7中還可以看出，相較于各主流不平衡數(shù)據(jù)分類方法的實(shí)驗(yàn)系統(tǒng)，本文性能較優(yōu)的Expand－Implicit實(shí)驗(yàn)系統(tǒng)有效提升了整體分類精確率，與主流方法性能最優(yōu)的基于代價(jià)敏感函數(shù)的Meta－Cost－Sensitive實(shí)驗(yàn)系統(tǒng)進(jìn)行對比，整體分類精確率提升5.19%。分析原因可知，各主流不平衡數(shù)據(jù)分類方法側(cè)重通過采樣或者改變錯(cuò)誤權(quán)重等方法解決訓(xùn)練樣本數(shù)據(jù)不平衡問題，這些方法往往局限在有限的數(shù)據(jù)資源中，忽略了不平衡樣本數(shù)據(jù)本身存在信息不充分的問題，影響篇章關(guān)系分類性能。針對這一問題，本文借助框架語義向量，利用大規(guī)模外部數(shù)據(jù)資源，挖掘有效的隱式篇章關(guān)系樣本，對樣例數(shù)量較少的三個(gè)篇章關(guān)系類別進(jìn)行樣本擴(kuò)展，提升了整體篇章關(guān)系分類性能。實(shí)驗(yàn)結(jié)果也證明本文提出的基于框架語義向量的方法能夠從外部數(shù)據(jù)資源中有效地挖掘隱式篇章關(guān)系樣本，從而對原始訓(xùn)練樣本進(jìn)行擴(kuò)展，輔助篇章關(guān)系分類任務(wù)。

圖7 各實(shí)驗(yàn)系統(tǒng)性能對比

表5 各隱式篇章關(guān)系推理系統(tǒng)性能

此外，表5給出本文性能最優(yōu)的Expand＿Implicit實(shí)驗(yàn)系統(tǒng)以及各主流隱式篇章關(guān)系分類系統(tǒng)的實(shí)驗(yàn)性能對比，從表中可以看出，本文提出的基于框架語義向量的隱式訓(xùn)練樣本擴(kuò)展方法性能提升明顯，相較于性能較優(yōu)的Park－SYS實(shí)驗(yàn)系統(tǒng)，整體分類精確率提升2.73%，這也進(jìn)一步證明了本文基于框架語義向量進(jìn)行訓(xùn)練樣本擴(kuò)展的方法具有一定的有效性和可行性，與主流方法采用的隨機(jī)欠采樣方法相比，能夠獲得更優(yōu)的分類性能。

6 總結(jié)

本文研究隱式篇章關(guān)系分類任務(wù)中的不平衡數(shù)據(jù)分類問題，提出一種基于框架語義向量擴(kuò)展訓(xùn)練樣本的分類方法。實(shí)驗(yàn)結(jié)果顯示，本文方法能夠很好地解決隱式篇章關(guān)系分類任務(wù)中數(shù)據(jù)不平衡的問題，相較于傳統(tǒng)的基于原始訓(xùn)練樣本的采樣方法以及代價(jià)敏感函數(shù)方法，實(shí)驗(yàn)性能獲得顯著提升。

然而本文方法仍存在不足之處，將論元表示成框架語義向量，可能存在數(shù)據(jù)稀疏問題：統(tǒng)計(jì)發(fā)現(xiàn)，論元中識(shí)別出的框架語義平均數(shù)量為六個(gè)，在某些文本較短的論元中，由于識(shí)別出的框架語義較少，形成的框架語義向量并不能很好的表示該論元，影響后續(xù)訓(xùn)練樣本擴(kuò)展的精確率?；诖?，在未來工作中，我們將對本文方法進(jìn)行細(xì)化，根據(jù)論元的框架語義數(shù)量對論元進(jìn)行篩選，選擇符合要求的“論元對”，并嘗試采用Stacked Learning、Tri－training等多分類器的學(xué)習(xí)方法實(shí)現(xiàn)隱式篇章關(guān)系分類任務(wù)。

［1］ R Prasad，N Dinesh，A Lee，et al.The Penn Discourse TreeBank 2.0［C］／／Proceedings of the 6th International Conference on Language Resources and E－valuation（LREC），2008：2961－2968.

［2］ E Miltsakaki，L Robaldo，A Lee，et al.Sense Annotation in the Penn Discourse Treebank［C］／／Proceedings of the Computational Linguistics and Intelligent Text Processing.Springer Berlin Heidelberg，2008：275－286.

［3］ E Pitler，M Raghupathy，H Mehta，et al.Easily Identifiable Discourse Relations［R］.Technical Reports（CIS），2008：87－90.

［4］ E Pitler，A Louis，A Nenkova.Automatic Sense Prediction for Implicit Discourse Relations in Text［C］／／Proceedings of the Joint Conference of the 47th Annual Meeting of the ACL and the 4th International Joint Conference on Natural Language Processing of the AFNLP（ACL－AFNLP）.2009，2：683－691.

［5］ Z M Zhou，Y Xu，Z Y Niu，et al.Predicting Discourse Connectives for Implicit Discourse Relation Recognition［C］／／Proceedings of the 23rd International Conference on Computational Linguistics（COLING）.Posters，2010：1507－1514.

［6］ Z H Lin，M Y Kan，H T Ng.Recognizing Implicit Discourse Relations in the Penn Discourse Treebank［C］／／Proceedings of the Conference on Empirical Methods in Natural Language Processing（EMNLP）.2009，1：343－351.

［7］ W T Wang，J Su，C L Tan.Kernel Based Discourse Relation Recognition with Temporal Ordering Information［C］／／Proceedings of the 48th Annual Meeting of the Association for Computational Linguistics（ACL）.2010：710－719.

［8］ J Park，C Cardie.Improving Implicit Discourse Relation Recognition through Feature Set Optimization［C］／／Proceedings of the 13th Annual Meeting of the Special Interest Group on Discourse and Dialogue（SIGDIAL）.2012：108－112.

［9］ X Wang，S J Li，J Li，et al.Implicit Discourse Relation Recognition by Selecting Typical Training Examples［C］／／Proceedings of the 24th International Conference on Computational Linguistics（COLING）.2012：2757－2772.

［10］ A T Rutherford，N Xue.Discovering implicit discourse relations through brown cluster pair representation and coreference patterns［C］／／Proceedings of the 14th Conference of the European Chapter of the Association for Computational Linguistics（EACL）.2014：645－654.

［11］ J J Li，M Carpuat，A Nenkova.Cross－lingual Discourse Relation Analysis：A corpus study and a semi－supervised classification system［C］／／Proceedings of the 25th International Conference on Computational Linguistics（COLING）.2014：577－587.

［12］ I Mani，J P Zhang.KNN approach to unbalanced data distributions：a case study involving information extraction［C］／／Proceedings of Workshop on Learning from Imbalanced Datasets.2003.

［13］ X Y Liu，J Wu，Z H Zhou.Exploratory under－sampling for class－Imbalance learning［J］.IEEE Transactions on Systems，Man，and Cybernetics，Part B（Cybernetics），2009，2（39）：539－550.

［14］ N V Chawla，K W Bowyer，L O Hall，et al.SMOTE：synthetic minority over－sampling technique［J］.Journal of artificial intelligence research，2002：321－357.

［15］ H Han，W Y Wang，B H Mao.Borderline－SMOTE：a new over－sampling method in imbalanced data sets learning［M］.Advances in intelligent computing.Springer Berlin Heidelberg，2005：878－887.

［16］ C Elkan.The foundations of cost－sensitive learning［C］／／Proceedings of the International joint conference on artificial intelligence（IJCAI）.Lawrence Erlbaum Association Ltd，2001，17（1）：973－978.

［17］ C Fillmore.Frame semantics［J］.Linguistics in the morning calm，1982：111－137.

［18］ Y Hong，X P Zhou，T T Che，et al.Cross－argument inference for implicit discourse relation recognition［C］／／Proceedings of the 21st ACM International Conference on Information and Knowledge Management（CIKM）.2012：295－304.

［19］ C C Chang，C J Lin.LIBSVM：a library for support vector machines［J］.ACM Transactions on Intelligent Systems and Technology（TIST），2001，2（3）：389－396.