面向文景轉(zhuǎn)換的中文淺層語義分析方法研究.pdf

1、本文針對中文淺層語義分析中的關(guān)鍵問題展開了全面深入的研究。淺層語義分析是自然語言處理領(lǐng)域里的研究要點，基于語言學(xué)特征和統(tǒng)計機(jī)器學(xué)習(xí)的方法是目前淺層語義分析的主流方法，該方法中最關(guān)鍵的因素是特征的選擇和機(jī)器學(xué)習(xí)方法的優(yōu)化。另外，本文中的淺層語義分析主要面向文景轉(zhuǎn)換這項應(yīng)用任務(wù)，文景轉(zhuǎn)換是指把自然語言文本通過計算機(jī)自動轉(zhuǎn)換成為相應(yīng)的場景或動畫，是一門具有重要理論和實際意義的新興研究方向。本文首先對文景轉(zhuǎn)換中必要的共指消解模塊進(jìn)行了研究；然后

2、從特征選擇角度對淺層語義分析方法進(jìn)行了探索，發(fā)掘出在淺層語義分析中具有較強(qiáng)區(qū)分能力的句法特征；接著提出一種組合分類模型的方法對淺層語義分析進(jìn)行完善；最后提出一種基于計算認(rèn)知模型的方法，從更深層面對中文淺層語義分析進(jìn)行了探索。具體地說，本文主要包括以下研究內(nèi)容：
　?。?）首先提出一種基于自適應(yīng)諧振理論(ART)網(wǎng)絡(luò)的無指導(dǎo)中文名詞短語共指消解方法。該方法充分利用了名詞短語自身特征，通過調(diào)整 ART網(wǎng)絡(luò)模型中的參數(shù)動態(tài)地控制聚類數(shù)量

3、，有效解決了目前聚類共指消解中輸出類別數(shù)目難以確定這一難題。另外聚類算法中還采用了一種基于信息增益率的特征選擇方法，減少了區(qū)分度較弱特征給聚類所帶來的干擾。該方法在保證了共指消解準(zhǔn)確率的前提下，具有較好的可移植性和魯棒性，突破了目前文景轉(zhuǎn)換中的淺層語義分析在預(yù)處理階段的主要障礙。
　?。?）本文從語言學(xué)特征層面深入地研究了中文淺層語義分析，提出一種基于多重句法特征的中文淺層語義分析方法?，F(xiàn)有研究表明，對特征集合進(jìn)行改進(jìn)是目前提高淺

4、層語義分析性能最有效的方法。本文提出將短語結(jié)構(gòu)句法和依存句法兩種類型的句法特征進(jìn)行融合，為淺層語義分析提供了更加豐富和互補(bǔ)的句法信息。然后在這兩個句法特征集合基礎(chǔ)上，提出一種基于統(tǒng)計的組合特征選擇方法，根據(jù)各個特征在語料庫中的分布狀況，快速有效地篩選出適于各分類階段的組合特征。最后利用短語結(jié)構(gòu)句法特征、依存句法特征以及在前兩者基礎(chǔ)上構(gòu)造的組合特征進(jìn)行語義分析相關(guān)的分類。實驗表明，本文提出的多重句法特征集合能夠有效地提高中文淺層語義分析的

5、性能，在正確句法分析以及自動句法分析條件下均取得了較好的效果。
　　（3）提出了一種基于組合分類模型的中文淺層語義分析方法，從優(yōu)化機(jī)器學(xué)習(xí)方法的層面進(jìn)一步對淺層語義分析進(jìn)行完善。本文在前面提出的多重句法特征集合基礎(chǔ)上，采用五種機(jī)器學(xué)習(xí)方法：K近鄰、決策樹、感知器、最大熵以及支持向量機(jī)，在訓(xùn)練語料上構(gòu)造了五個語義角色分類模型，作為組合模型中的基本單元。接著通過一種輸入相關(guān)的選通系統(tǒng)將五個基本分類模型有機(jī)地整合到一起，通過調(diào)整選通系統(tǒng)

6、中的參數(shù)協(xié)調(diào)各個基本分類模型，控制組合模型的輸出結(jié)果。最后采用EM算法在訓(xùn)練語料上對選通系統(tǒng)中的參數(shù)進(jìn)行學(xué)習(xí)，在通用語料庫上進(jìn)行了相關(guān)的訓(xùn)練和測試，結(jié)果表明該方法能夠顯著地提高中文語義角色分析的效果。
　?。?）最后，本文提出了探索性的基于計算認(rèn)知模型的中文淺層語義分析方法，以認(rèn)知理論為基本依據(jù)，通過模擬人類的語言理解過程，從本質(zhì)上來研究中文淺層語義分析。首先設(shè)計了一種面向計算認(rèn)知模型和文景轉(zhuǎn)換的命題語義表示形式，這種命題形式能夠