張海玲，邵玉斌，賈繼康，龍 華，杜慶治

(昆明理工大學信息工程與自動化學院，云南 昆明 650500)

1 引言

隨著信息時代的潮流發(fā)展，人們對自然語言處理NLP(Natural Language Processing)的研究也更加如火如荼。 NLP是一個交叉學科，涉及的技術(shù)范疇眾多，例如語音合成與識別、句法分析和語言模型[1 - 3]等，現(xiàn)已廣泛集成到Web和移動應(yīng)用程序中，幫助實現(xiàn)人與計算機之間的自然交互，顯然已是信息社會中不可或缺的一部分。句法分析是自然語言處理中的關(guān)鍵技術(shù)之一，其基本任務(wù)是確定句子所包含的句法單位和這些句法單位之間的依存關(guān)系。賓州中文樹庫CTB(Chinese TreeBank)[4]的發(fā)布，不但為漢語句法分析提供了一個公共的訓練、測試平臺，也促進了句法分析的發(fā)展，使得句法分析成為自然語言處理應(yīng)用的關(guān)鍵因素，在機器翻譯、問答系統(tǒng)、信息檢索與抽取和語音識別等領(lǐng)域都有重要的應(yīng)用價值[5]。

句法分析的研究主要有基于統(tǒng)計和規(guī)則的方法[6,7]。由于語種的特點，特別是漢語，大部分句法分析的研究都處在字、詞、語塊的階段，在語句成分方面的研究甚少[8]。雖然目前已有多個原本為英語制定的句法分析模型被移植到CTB上來[9]，但是還存在以下問題：中文不具有諸如英語、法語等其他語言那樣嚴格意義的形態(tài)變化[10,11]，忽略了漢語的局限性及特點。若針對某一類語料構(gòu)建句法分析器，那么該句法分析器對該類型句子的句法分析效果較為顯著[12]，但若用該句法分析器對通用語料進行句法分析，其效果就會大打折扣。

從句子成分角度來看，無論是獨立語，還是具有修飾成分的句子，句法分析研究都是從字、詞角度實現(xiàn)。若從局部出發(fā)[13]，而不是對整個句子進行層次化分析，就會存在一定的局限性。因此，本文提出了一種實現(xiàn)層次化分析句子成分的算法，該算法首先使用海量的真實文本作為數(shù)據(jù)集，進行目標測試；其次，以分詞及詞性標注為前提，根據(jù)語法和統(tǒng)計制定的語言規(guī)則為基礎(chǔ)，實現(xiàn)二、三元詞結(jié)合的句法分析模型。綜合來說該算法既保留了二元、三元的規(guī)則特性，又對語言規(guī)則進行了更全面的融合且有效提高了層次化分析準確率，相比較從字、詞的研究角度出發(fā)的基于RNN(Recurrent Neural Network)的中文二分結(jié)構(gòu)句法分析方法的序列標注模型[14]和詞匯化模型[15]，準確率均有明顯提升，為未來關(guān)于句法分析的研究提供了比較新穎的思路。

2 規(guī)則和句法層次化定義及詞性最優(yōu)模型

2.1 句法層次化定義及表示

設(shè)S=[w1,w2,w3,…,wi-1,wi,wi+1,…,wn]，其中S表示由n個詞元有序組合而成的句子,字符wi表示S的第i個詞元，wi具有表1中的某個詞性。

Table 1 part-of-speech tag set

其中,第2～4列分別表示詞性、詞性粗分以及細分表示。nr,vd,rr和ad依次表示:人名、副動詞、人稱代詞和形容詞性慣用語。

按照句法合成規(guī)則，將句子S通過S1→S2→…→Si迭代合成，最終得到最優(yōu)合成結(jié)果Si，其中0≤i

具體句子的層次化分析，如圖1所示。

Figure 1 Hierarchical analysis diagram圖1 合成示意圖

圖1中，Source為原始句子及其詞性，Target為目標合成句子及其詞性。第i+1步是在第i步的基礎(chǔ)上合成的，例如，第2步是在第1步基礎(chǔ)上利用規(guī)則[n n]，將“鄧小平”與“同志”合成得到“鄧小平同志”。

2.2 詞元結(jié)合規(guī)則及詞性最優(yōu)模型

在制定句法規(guī)則時將采用中國科學院計算技術(shù)研究所漢語詞性標記集[16]，其共計99個詞性標記(22個一類，66個二類，11個三類)。為了在制定規(guī)則時能夠?qū)崿F(xiàn)有效性及合理性，即采用詞性標記集作為規(guī)則需要，詞性標記集如表1所示。

在句子S=[w1,w2,…,wi-1,wi,wi+1,…,wn]中，詞元wi具有表1中的某個詞性。例如：(wi|ti)表示wi的詞性為ti。

S中相鄰的2個詞(wi,wi+1)記為一個二元詞單元ui，所在位置不可顛倒，即(wi,wi+1)≠(wi+1,wi)。由于漢語詞通常具有多類詞性，根據(jù)漢語詞性標記集可對一個詞進行多種詞性劃分，而在統(tǒng)計方法中，以條件概率來判定詞語劃分和詞性標注結(jié)果。中文詞匯與其對應(yīng)詞性的最佳組合為：

(1)

其中，W=[w1,…,wn]表示n個詞元組成的有序序列，T=[t1,…,tn]表示與W相對應(yīng)的詞性序列。由條件概率公式可得：

(2)

式(2)中分母P(S)與詞元序列、詞性序列無關(guān)，為常數(shù)，故可省略，式(2)即可簡化為：

[Wbest,Tbest]=arg maxP(W,T,S)

(3)

由于求解句子S的最優(yōu)詞元和詞性的組合，即為求解每一部分的最優(yōu)詞元W和詞性T的組合,進一步可得：

(4)

由式(4)可知，如何計算概率P(W,T)是分詞和詞性標注問題的關(guān)鍵，根據(jù)一階馬爾科夫過程[17]的性質(zhì)可得：

P(W,T)=P(T)P(W|T)=

P(t1,t2,…,tn)P(w1,w2,…,wn|t1,t2,…,tn)≈

(5)

由于詞的詞性同上下文中的詞及其詞性都有密切聯(lián)系，即根據(jù)式(5)可得：

P(W,T)=P(T)P(W|T)=

P(t1,t2,…,tn)P(w1,w2,…,wn|t1,t2,…,tn)=

P(t1,t2,…,tn,w1,w2,…,wn)=

(6)

為了在層次化分解過程中能夠獲取當前唯一詞性，需要進一步實現(xiàn)適當?shù)木€性平滑,對式(6)進行變形：

P(ti,wi|ti-1,wi-1)=

P(t1|ti-1,wi-1)·P2(wi|ti-1,wi-1,ti)

(7)

實現(xiàn)線性插值平滑：

P(ti,ti-1,wi-1)=

λ1P(ti|ti-1,wi-1)+(1-λ1)P(ti-1,ti)

(8)

P(wi,ti-1,wi-1,ti)=

λ21P(wi|ti-1,wi-1,t1)+(1-λ21)·

[λ22(P(wi|ti-1,ti)+(1-λ22)P(wi|ti))]

(9)

其中，

(10)

通過極大似然估計法獲取概率P(x|y)，從而選擇更為恰當?shù)暮铣稍~性，其中λ1，λ21，λ22為平滑參數(shù)，P(ti,wi|ti-1,wi-1)是根據(jù)前一個詞及詞性實現(xiàn)對當前的詞及詞性的概率估計。

在NLP領(lǐng)域中，分詞和詞性標注是一項基礎(chǔ)且重要的任務(wù)。在分詞和詞性標注正確的情況下，可進行句法分析。例如，S=[我|n,是|v,中國|n,人|n],通過P(x|y)=count(中國,人)/count(人)進行概率估計，根據(jù)ui=(wi,wi+1),從而(中國|n,人|n)=(中國人|n)，即得到一個新合成詞ui為“中國人”，詞性ti為名詞，其中合成詞是通過2.1節(jié)所描述的句法規(guī)則實現(xiàn)合成。若出現(xiàn)S=[我|n,是|v,中|v,國|n,人|n]分詞和詞性標注不準確的情況，則會出現(xiàn)“是中”“國人”這樣的新合成詞，從而對句法分析造成影響。但是，目前分詞和詞性標注技術(shù)已較為成熟，可以忽略這種極少數(shù)的情況。

3 句法合成的依存關(guān)系模型構(gòu)建

3.1 二元層次化模型構(gòu)建

為了實現(xiàn)句法合成規(guī)則制定的有效性和簡易性，所有詞性類別都將以給定詞性標注集中的粗分表示作為詞性標記，最終得到由詞和詞性組成的句子S，如下所示：

S=[w1|t1,w2|t2,…,wi-1|ti-1,wi|ti,

wi+1|ti+1,…,wn|tn]

根據(jù)對漢語句法分析的研究和理解，以及句式結(jié)構(gòu)之間的相關(guān)性[18,19]，本文將提煉出的詞性標記集和語言之間的常見規(guī)則集合結(jié)合到一起，構(gòu)建出表2所示的二元句法規(guī)則庫。其中,pi,pi+1表示符合二元詞性規(guī)則的初始詞性，po表示二元合成詞性。

Table 2 Binary syntactic synthesis rule base

根據(jù)圖1所述合成方式，獲取二元詞ui的詞性。例如num=3時，pi=v,pi+1=v，則po=v,即二元詞詞性為動詞。(pi,pi+1)滿足句法合成規(guī)則：

ui=(wi,wi+1)

(11)

Pt=(ti,ti+1)

(12)

Pt為二元詞ui的詞性合成結(jié)果。ui的新詞性記為：

(ui|Pt)=(wi|ti,wi+1|ti+1)

(13)

Pt由二元詞性(ti,ti+1)決定，根據(jù)表2中的二元規(guī)則庫和圖2所述的匹配過程合成，Pt=po。

對句子S實現(xiàn)層次化分析合成：

S=[w1|t1,w2|t2,w3|t3,…,wn|tn]

S1=[w1|t1,w2|t2,u1|t′1,…,wn|tn],

u1=(w3,w4)

S2=[w1|t1,w2|t2,u1|t′1,…,u2|t2,…,wn|tn],

u2=(w10,w11)

S3=[w1|t1,u3|t′3,…,u2|t′2,…,wn|tn],

u3=(u1,w2)

?

Si=[…,u3|t′3,…,u2|t′2,…,ui|t′i,…],

ui=(wi,wi+1)

?

(14)

句子詞元按照倒序的原則,規(guī)則庫按照自頂向下的方法進行解析。句子S匹配合成得到ui，新的Si再次遍歷規(guī)則庫進行下一次的匹配合成，其中ui可能還會與相鄰字符wi實現(xiàn)匹配，直至規(guī)則庫中無可匹配規(guī)則為止。

按照S′=[wn|tn,wn-1|tn-1,…,wi|ti,…,w1|t1]的順序掃描S′實現(xiàn)：

[wn|tn,wi|ti,…,w1|t1](pi,pi+1)=Si

(15)

式(15)是針對式(14)的一個說明，表示依據(jù)表2中的句法合成規(guī)則，實現(xiàn)按照倒序原則對S′和規(guī)則庫中所對應(yīng)的詞性進行交互，實現(xiàn)規(guī)則匹配。如若倒序過程中，句子中詞元的詞性與規(guī)則庫中的po屬性相同，則輸出第i次合成句子的結(jié)果Si。在Si基礎(chǔ)上再通過匹配規(guī)則進行合成，輸出Si+1：

[…,u3|t′3,…,ui|t′i,…](pi,pt+1)=Si+1

(16)

其中，Si為第i(1≤i≤n)次合成句子成分結(jié)果，Si+1是在Si合成的基礎(chǔ)上再依據(jù)表2的合成規(guī)則，按照圖1所述方式實現(xiàn)合成，直到?jīng)]有規(guī)，則可匹配則合成結(jié)束。

3.2 三元層次化模型構(gòu)建

三元句法合成規(guī)則庫與二元的構(gòu)建原則類似，如表3所示。

Table 3 Ternary syntactic sythesis rule base

其中，pi-1,pi和pi+1表示符合三元詞性規(guī)則的初始詞性，pe表示三元合成詞性。根據(jù)表3所述句法合成規(guī)則，S=[w1,w2,w3,…,wi-1,wi,wi+1,…,wn]滿足：

vt=(wi-1,wi,wi+1)

(17)

Pt=(ti-1,ti,ti+1)

(18)

其中，相鄰的3個詞(wi-1,wi,wi+1)記為一個三元詞vt。Pt為詞單元vt的詞性合成結(jié)果，即Pt=pe。根據(jù)式(11)～式(13)所述原則，合成的新詞元vt具有新的詞性，記為：

(wi-1|ti-1,wi|ti,wi+1|ti+1)=(vt|Pt)

(19)

句子S層次化分析滿足：

S1=[v1|t′1，…,wi|ti,…,wn|tn],

v1=(w1,w2,w3)

S2=[v1|t′1,…,v2|t′2,…,wn|tn],

v2=(w10,w11,w12)

?

Si=[v1|t′1,…,v2|t′2,…,vt|t′t],

vt=(wi-1,wi,wi+1)

?

(20)

在層次化分析過程中，句法解析同二元過程，即句子詞元按照倒序的原則,規(guī)則庫按照自頂向下的方法進行解析，而并非依據(jù)字符下標i升序。按照三元規(guī)則庫實現(xiàn)匹配，輸出Si，產(chǎn)生新的合成詞vt，再次依據(jù)規(guī)則匹配輸出，一直到?jīng)]有可匹配規(guī)則為止，其中0≤i

(ti-1,ti,ti+1)=Pt=pe

(21)

其中ti-1,ti,ti+1是3個連續(xù)詞元各自的詞性。掃描S′則需要滿足：

[wn|tn,…,wi|ti,…,w1|t1]

(pi-1,pi,pi+1)=Si

(22)

句子解析過程中判斷匹配是否滿足Pt，如若倒序過程中滿足Pt等于pe，即符合三元規(guī)則，輸出第i次合成句子成分的結(jié)果Si，在最新合成句子成分結(jié)果的基礎(chǔ)上繼續(xù)進行合成，直到?jīng)]有可匹配的合成規(guī)則，合成結(jié)束。其中0≤i

3.3 二、三元結(jié)合層次化模型構(gòu)建

3.3.1 算法分析及流程

本文利用句法中詞性間的緊密聯(lián)系性，對句法規(guī)則進行了總結(jié)和統(tǒng)計，首先提出了二元和三元的層次化模型。但是，由于中文本身的復(fù)雜性和語義多變性，獨立的二元或者三元模型在進行漢語句法結(jié)構(gòu)分析時具有一定的局限性，效果不佳，為了更好地適應(yīng)句式成分,于是本文提出了二元詞與三元詞相結(jié)合的模型，進而實現(xiàn)層次化句法分析。具體流程如圖2所示。

Figure 2 Diagram of hierarchical statement analysis algorithm 圖2 層次化語句分析算法流程圖

二元和三元規(guī)則匹配的具體流程如圖3所示。根據(jù)表2和表3的規(guī)則庫文件，實現(xiàn)由pi,pi+1或pi-1,pi,pi+1匹配合成得到po或pe。其中，POS_t是由句子S=[w1,…,wi-1,wi,wi+1,…,wn]獲取的詞性序列[t1,t2,…,ti-1,ti,ti+1,…,tn-1,tn]，對該序列從右至左依次獲取詞性，對連續(xù)詞元的詞性進行規(guī)則庫匹配，合成新的ui的詞性，再對原詞性序列進行替換，直至遍歷完P(guān)OS_t。

Figure 3 Rule matching diagram圖3 規(guī)則匹配示意圖

3.3.2 層次化解析

具體算法描述如算法1所示。

算法1基于二元與三元模型相結(jié)合的句法規(guī)則層次化分析算法

輸入：語句S=[w1|t1,…,wi|ti,…,wn|tn]。

輸出：可視化的語句層次化分析。

步驟1按照從右至左的順序提取(ti,ti+1)；

步驟2按自頂向下的方式遍歷二元規(guī)則文件；

步驟4如若二元規(guī)則文本與S不匹配，則按照ti+1titi-1倒序方式遍歷三元規(guī)則文件；

步驟5三元規(guī)則文本和S進行匹配；

步驟7如若S與三元規(guī)則不匹配，則輸出Si-1，其中Si-1表示上一步合成的結(jié)果；

步驟8繼續(xù)解析Si/Si-1；

步驟9循環(huán)步驟2～步驟8，判別Si/Si-1是否能繼續(xù)被合成；

步驟10將Si/Si-1轉(zhuǎn)換為XML格式；

步驟11將XML格式轉(zhuǎn)化為可識別目錄樹形格式文本。

其中，在句式中能合成的二元詞匯普遍多于三元詞匯，所以算法設(shè)計先遍歷二元規(guī)則，在層次化語句分析過程中，利用分詞和詞性標注模型獲取句子中每個詞元的當前最新詞性，并對其進行標注，例如中文句：

S=[小明|n,和|c,小賈|n 歡樂|a 地|u 騎|v,小藍|n,車|n,去|v,呈貢區(qū)|n,飯店|n,吃|v,鍋包肉|n]

圖4所示為該中文句的具體的層次化解析過程。

Figure 4 Statement decomposition example圖4 語句解析示例

將整個層次化語句解析過程轉(zhuǎn)化為能夠被識別的樹形結(jié)構(gòu)格式，進而實現(xiàn)語句解析可視化結(jié)果，如圖5所示。

Figure 5 Hierarchical statement parsing visualization example圖5 層次化語句解析可視化示例

4 實驗設(shè)計與結(jié)果分析

4.1 實驗設(shè)計

本文實驗采用了1998年人民日報的語料和CTB數(shù)據(jù)集(部分)，其中人民日報選擇22 565個句子，CTB數(shù)據(jù)集選擇10 362個句子，按照程序兼容性格式處理后作為實驗測試語料。通過二元和三元詞相結(jié)合的層次化分析方法實現(xiàn)語句的分析合成。

語句分析評價指標主要有：準確率P、召回率R和F-score,如式(23)～式(25)所示：

(23)

(24)

(25)

其中，A為系統(tǒng)反饋的正確的解析結(jié)果個數(shù)；B為系統(tǒng)反饋的錯誤的解析結(jié)果個數(shù)；C為文本中總的句子個數(shù)。

通過二元、三元以及二者相結(jié)合改進模型的3種方式,分別對語料文件逐句處理，若句子最終合成結(jié)果為S，則將該句子記為系統(tǒng)反饋正確的解析結(jié)果；否則，記為系統(tǒng)反饋的錯誤的解析結(jié)果。若句子包含不可識別的詞性或標點符號，則表示系統(tǒng)反饋不能解析該句子。

4.2 結(jié)果與分析

為驗證本文方法的準確率及適用性，將實驗分為3組進行。首先對語料進行選取和預(yù)處理操作，然后分別構(gòu)建二元模型、三元模型以及結(jié)合模型，對3種模型進行實驗，最終得到如表4所示的實驗結(jié)果。

通過二元規(guī)則模型，在人民日報語料上所獲取的準確率、召回率分別為70.41%，61.02%；通過三元規(guī)則模型語句分析所獲取的準確率、召回率分別為53.52%，46.00%，造成未能成功解析語句的主要原因有：

(1) 對于準確率評判規(guī)則的定義不夠全面，導(dǎo)致反饋分析結(jié)果比較單一。

(2) 二元和三元規(guī)則的設(shè)定未能較全覆蓋語料，導(dǎo)致層次化分解結(jié)果出現(xiàn)誤差。

(3) 三元規(guī)則合成的結(jié)果值偏低，是由于語料中涉及連詞的部分并不很多，且三元規(guī)則基數(shù)小于二元規(guī)則基數(shù)，所以合成難度較大。

Table 4 Experimental results of statement hierarchical analysis

4) 由于語料庫中詞性種類偏多，在解析過程中可能未識別未登錄詞性，從而導(dǎo)致無法進行句法識別分析。

在改進模型中，在人民日報語料和CTB語料上的準確率、召回率分別是82.04%，80.83%和80.57%，79.16%，與其他模型相比明顯提高。而從字、詞的研究角度出發(fā)的較新的句法分析文獻[18，19]中提出的基于RNN的中文二分結(jié)構(gòu)句法分析方法中的RNN-INT模型和基于詞匯化模型的漢語句法分析，其準確率分別為42.99%，77.57%。本文算法在文獻[18，19]的基礎(chǔ)上進一步提高了句法分析識別的準確率，同時本文所提方法是一種較新穎的句式結(jié)構(gòu)研究方法。從實驗結(jié)果可以看出，只要獲取詞元的詞性和定義的層次化語句合成規(guī)則能夠滿足語料需求，同時評判結(jié)果的指標足夠全面，實驗最終得到的語句解析的準確率也就會相應(yīng)提高。

5 結(jié)束語

在自然語言研究中，依存句法的發(fā)展始終受到漢語自身特點的限制。由于目前關(guān)于句法分析的研究大部分是從字、詞角度出發(fā)的，準確率相對而言不夠高，而從句式結(jié)構(gòu)角度出發(fā)的研究相對較少，所以本文基于海量的人民日報語料，通過由語法和統(tǒng)計得出的語言規(guī)則，從而實現(xiàn)了中文的語句分析和區(qū)別于依存句法可視化句法樹分析，準確率達到82.04%，效果比較理想。本文所提方法相較于已有的依存句法方法更為靈活、新穎，對之后進一步進行文本校對、機器翻譯和信息抽取等工作具有很好的參考價值。

由于中文本身的復(fù)雜性和語義多變性等特點，使得對漢語進行句法分析研究較為困難，而本文提出的在語言規(guī)則下的句法分析算法，能夠針對句式成分，在層次化分析過程中得到有效、良好的效果。但是，隨著社會的發(fā)展，很多詞都會潛移默化地產(chǎn)生額外的詞性，若作為句法分析基礎(chǔ)工作的分詞和詞性標注不夠準確，則會增加句法分析的難度。后續(xù)需要對本文方法做進一步完善。