人工智能ArtificialIntelligence第八章.ppt

人工智能 Artificial Intelligence 第八章,史忠植 中國(guó)科學(xué)院計(jì)算技術(shù)研究所 /,自然語言處理 Natural Language Processing,2019/7/16,史忠植 人工智能：自然語言處理,1,2019/7/16,史忠植 人工智能：自然語言處理,2,內(nèi)容提要,8.1 概述 8.2 詞法分析 8.3 句法分析 8.4 語義分析 8.5 語用分析 8.6 語料庫 8.7 信息檢索 8.8 機(jī)器翻譯 8.9 自動(dòng)問答系統(tǒng) 8.10 小結(jié),概述,自然語言處理是用機(jī)器處理人類語言的理論和技術(shù)。作為語言信息處理技術(shù)的一個(gè)高層次的重要研究方向，一直是人工智能領(lǐng)域的核心課題。由于自然語言的多義性、上下文有關(guān)性、模糊性、非系統(tǒng)性和環(huán)境密切相關(guān)性、涉及的知識(shí)面廣等原因，自然語言處理是困難問題之一。自然語言處理的研究希望機(jī)器能夠執(zhí)行人類所期望的某些語言功能，這些功能包括： （1）回答問題：計(jì)算機(jī)能正確地回答用自然語言輸入的有關(guān)問題； （2）文摘生成：機(jī)器能產(chǎn)生輸入文本的摘要； （3）釋義：機(jī)器能用不同的詞語和句型來復(fù)述輸入的自然語言信息； （4）翻譯：機(jī)器能把一種語言翻譯成另外一種語言。,2019/7/16,史忠植 人工智能：自然語言處理,3,概述,自然語言 自然語言：人類交流的語言,口語、書面語、手語、旗語等 人造語言：機(jī)器語言，包括C+, BASIC等 世界語 到目前為止的人類知識(shí)有80%以上使用自然語言文字記載下來的。但將來，可能用計(jì)算機(jī)語言形式記載的知識(shí)將會(huì)越來越多。因此說，語言信息處理技術(shù)和每年所處理的信息總量已成為衡量一個(gè)國(guó)家現(xiàn)代化水平的重要標(biāo)志之一。 相比較人工智能其它領(lǐng)域，自然語言理解是難度大，進(jìn)展小的。至今為止未能達(dá)到很高的水平。,2019/7/16,史忠植 人工智能：自然語言處理,4,自然語言處理的發(fā)展,自然語言理解的研究大體上經(jīng)歷了三個(gè) 時(shí)期 萌芽時(shí)期 發(fā)展時(shí)期 早期: 20世紀(jì)60年代以關(guān)鍵詞匹配為主流 中期: 20世紀(jì)70年代以句法語義分析為主流 近期: 20世紀(jì)80年代以來走向?qū)嵱没凸こ袒?大規(guī)模真實(shí)文本處理時(shí)期 比較成功的系統(tǒng)處理都是受限的自然語言子集 句法受限：句子結(jié)構(gòu)的復(fù)雜性方面受到限制 語義受限/領(lǐng)域受限：所表達(dá)的事物的數(shù)量方面受到限制,2019/7/16,史忠植 人工智能：自然語言處理,5,20世紀(jì)60年代：以關(guān)鍵詞匹配為主流 特點(diǎn)： 沒有真正意義上的語法分析，主要依靠關(guān)鍵詞匹配技術(shù)來識(shí)別輸入句子的意義 在系統(tǒng)中事先存放了大量包含某些關(guān)鍵詞的模式，每個(gè)模式與一個(gè)或多個(gè)解釋(響應(yīng)式)相對(duì)應(yīng)。 每當(dāng)輸入一個(gè)句子，系統(tǒng)便查找與之匹配的模式，一旦匹配成功，系統(tǒng)就輸出相應(yīng)的解釋，不考慮其他成分對(duì)句子意義的影響 是一種近似匹配技術(shù)，輸入句子可以不準(zhǔn)循語法，但是也容易導(dǎo)致錯(cuò)誤,自然語言處理的發(fā)展,2019/7/16,史忠植 人工智能：自然語言處理,6,20世紀(jì)70年代：句法語義分析為主流 采用句法-語義分析技術(shù) 典型例子 LUNAR 允許用普通英語和數(shù)據(jù)庫對(duì)話的人機(jī)接口,句法分析,語義解釋,數(shù)據(jù)檢索,ATN語法,詞典,語義規(guī)則,數(shù)據(jù)庫,自然語言處理的發(fā)展,2019/7/16,史忠植 人工智能：自然語言處理,7,20世紀(jì)80年代以來：實(shí)用化和工程化 主要特點(diǎn)是開始走向?qū)嵱没凸こ袒?。其重要?biāo)志之一是有一批商品化的自然語言人機(jī)接口系統(tǒng)和機(jī)器翻譯系統(tǒng)推向了市場(chǎng)。 另一方面，人們已經(jīng)開始對(duì)大規(guī)模真實(shí)文本進(jìn)行理解 句法語義分析為主的思想來自于規(guī)則的方法，而規(guī)則不可能把所有的知識(shí)表示出來 自然語言在數(shù)量上浩瀚無際 在性質(zhì)上具有不確定性和模糊性。,自然語言處理的發(fā)展,2019/7/16,史忠植 人工智能：自然語言處理,8,概述,自然語言的層次劃分及對(duì)應(yīng)技術(shù),2019/7/16,史忠植 人工智能：自然語言處理,9,自然語言處理層次,2019/7/16,史忠植 人工智能：自然語言處理,10,2019/7/16,史忠植 人工智能：自然語言處理,11,內(nèi)容提要,8.1 概述 8.2 詞法分析 8.3 句法分析 8.4 語義分析 8.5 語用分析 8.6 語料庫 8.7 信息檢索 8.8 機(jī)器翻譯 8.9 自動(dòng)問答系統(tǒng) 8.10 小結(jié),詞法分析,詞法分析是理解單詞的基礎(chǔ)，其主要目的是從句子中切分出單詞，找出詞匯的各個(gè)詞素，從中獲得單詞的語言學(xué)信息并確定單詞的詞義 例如unchangeable是由un-change-able構(gòu)成的，其詞義由這三個(gè)部分構(gòu)成。,2019/7/16,史忠植 人工智能：自然語言處理,12,詞法分析,語言構(gòu)成,2019/7/16,史忠植 人工智能：自然語言處理,13,詞法分析,在英語等語言中，因?yàn)閱卧~之間是以空格自然分開的，切分一個(gè)單詞很容易，所以找出句子的一個(gè)個(gè)詞匯就很方便。但是由于英語單詞有詞性、數(shù)、時(shí)態(tài)、派生、變形等變化，要找出各個(gè)詞素就復(fù)雜的多，需要對(duì)詞尾或詞頭進(jìn)行分析。如importable，它可以是im-port-able或import-able，這是因?yàn)閕m、port、able這三個(gè)都是詞素。 漢語中的每個(gè)字就是一個(gè)詞素，所以要找出各個(gè)詞素是相當(dāng)容易的，但要切分出各個(gè)詞就非常困難，不僅需要構(gòu)詞的知識(shí)，還需要解決可能遇到的切分歧義。如“我們研究所有東西”?？梢允恰拔覀冄芯克袞|西”，也可以是“我們研究所有東西”。,2019/7/16,史忠植 人工智能：自然語言處理,14,2019/7/16,史忠植 人工智能：自然語言處理,15,內(nèi)容提要,8.1 概述 8.2 詞法分析 8.3 句法分析 8.4 語義分析 8.5 語用分析 8.6 語料庫 8.7 信息檢索 8.8 機(jī)器翻譯 8.9 問答系統(tǒng) 8.10 小結(jié),句法分析,句法分析的主要任務(wù)： 確定輸入句子的結(jié)構(gòu)：識(shí)別句子的各個(gè)成分及其之間的關(guān)系 句子結(jié)構(gòu)的規(guī)范化：目的是簡(jiǎn)化后續(xù)處理 分析自然語言的方法主要分為兩類： 基于規(guī)則的方法：如短語結(jié)構(gòu)語法和Chomsky語法體系 基于統(tǒng)計(jì)的方法,2019/7/16,史忠植 人工智能：自然語言處理,16,短語結(jié)構(gòu)語言,定義 句子：一個(gè)符號(hào)串 語言：句子的集合 語法：對(duì)一個(gè)句集一種有限的形式化描述 描述一般語言的方法： 識(shí)別器：由程序判斷讀入的符號(hào)串是不是一個(gè)句子 短語結(jié)構(gòu)語法：一種基于產(chǎn)生式的形式化工具，也稱為產(chǎn)生式語法,2019/7/16,史忠植 人工智能：自然語言處理,17,短語結(jié)構(gòu)語言,定義：短語結(jié)構(gòu)語法定義為：G(T，N，S，P） T是終結(jié)符集合，即被定義的語言的所有詞 匯（或符號(hào)） N是非終結(jié)符集合，這些符號(hào)用于描述語法 成分，并不出現(xiàn)于句子中。 則有：VTN，TN（空集），V是屬于該語法的全部符號(hào)。 S是起始符號(hào)，它是N中的一個(gè)成員。 P是一個(gè)產(chǎn)生式規(guī)則集。ab (ab,aV+,bV*),2019/7/16,史忠植 人工智能：自然語言處理,18,短語結(jié)構(gòu)語言,在短語結(jié)構(gòu)語法中，基本運(yùn)算是把一個(gè)符號(hào)串重寫為另一個(gè)符號(hào)串，每條語法規(guī)則也叫重寫規(guī)則 一個(gè)句子的產(chǎn)生就是從S符號(hào)到詞匯串的推導(dǎo)過程 如果一個(gè)程序能夠根據(jù)一個(gè)短語結(jié)構(gòu)語法來確定一個(gè)句子的推導(dǎo)，則它可稱為一個(gè)句法分析器(parser)。 語法G所定義的語言記為L(zhǎng)(G): L(G)=W | WT*, S*GW,2019/7/16,史忠植 人工智能：自然語言處理,19,短語結(jié)構(gòu)語言,刻畫語言的形式體系的強(qiáng)和弱 遞歸可枚舉語言：如果有一個(gè)程序，它能以某種順序逐個(gè)地輸出（即枚舉）一種語言的句子，這種語言是遞歸可枚舉的 遞歸語言：如果有一個(gè)程序，它在讀入一個(gè)符號(hào)串后能最終確定這個(gè)串是或不是某種語言的一個(gè)句子，這稱該語言是遞歸,2019/7/16,史忠植 人工智能：自然語言處理,20,短語結(jié)構(gòu)語言,正則語法： 正則語法有兩種形式： 左線性語法：如 A a | Ba 右線性語法： 如 A a | aB 可以表示如下的句子： a*b* 語法例子： S a | S1 | a S S1 b | b S1 與有限狀態(tài)機(jī)等價(jià),2019/7/16,史忠植 人工智能：自然語言處理,21,短語結(jié)構(gòu)語言,上下文無關(guān)語法： 語法規(guī)則形式為： A x 即左邊為一非終結(jié)符，右邊沒有限制 可以表示的句子如： anbn 語法例子： S a | S b S 該文法應(yīng)用于程序設(shè)計(jì)語言中,2019/7/16,史忠植 人工智能：自然語言處理,22,短語結(jié)構(gòu)語言,上下文有關(guān)語法： 語法規(guī)則： 規(guī)則右邊的符號(hào)數(shù)不能少于左邊符號(hào)數(shù) 右邊的符號(hào)可以是終止符也可以是非終止符 上下文有關(guān)語言是遞歸的 可以表示的語言： anbncn 語法例子： AB BA,2019/7/16,史忠植 人工智能：自然語言處理,23,短語結(jié)構(gòu)語言,無約束短語結(jié)構(gòu)語法： 語法規(guī)則是沒有限制的： 左邊可以是任意多個(gè)終止符或非終止符 右邊可以是任意多個(gè)終止符或非終止符 該語言是遞歸可枚舉的 該語言與圖靈機(jī)等價(jià) 語法例子： A B C,2019/7/16,史忠植 人工智能：自然語言處理,24,Chomsky體系,無約束語法,上下文有關(guān)語法,上下文無關(guān)語法,正則語法,2019/7/16,史忠植 人工智能：自然語言處理,25,CFG的分析算法,用一個(gè)短語結(jié)構(gòu)語法對(duì)一個(gè)句子進(jìn)行語法分析，意味著尋找一個(gè)從起始符到該句子的推導(dǎo)，這個(gè)推導(dǎo)一般可以表示為一棵句法樹 一般一棵句法樹對(duì)應(yīng)的推導(dǎo)不是唯一的，但是如果在推導(dǎo)過程中每次總是重寫最左邊的非終止符，則稱該推導(dǎo)為最左推導(dǎo)。 Mary Mary Mary eats Mary eats cheese,2019/7/16,史忠植 人工智能：自然語言處理,26,CFG的分析算法, := :=John | Marry := :=eats | drinks :=wine | cheese,2019/7/16,史忠植 人工智能：自然語言處理,27,CFG的分析算法,句法分析器分為： 從推導(dǎo)方向來分： 自頂向下：從樹頂?shù)母Y(jié)點(diǎn)開始推導(dǎo)建立句法樹，方向是從起始符S到句子 自底向上：從樹底部的葉結(jié)點(diǎn)(詞或詞類)規(guī)約，建立句法樹，方向是從句子到S 從算法上分： 回溯算法：每次只嘗試一種推導(dǎo)，當(dāng)這種推導(dǎo)失敗時(shí)便返回以嘗試另一種推導(dǎo) 并行算法：同時(shí)進(jìn)行所有的推導(dǎo),2019/7/16,史忠植 人工智能：自然語言處理,28,CFG的分析算法,自頂向下的回溯算法 該方法逐個(gè)地枚舉推導(dǎo)直到找到一個(gè)能生成句子的推導(dǎo) 一般，對(duì)具有左遞歸的語法，該方法需要增加某些測(cè)試以避免陷入死循環(huán) 對(duì)于”Mary eats cheese”的句法和推導(dǎo)為： SNP+VP (1) SNP+VP (1) NP N (2) N+VP (2) VP V (3) N+V+NP (4) VP V+NP (4) N+V+N (2),2019/7/16,史忠植 人工智能：自然語言處理,29,轉(zhuǎn)移網(wǎng)絡(luò),轉(zhuǎn)移網(wǎng)絡(luò)在自動(dòng)機(jī)理論中用來表示語法。 句法分析中的轉(zhuǎn)移網(wǎng)絡(luò)由結(jié)點(diǎn)和帶有標(biāo)記的弧組成，結(jié)點(diǎn)表示狀態(tài)，弧對(duì)應(yīng)于符號(hào)，基于該符號(hào)，可以實(shí)現(xiàn)從一個(gè)給定的狀態(tài)轉(zhuǎn)移到另一個(gè)狀態(tài)。,2019/7/16,史忠植 人工智能：自然語言處理,30,Dog bites,2019/7/16,史忠植 人工智能：自然語言處理,31,轉(zhuǎn)移網(wǎng)絡(luò),擴(kuò)充轉(zhuǎn)移網(wǎng)絡(luò)ATN ATN是20世紀(jì)70年代由W. Woods提出來的 ATN語法屬于一種增強(qiáng)型的上下文無關(guān)語法，即用上下文無關(guān)文法描述句子文法結(jié)構(gòu)，并同時(shí)提供有效的方式將各種理解語句所需要的知識(shí)加到分析系統(tǒng)中，以增強(qiáng)分析功能，從而使得應(yīng)用ATN的句法分析程序具有分析上下文有關(guān)語言的能力。 ATN主要是對(duì)轉(zhuǎn)移網(wǎng)絡(luò)中的弧附加了過程而得到的。當(dāng)通過一個(gè)弧的時(shí)候，附加在該弧上的過程就會(huì)被執(zhí)行。這些過程的主要功能是（I）對(duì)文法特征進(jìn)行賦值；(II)檢查數(shù)（number）或人稱（第一、二或三人稱）條件是否滿足，并據(jù)此允許或不允許轉(zhuǎn)移。,2019/7/16,史忠植 人工智能：自然語言處理,32,轉(zhuǎn)移網(wǎng)絡(luò),表示句子的框架,2019/7/16,史忠植 人工智能：自然語言處理,33,轉(zhuǎn)移網(wǎng)絡(luò),表示句子的框架,2019/7/16,史忠植 人工智能：自然語言處理,34,轉(zhuǎn)移網(wǎng)絡(luò),表示句子的框架,2019/7/16,史忠植 人工智能：自然語言處理,35,非確定性算法與確定性算法,上面介紹的算法是非確定性的，分析過程中常常要進(jìn)行回溯。這就降低了算法的效率。 實(shí)際上，在特定的上下文中，除了某些固有的歧義外，自然語言的句法分析絕大多數(shù)都是確定的。 1977年MIT的Marcus提出了句法分析的確定性 算法。 該算法的最大特點(diǎn)是確保在任何情況下，一旦一個(gè)輸入句子的部分結(jié)構(gòu)被分析出來，便不再更改，一直保持到最后成為句子最終分析的一部分。,2019/7/16,史忠植 人工智能：自然語言處理,36,非確定性算法與確定性算法,Marcus的確定性算法 該句法分析系統(tǒng)具有如下三個(gè)特點(diǎn)： (1) 由數(shù)據(jù)驅(qū)動(dòng) (2) 已分析出來的部分結(jié)構(gòu)可以成為對(duì)后繼分析 過程的預(yù)期 (3) 通過“向前看”(look-ahead)來代替回溯 特點(diǎn)(1)和(2)反映了自底向上和自頂向下分析相結(jié)合的策略。特點(diǎn)(3)則是要通過引入句子中的上下文約束來決定分析規(guī)則，保證句法分析器“看準(zhǔn)了”以后再操作，從而避免了回溯,2019/7/16,史忠植 人工智能：自然語言處理,37,非確定性算法與確定性算法,漢語的特點(diǎn) 漢語的詞類缺乏形式標(biāo)注 漢語詞類跟句法成分之間不存在簡(jiǎn)單的一一對(duì)應(yīng)關(guān)系. 漢語的句子的構(gòu)造原則跟短語的構(gòu)造原則基本一致 漢語的這兩個(gè)特點(diǎn)的表現(xiàn)形式就是普遍存在的詞類兼類現(xiàn)象和句法結(jié)構(gòu)的遞歸嵌套性。這些必然要導(dǎo)致大量的回溯，增加計(jì)算的開銷 采用確定性分析策略則可以解決這種問題。,2019/7/16,史忠植 人工智能：自然語言處理,38,2019/7/16,史忠植 人工智能：自然語言處理,39,內(nèi)容提要,8.1 概述 8.2 詞法分析 8.3 句法分析 8.4 語義分析 8.5 語用分析 8.6 語料庫 8.7 信息檢索 8.8 機(jī)器翻譯 8.9 問答系統(tǒng) 8.10 小結(jié),語義分析,語義分析的任務(wù)： 輸入句子的句法結(jié)構(gòu)和句子中每個(gè)實(shí)詞的詞義推導(dǎo)出能反映該句子意義的某種形式化表示 對(duì)語義現(xiàn)象作形式化處理要比句法現(xiàn)象困難得多，主要原因有 語義和句法系統(tǒng)的界限很難劃清楚 語義及其他認(rèn)知系統(tǒng)的界限也難以劃清楚。 用于計(jì)算機(jī)語義處理的計(jì)算語義學(xué)還遠(yuǎn)未成熟,2019/7/16,史忠植 人工智能：自然語言處理,40,格文法,格語法是Filmore于1968年提出來的，曾 經(jīng)對(duì)自然語言理解技術(shù)的發(fā)展產(chǎn)生過較 大的影響，直到現(xiàn)在不少研究仍在使用 格語法。因?yàn)槿藗冋J(rèn)識(shí)到格關(guān)系確實(shí)是 描述語言語義(包括和語法的關(guān)系)的一種很好的形式，當(dāng)然在實(shí)際應(yīng)用過程中不 可避免地要有些修改。,2019/7/16,史忠植 人工智能：自然語言處理,41,格文法的特點(diǎn)是允許以動(dòng)詞為中心構(gòu)造分析結(jié)果，盡管文法規(guī)則只描述句法，但分析結(jié)果產(chǎn)生的結(jié)構(gòu)卻相應(yīng)于語義關(guān)系，而非嚴(yán)格的句法關(guān)系 如句子：Mary hit Bill 的格文法分析結(jié)果可以表示為 ( hit ( Agent Mary ) ( Dative Bill ) 在格文法中，格表示的語義方面的關(guān)系，反映的是句子中包含的思想、觀念等，稱為深層格。和短語結(jié)構(gòu)語法相比，格文法對(duì)于句子的深層語義有著更好的描述。,格文法,2019/7/16,史忠植 人工智能：自然語言處理,42,如果兩個(gè)句子的底層的語義關(guān)系一致，各名詞成分所代表的格關(guān)系不會(huì)發(fā)生相應(yīng)的變化。例如，被動(dòng)句“Bill was hit by Mary”與上述主動(dòng)句具有不同的句法分析樹，但格表示完全相同。,格文法,2019/7/16,史忠植 人工智能：自然語言處理,43,格文法,2019/7/16,史忠植 人工智能：自然語言處理,44,2019/7/16,史忠植 人工智能：自然語言處理,45,內(nèi)容提要,8.1 概述 8.2 詞法分析 8.3 句法分析 8.4 語義分析 8.5 語用分析 8.6 語料庫 8.7 信息檢索 8.8 機(jī)器翻譯 8.9 問答系統(tǒng) 8.10 小結(jié),語用分析與知識(shí)、上下文和推理等因素有關(guān)。維諾格拉德（Winograd T）認(rèn)為語言是一個(gè)講話者和聽者之間關(guān)于一個(gè)共同的世界的一種通信手段。語言是一種社會(huì)交際工具，研究語言必須研究其社會(huì)功能。維諾格拉德認(rèn)為語義理論必須在三個(gè)平面上描述關(guān)系， (1) 確定詞的意義 (2) 確定詞組在句法結(jié)構(gòu)中的意義 (3) 一個(gè)自然語言的句子決不應(yīng)被孤立地解釋。 一種語義理論必須描述一個(gè)句子的意義如何依賴于它的上下文。,語用分析,2019/7/16,史忠植 人工智能：自然語言處理,46,語義理論必須涉及語言學(xué)背景 (說話的上下文)和現(xiàn)實(shí)社會(huì)背景 (即同非語言學(xué)事實(shí)的知識(shí)的相互作用)，語義理論必須同句法和語言的邏輯方面(演繹推理)相聯(lián)系。正是基于這些觀點(diǎn)，即語法、語義和語用學(xué)相互作用的觀點(diǎn)，1970年維諾格拉德成功地研究了被人稱為“絕技”的自然語言對(duì)話系統(tǒng)SHRDLU，實(shí)現(xiàn)人與計(jì)算機(jī)之間的靈活對(duì)話。這項(xiàng)創(chuàng)舉震動(dòng)了當(dāng)時(shí)的人工智能界。,語用分析,2019/7/16,史忠植 人工智能：自然語言處理,47,2019/7/16,史忠植 人工智能：自然語言處理,48,內(nèi)容提要,8.1 概述 8.2 詞法分析 8.3 句法分析 8.4 語義分析 8.5 語用分析 8.6 語料庫 8.7 信息檢索 8.8 機(jī)器翻譯 8.9 問答系統(tǒng) 8.10 小結(jié),語料庫語言學(xué),語料庫語言學(xué)(corpus linguistics) 語言學(xué)知識(shí)的源泉是大規(guī)?；钌恼Z料，要想讓計(jì)算機(jī)理解自然語言，首先要讓計(jì)算機(jī)能從庫存的大規(guī)模語料中自動(dòng)或半自動(dòng)地獲取語言理解所需的各種知識(shí)，對(duì)語言現(xiàn)象作出客觀的、細(xì)致的描述。 目前采用的主要手段是建立各種統(tǒng)計(jì)模型，可用于詞類的自動(dòng)標(biāo)注，以及句法語義的更高層次的分析。該方法可以和規(guī)則方法相互補(bǔ)充。,2019/7/16,史忠植 人工智能：自然語言處理,49,在當(dāng)今計(jì)算技術(shù)條件下，要想把處理自然語言所需要的知識(shí)都用現(xiàn)有的知識(shí)表示技術(shù)明確表達(dá)出來，是不可能的。這既是由于這種知識(shí)的“數(shù)量”巨大，有時(shí)由于它們?cè)凇百|(zhì)”的方面高度的不確定性和模糊性。 最近十幾年來新提出的語料庫語言學(xué)，它順應(yīng)了大規(guī)模真實(shí)文本處理的需要，提出了以計(jì)算機(jī)語料庫為基礎(chǔ)的語言學(xué)研究及自然語言處理的新思想。,語料庫語言學(xué),2019/7/16,史忠植 人工智能：自然語言處理,50,基于語料庫的處理思想能夠在工程上、在寬廣的語言覆蓋面上解決大規(guī)模真實(shí)文本處理這一極其艱巨的課題，對(duì)傳統(tǒng)的處理方法的一個(gè)強(qiáng)有了的補(bǔ)充。 新型的智能計(jì)算機(jī)和多媒體計(jì)算機(jī)均要求設(shè)計(jì)出更為友好的人機(jī)界面，使自然語言、文字、圖像和聲音等信號(hào)都能直接輸入計(jì)算機(jī)。要求計(jì)算機(jī)能以自然語言與人進(jìn)行對(duì)話交流，就需要計(jì)算機(jī)具有自然語言能力，尤其是口語理解和生成能力。,語料庫語言學(xué),2019/7/16,史忠植 人工智能：自然語言處理,51,語料庫語言學(xué)及其特點(diǎn) 傳統(tǒng)的句法-語義分析技術(shù)，所采取的主要研究方法是基于規(guī)則的方法 由于自然語言理解的復(fù)雜性，各種知識(shí)的“數(shù)量”浩瀚無際，而且具有高度的不確定性和模糊性，利用規(guī)則不可能完全準(zhǔn)確地表達(dá)理解自然語言所需的各種知識(shí)，而且，規(guī)則實(shí)際上面向語言的使用者人的，將它面向機(jī)器則分析結(jié)果始終不盡如人意。 研究語言知識(shí)所用的真實(shí)文本稱為語料，大量的真實(shí)文本即構(gòu)成語料庫,語料庫語言學(xué),2019/7/16,史忠植 人工智能：自然語言處理,52,WordNet,WordNet是按一定結(jié)構(gòu)組織起來的義類詞典，主要特征表現(xiàn)在 1. 整個(gè)名詞組成一個(gè)繼承關(guān)系。 WordNet有著嚴(yán)格的層次關(guān)系，這樣一個(gè)單詞可以把它所有的前輩的一般性的上位詞的信息都繼承下來，可以提供全局性的語義關(guān)系，具有IS-A關(guān)系 2. 動(dòng)詞是一個(gè)語義網(wǎng) 動(dòng)詞大概是最難以研究的詞匯，在動(dòng)詞詞典中，很少有真正的同義動(dòng)詞。表達(dá)動(dòng)詞的意義對(duì)任何詞匯語言學(xué)來說都是困難的。WordNet不做成分分析，而是進(jìn)行關(guān)系分析。這一點(diǎn)是計(jì)算語言學(xué)界所熱衷的課題，與以往的語義分析方法不同。這種關(guān)系討論的是動(dòng)詞間的縱向關(guān)系，即詞匯蘊(yùn)涵關(guān)系 WordNet基于名詞和動(dòng)詞以及其他詞性的關(guān)系進(jìn)行詞類間的縱向分析，在國(guó)際計(jì)算語言學(xué)界有很大的影響。但是，它也有不足之處，如對(duì)橫向關(guān)系還沒有考慮。,2019/7/16,史忠植 人工智能：自然語言處理,53,WordNet,WordNet是1990由Princeton大學(xué)的米勒（Miller G A）等人設(shè)計(jì)和構(gòu)造的。一部WordNet詞典將近95600個(gè)詞形（51500單詞和44100搭配詞）和70100個(gè)詞義，分為五類：名詞、動(dòng)詞、形容詞、副詞和虛詞，按語義而不是按詞性來組織詞匯信息。 在WordNet詞典中，名詞有57000個(gè)，含有48800個(gè)同義詞集，分成25類文件，平均深度12層。最高層為根概念，不含有固有名詞。,2019/7/16,史忠植 人工智能：自然語言處理,54,知網(wǎng),知網(wǎng)（HowNet）是董振東研制的以漢語和英語的詞語所代表的概念為描述對(duì)象，以揭示概念與概念之間以及概念所具有的屬性之間的關(guān)系為基本內(nèi)容的常識(shí)知識(shí)庫。公布的中文信息結(jié)構(gòu)庫包含： 信息結(jié)構(gòu)模式：271個(gè) 句法分布式：49個(gè) 句法結(jié)構(gòu)式：58個(gè) 實(shí)例：11,000詞語 總字?jǐn)?shù)：中文60,000字,2019/7/16,史忠植 人工智能：自然語言處理,55,20世紀(jì)90年代，使用統(tǒng)計(jì)的方法，使機(jī)器翻譯的正確率達(dá)到60%，漢語切分的正確率達(dá)到70%，漢語語音輸入的正確率達(dá)到80%，這是對(duì)傳統(tǒng)語言學(xué)的嚴(yán)重挑戰(zhàn)。許多研究人員相信，基于語料庫的統(tǒng)計(jì)模型（如n-gram模型、Markov模型、向量空間模型）不僅能勝任詞類的自動(dòng)標(biāo)注任務(wù)，而且也能夠應(yīng)用到句法和語義等更高層次的分析上來。這種方法有希望在工程上、在寬廣的語言覆蓋面上解決大規(guī)模真實(shí)文本處理這一極其艱巨的課題，至少也能對(duì)基于規(guī)則的自然語言處理系統(tǒng)提供一種強(qiáng)有力的補(bǔ)充機(jī)制。,統(tǒng)計(jì)方法的應(yīng)用,2019/7/16,史忠植 人工智能：自然語言處理,56,統(tǒng)計(jì)方法的應(yīng)用,大規(guī)模真實(shí)文本處理的數(shù)學(xué)方法主要是統(tǒng)計(jì)方法。 基于語料庫的統(tǒng)計(jì)模型（如Markov模型、向量空間模型）不僅能勝任詞類的自動(dòng)標(biāo)注任務(wù)，而且也能夠應(yīng)用到句法和語義等更高層次的分析上來。,2019/7/16,史忠植 人工智能：自然語言處理,57,由于漢語句子的最小構(gòu)成單位是字，有 意義的最小單位卻是詞，而漢語詞與詞 之間又沒有分割符號(hào)（英語詞和詞之間 是空格）。因此，漢語理解首先要進(jìn)行 漢語自動(dòng)分詞。 可以概括為兩大類方法， 無詞典分詞，它完全依靠整段文章中漢字之間的搭配的頻率算出成詞可能 有詞典分詞，是一種更有普遍意義的分詞方法。有詞典分詞主要有最大匹配法，逆向最大匹配法，逐詞遍歷匹配法，設(shè)立切分標(biāo)志法，以及正向最佳匹配和逆向最佳匹配法，而這些方法的一個(gè)基本思想都是要依次分出待切分串的可能最長(zhǎng)成詞,漢語自動(dòng)分詞,2019/7/16,史忠植 人工智能：自然語言處理,58,首先，根據(jù)漢語詞典(有56800條詞匯)進(jìn) 行統(tǒng)計(jì)，發(fā)現(xiàn)：雖然詞典中的最長(zhǎng)詞可 以達(dá)到為20多個(gè)字節(jié)（十幾個(gè)漢字）， 但是大多數(shù)漢語詞都可以由前兩字唯一 確定，這樣的詞占絕大多數(shù)(如在上述詞典中占總詞匯量的85以上)。,基于統(tǒng)計(jì)結(jié)果的分詞,2019/7/16,史忠植 人工智能：自然語言處理,59,兩個(gè)首字相同的詞的個(gè)數(shù)的統(tǒng)計(jì) 根據(jù)前兩字可確定的詞個(gè)數(shù) 詞總數(shù) 所占百分比() 1 48431 85.22 2 28012 9.86 3 5143 2.71 4 1184 0.83 5 465 0.40 6 306 0.32 7 167 0.20 8 68 0.08 9 89 0.13 10 510 0.09 14 214 0.05 15 315 0.08 18 118 0.03,漢語自動(dòng)分詞,2019/7/16,史忠植 人工智能：自然語言處理,60,主要是在字典索引的支持下進(jìn)行的，索引結(jié)構(gòu)可以分為兩級(jí)。 一級(jí)索引就用漢字內(nèi)碼，查找算法用散 列方法。 而二級(jí)索引采用整個(gè)詞長(zhǎng)。,漢語機(jī)械分詞,2019/7/16,史忠植 人工智能：自然語言處理,61,最大匹配法。最大匹配法簡(jiǎn)稱MM方法。其思想是：在計(jì)算機(jī)磁盤中存放一個(gè)分詞用詞典，從待切分的文本中按自左到右的順序截取一個(gè)定長(zhǎng)的漢字串，通常為為詞典中的最大詞長(zhǎng)，這個(gè)字符串的長(zhǎng)度稱作最大詞長(zhǎng)。將這個(gè)具有最大詞長(zhǎng)的字符串與詞典中的詞進(jìn)行匹配，若匹配成功，則可確定這個(gè)字符串為詞，計(jì)算機(jī)程序的指針向后移動(dòng)與給定最大詞長(zhǎng)相應(yīng)個(gè)數(shù)的漢字，繼續(xù)進(jìn)行匹配；否則，把該字符串從右邊逐次減去一個(gè)漢字，再與詞典中的詞進(jìn)行匹配，直到成功為止。 逆向最大匹配法。逆向最大匹配法簡(jiǎn)稱RMM法。這種方法的基本原理與MM法相同，所不同的是分詞時(shí)對(duì)待切分文本的掃描方向。MM方法從待切分文本中截取字符串的方向是從左到右，而RMM方法則是從右向左。在與詞典匹配不成功時(shí)，將所截取的漢字串從左至右逐次減去一個(gè)漢字，再與詞典中的詞進(jìn)行匹配，直到匹配成功為上。實(shí)驗(yàn)表明，RMM法的切詞正確率要比MM法高,匹配法分詞,2019/7/16,史忠植 人工智能：自然語言處理,62,分詞過程中的歧義問題。歧義字段在中文文本中是普遍存在的，歧義切分是自動(dòng)分詞中不可避免的現(xiàn)象，是自動(dòng)分詞中的一個(gè)比較棘手的問題。對(duì)歧義字段的處理水平，直接影響著自動(dòng)分詞系統(tǒng)的分詞準(zhǔn)確率。 未登錄詞的識(shí)別問題。未登錄詞是指沒有在詞典中出現(xiàn)、在漢語文本中又應(yīng)該當(dāng)作一個(gè)詞將其分開的那些字符串。包括中外人名、中外地名、機(jī)構(gòu)組織名、事件名、縮略語、派生詞、各種專業(yè)術(shù)語以及在不斷發(fā)展和約定俗成的一些新詞語。未登錄詞種類繁多、規(guī)模宏大，對(duì)它們識(shí)別正確與否直接影響著分詞系統(tǒng)的正確率。然而，目前對(duì)于這些詞語的自動(dòng)辨識(shí)盡管作了不少的研究，但要想達(dá)到實(shí)際應(yīng)用的要求，仍還有不少的困難。,漢語分詞的難點(diǎn),2019/7/16,史忠植 人工智能：自然語言處理,63,除了由于未登錄詞而引起的歧義，切分歧義主要有三種類型： 交集型歧義，即漢字串既可切成，又可切成。 組合型歧義，即漢字串既可切分成，又可切分成。 混合型歧義，是前兩種的自我嵌套或三者的交叉組合產(chǎn)生的。 為了既能得到較高的準(zhǔn)確率，又有較小的開銷，可以 著重解決相對(duì)數(shù)量較大又較容易解決的交集型歧義。,漢語分詞的難點(diǎn),2019/7/16,史忠植 人工智能：自然語言處理,64,詞類分析 漢語的發(fā)展是先有字后有詞，所以關(guān)于 詞的研究還存在一些問題，比較突出的 是漢語詞類的兼類問題。例如，大量的 雙字動(dòng)詞兼作名詞。要進(jìn)行漢語理解， 如果不把詞類先確定下來的話，那么下 一步的分析也難以進(jìn)行。 漢語詞類的兼類處理方法 兩種方法 根據(jù)規(guī)則消除兼類， 根據(jù)預(yù)料庫統(tǒng)計(jì)消除兼類,漢語分詞的難點(diǎn),2019/7/16,史忠植 人工智能：自然語言處理,65,2019/7/16,史忠植 人工智能：自然語言處理,66,內(nèi)容提要,8.1 概述 8.2 詞法分析 8.3 句法分析 8.4 語義分析 8.5 語用分析 8.6 語料庫 8.7 信息檢索 8.8 機(jī)器翻譯 8.9 問答系統(tǒng) 8.10 小結(jié),信息檢索 (information retrieval，IR)是指將信息按一定的方式組織和存儲(chǔ)起來，并根據(jù)用戶的需要找出有關(guān)信息的過程。1950年, 穆爾(Moore C)根據(jù)圖書館的參考咨詢和文摘索引提出了信息檢索。信息檢索包括信息存儲(chǔ)和檢索。在檢索之前必須將信息收集起來，按科學(xué)方法進(jìn)行整理，并按一定準(zhǔn)則存儲(chǔ)起來，形成書本式檢索工具或者計(jì)算機(jī)可讀數(shù)據(jù)庫。在檢索時(shí)，用戶根據(jù)自身需求提交查詢給信息檢索系統(tǒng)，系統(tǒng)利用存儲(chǔ)信息所依據(jù)的準(zhǔn)則，在文檔集中找出與查詢條件相關(guān)的文檔子集，并按照它們與查詢條件的相關(guān)性進(jìn)行排序，最后為用戶返回一個(gè)有序的文檔子集。,信息檢索,2019/7/16,史忠植 人工智能：自然語言處理,67,從廣義上講，信息檢索包括兩個(gè)過程， 一是信息存儲(chǔ)(information storage)，即信息的標(biāo)引、加工和存儲(chǔ)過程： 二是信息檢索(information retrieval)，即信息用戶的查找過程。 從狹義上講，信息檢索僅指后一部分。 信息檢索的本質(zhì)是一個(gè)匹配的過程 即用戶的信息需求和信息存儲(chǔ)的信息集合進(jìn)行比較和選擇的過程,信息檢索,2019/7/16,史忠植 人工智能：自然語言處理,68,信息檢索過程,2019/7/16,史忠植 人工智能：自然語言處理,69,信息檢索的類型,按信息檢索的內(nèi)容劃分 文獻(xiàn)檢索 數(shù)據(jù)檢索 事實(shí)檢索 概念檢索,按信息檢索的組織方式劃分,超文本檢索是對(duì)每個(gè)節(jié)點(diǎn)中儲(chǔ)存的信息以及信息鏈構(gòu)成的網(wǎng)絡(luò)信息進(jìn)行的檢索。與傳統(tǒng)文本的線性順序不同，超文本檢索強(qiáng)調(diào)中心節(jié)點(diǎn)之間的語義聯(lián)結(jié)結(jié)構(gòu)，靠系統(tǒng)提供的工具進(jìn)行圖示穿行和節(jié)點(diǎn)展示，提供瀏覽式查詢，可進(jìn)行跨庫檢索。,全文本檢索 多媒體檢索 超文本檢索,2019/7/16,史忠植 人工智能：自然語言處理,70,2019/7/16,史忠植 人工智能：自然語言處理,71,內(nèi)容提要,8.1 概述 8.2 詞法分析 8.3 句法分析 8.4 語義分析 8.5 語用分析 8.6 語料庫 8.7 信息檢索 8.8 機(jī)器翻譯 8.9 問答系統(tǒng) 8.10 小結(jié),機(jī)器翻譯是利用計(jì)算機(jī)把一種自然語言轉(zhuǎn)變成另一種自然語言的過程。用以完成這一過程的軟件叫做機(jī)器翻譯系統(tǒng)。機(jī)器翻譯是語言學(xué)、人工智能、計(jì)算技術(shù)、認(rèn)知科學(xué)等學(xué)科相結(jié)合的產(chǎn)物。 人作翻譯時(shí)，把一個(gè)源語言句子譯成目標(biāo)語言句子，涉及到四個(gè)基本操作：目標(biāo)語言單詞的檢索、調(diào)序、刪詞、增詞；機(jī)器翻譯系統(tǒng)的操作過程也不例外，有檢索、分析、轉(zhuǎn)換和生成的主要四個(gè)階段。這被稱為基于分析和轉(zhuǎn)換的機(jī)器翻譯系統(tǒng)。也被認(rèn)為是模擬人類翻譯活動(dòng)最恰當(dāng)?shù)臋C(jī)制。,機(jī)器翻譯,2019/7/16,史忠植 人工智能：自然語言處理,72,20世紀(jì)50年代初到60年代中為大發(fā)展時(shí)期。但是由于當(dāng)時(shí)對(duì)機(jī)器翻譯的復(fù)雜性認(rèn)識(shí)不足而產(chǎn)生了過分的樂觀情 20世紀(jì)60年代中到70年代初由于遇到了困難而處于低潮時(shí)期。 20世紀(jì)80年代機(jī)器翻譯開始復(fù)興，注意力幾乎都集中在人助自動(dòng)翻譯上，人助工作包括譯前編輯（或受限語言），翻譯期間的交互式解決問題，譯后編輯等。幾乎所有的研究活動(dòng)都致力于在傳統(tǒng)的基于規(guī)則和“中間語言”模式的基礎(chǔ)上進(jìn)行語言分析和生成方法的探索，這些方法都伴有人工智能類型的知識(shí)庫。 在20世紀(jì)90年代早期，機(jī)器翻譯研究被新興的基于語料庫的方法向前推進(jìn)，出現(xiàn)新的統(tǒng)計(jì)方法的引入以及基于案例的機(jī)器翻譯等。,機(jī)器翻譯,2019/7/16,史忠植 人工智能：自然語言處理,73,機(jī)器翻譯的一般過程包括：源語文輸入、識(shí)別與分析、生成與綜合和目標(biāo)語言輸出。當(dāng)源語文通過鍵盤或掃描器或話筒輸入計(jì)算機(jī)后，計(jì)算機(jī)首先對(duì)一個(gè)單詞逐一識(shí)別，再按照標(biāo)點(diǎn)符號(hào)和一些特征詞(往往是虛詞)識(shí)別句法和語義。然后查找機(jī)器內(nèi)存儲(chǔ)的詞典和句法表、語義表，把這些加工后的語文信息傳輸?shù)揭?guī)則系統(tǒng)中去。從源語文輸入的字符系列的表層結(jié)構(gòu)分析到深層結(jié)構(gòu)，在機(jī)器內(nèi)部就得到一種類似喬姆斯基語法分析的“樹形圖”。,機(jī)器翻譯,2019/7/16,史忠植 人工智能：自然語言處理,74,基于規(guī)則的機(jī)器翻譯流程圖,2019/7/16,史忠植 人工智能：自然語言處理,75,1.基于分析和轉(zhuǎn)換的機(jī)器翻譯方法 基于分析和轉(zhuǎn)換的機(jī)器翻譯方法就是自動(dòng)實(shí)現(xiàn)源語言到目標(biāo)語言的轉(zhuǎn)換，它采取了一系列的分析和轉(zhuǎn)換的生成層次，使一個(gè)源語言句子經(jīng)過不同的中間表達(dá)形式，最終達(dá)到目標(biāo)語言句子的表示。其目的是盡可能地加深對(duì)源語言的理解，生成盡可能恰當(dāng)?shù)哪繕?biāo)語言形式。這種方法比較全面地體現(xiàn)了語言學(xué)知識(shí)在機(jī)器翻譯中的應(yīng)用，是了解機(jī)器翻譯實(shí)現(xiàn)過程的非常合適的模式。,機(jī)器翻譯的實(shí)現(xiàn)方法,2019/7/16,史忠植 人工智能：自然語言處理,76,句子經(jīng)過分析階段之后，進(jìn)入轉(zhuǎn)換和生成階段。這兩者一般聯(lián)系得比較緊密，有時(shí)無法嚴(yán)格區(qū)分，因?yàn)檗D(zhuǎn)換到目標(biāo)語言也就是要生成目標(biāo)語言的詞匯、短語、句子?？梢园丫渥咏Y(jié)構(gòu)的轉(zhuǎn)換也就是源語言的句法樹轉(zhuǎn)換長(zhǎng)合適的目標(biāo)語言對(duì)應(yīng)形式當(dāng)作轉(zhuǎn)換，而后續(xù)的許多處理都當(dāng)作生成階段的處理步驟看待。,基于分析和轉(zhuǎn)換的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,77,實(shí)質(zhì)上，機(jī)器翻譯方法對(duì)語言的處理就是在兩種語言之間搭一座橋，實(shí)現(xiàn)一種語言到另一種語言意義等價(jià)的轉(zhuǎn)換。它并非象自然語言理解那樣只是對(duì)一種語言的操作，只需作針對(duì)一種語言的分析。作為一個(gè)機(jī)器翻譯系統(tǒng)，它既要考慮源語言的語法和語義規(guī)律，也要考慮目標(biāo)語言的這方面規(guī)律，忽略了任何一方都是不行的。也就是說，對(duì)于雙語互譯規(guī)律的發(fā)現(xiàn)和應(yīng)用才是機(jī)器翻譯最本質(zhì)的特征。所以，在詞、短語和句子這三個(gè)層次上尋找源語言的目標(biāo)語言翻譯的等價(jià)物是機(jī)器翻譯中轉(zhuǎn)換與生成的任務(wù)。,基于分析和轉(zhuǎn)換的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,78,通常，機(jī)器翻譯的研究中將轉(zhuǎn)換看做整個(gè)翻譯過程中的一個(gè)階段。然而，在語義結(jié)構(gòu)上進(jìn)行轉(zhuǎn)換卻是一種好的方式。語義結(jié)構(gòu)可以是跨語言的，有能力同時(shí)應(yīng)用于分析和生成。另一方面，當(dāng)機(jī)器翻譯系統(tǒng)的翻譯語言對(duì)擴(kuò)展時(shí)，還可以應(yīng)用于多種不同的語言。但要注意，大規(guī)模的自然語言語義描述相當(dāng)復(fù)雜，因而在機(jī)器翻譯系統(tǒng)中的應(yīng)用往往會(huì)受到限制，難以采用這樣的語義表示作為轉(zhuǎn)換的基本結(jié)構(gòu)。,基于分析和轉(zhuǎn)換的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,79,一般情況下，分析以句法為主、語義為輔，正確的句法結(jié)構(gòu)轉(zhuǎn)換加正確的詞匯譯文可以從源語言向目標(biāo)語言傳遞完整的正確信息。因此，以句法結(jié)構(gòu)轉(zhuǎn)換附加上一定的語義信息，能夠構(gòu)成轉(zhuǎn)換的基本層次。不足之處是：因?yàn)榫浞ǚ治龅慕Y(jié)果是面向源語言的，而要生成合適的目標(biāo)語言譯文，轉(zhuǎn)換部分常常引入許多目標(biāo)語言方面的約束，使得轉(zhuǎn)換規(guī)則變得復(fù)雜了。,基于分析和轉(zhuǎn)換的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,80,就標(biāo)準(zhǔn)的機(jī)器翻譯系統(tǒng)來說，句子和短語層次的結(jié)構(gòu)轉(zhuǎn)換是機(jī)器翻譯轉(zhuǎn)換部分的研究重點(diǎn)。通常使用轉(zhuǎn)換規(guī)則，就可以實(shí)現(xiàn)源語言句法結(jié)構(gòu)到目標(biāo)語言句法結(jié)構(gòu)的轉(zhuǎn)換。這方面一般采用產(chǎn)生式方式的轉(zhuǎn)換規(guī)則形式： S：S1+S2+SiT1+T2+Tj ：T 上式理解為：S是SL（源語言）的某個(gè)待翻譯單位（句子、短語等等），S1Si是S中的下一級(jí)組成單位；對(duì)于S，如果滿足條件，則TL（目標(biāo)語言）中有T1Tj譯文構(gòu)成了相應(yīng)的等價(jià)物T。,基于分析和轉(zhuǎn)換的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,81,這樣的方法有兩個(gè)特點(diǎn)：一是面向源語言分析，因?yàn)樵凑Z言中的一個(gè)句子已經(jīng)由句法、語義分析等階段分析完畢，生成了關(guān)于源語言句子的某種中間表示，轉(zhuǎn)換以這種源語言中間表示作為輸入；二是直接轉(zhuǎn)換，即對(duì)于S表示，直接給出譯文形式，一般不需要在目標(biāo)語言內(nèi)再作進(jìn)一步轉(zhuǎn)換，T1Tj可以直接包括目標(biāo)語言的詞匯，也可以是對(duì)應(yīng)于S1Si的譯文組塊。,基于分析和轉(zhuǎn)換的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,82,上述方法稱為基于句法的轉(zhuǎn)換方法，因?yàn)?S1+S2+Si一般來說就是源語言的的句法結(jié)構(gòu)表示；也可以稱為直接轉(zhuǎn)換方法，因?yàn)閷?duì)于每個(gè)源語言的翻譯組塊，都馬上給出一個(gè)目標(biāo)語言組塊與之對(duì)應(yīng)。應(yīng)該說，這種轉(zhuǎn)換方法符合人的直覺認(rèn)識(shí)，也能夠?qū)崿F(xiàn)。,基于分析和轉(zhuǎn)換的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,83,基于中間語言的翻譯方法是對(duì)源語言進(jìn)行分析以后產(chǎn)生一種稱為中間語言的表示形式，然后直接由這種中間語言的表示形式生成目標(biāo)語言。所謂中間語言就是自然語言的計(jì)算機(jī)表示形式的系統(tǒng)化，它試圖創(chuàng)造出一種獨(dú)立于各種自然語言，同時(shí)又能表示各種自然語言的人工語言。,2. 基于中間語言的翻譯方法,基于中間語言的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,84,基于中間語言的機(jī)器翻譯方法主要有兩個(gè)優(yōu)點(diǎn)。首先，獨(dú)立的中間表示形式為多語種之間的互譯的實(shí)現(xiàn)提供了一種經(jīng)濟(jì)有效的途徑。假設(shè)要對(duì)N種語言進(jìn)行互譯，則有N(N-1)個(gè)語言對(duì)。不同方向的翻譯是不同的語言對(duì)。此時(shí)如果采用基于轉(zhuǎn)換的方法，因?yàn)榘岩环N語言翻譯成另一種語言都需要一個(gè)不同的轉(zhuǎn)換機(jī)制（或模塊），所以N(N-1)個(gè)語言對(duì)共需要N(N-1)個(gè)獨(dú)立的轉(zhuǎn)換機(jī)制。而采用中間語言的方法，由于對(duì)每一種語言只需實(shí)現(xiàn)將該種語言翻譯成中間語言和把中間語言翻譯成該種語言的目標(biāo)語言這樣兩個(gè)模塊，所以總共只需要2N個(gè)模塊。其次，中間語言不僅是對(duì)基于中間語言的機(jī)器翻譯方法這一特定目的有意義，同時(shí)，作為一種通用的自然語言表示，也值得深入研究。,基于中間語言的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,85,基于中間語言的機(jī)器翻譯方法的優(yōu)勢(shì)是無需一種語言到另一種語言的一一轉(zhuǎn)換，對(duì)于多語種的翻譯系統(tǒng)可以節(jié)約大量的轉(zhuǎn)換知識(shí)的手工獲取工作量。假如有N種語對(duì)需要相互翻譯，只要有2N個(gè)分析和生成模塊就夠了。其中一半是源語言分析模塊，輸入為原文，輸出以IL表示；另一半是目標(biāo)語言生成模塊，輸入為IL表示，輸出為目標(biāo)語言譯文。,基于中間語言的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,86,中間語言通常用語義概念表示，這些概念符號(hào)采用英語單詞符號(hào)或其它自行定義的符號(hào)來表示。大規(guī)模的IL需要大量的概念表示，需要生成對(duì)應(yīng)的概念詞典。如果用語義概念來描寫一個(gè)句子，則構(gòu)成復(fù)雜的語義網(wǎng)絡(luò)。 對(duì)于多語種的機(jī)器翻譯來說，使用中間語言作為相互翻譯的中介是可取的。在理想狀態(tài)下，中間語言應(yīng)該沒有或極少有歧義，結(jié)構(gòu)嚴(yán)謹(jǐn)，詞匯單義，便于計(jì)算機(jī)處理。有了中間語言，一切源語言分析的結(jié)果和目標(biāo)語言生成的開端都由它來表示。,基于中間語言的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,87,然而，中間語言的機(jī)器翻譯方法也常遭到懷疑。因?yàn)槭欠衲軌驑?gòu)造出表示各種不同的自然語言語法、語義的中間語言至少目前還是未知數(shù)。此外，中間語言能不能把各種語言的所有特征保留下來，又能很好生成對(duì)應(yīng)的各種語言也是問題。所以，構(gòu)造中間語言是一個(gè)巨大、復(fù)雜的工程，還包含許多理論研究，迄今為止的探索還沒有好的答案。,基于中間語言的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,88,3.基于統(tǒng)計(jì)的機(jī)器翻譯方法 基于統(tǒng)計(jì)的機(jī)器翻譯方法，一般不要任何語言學(xué)知識(shí)，它的基本原理是實(shí)現(xiàn)源語言詞匯到目標(biāo)語言詞匯的映射。其思路受到語音識(shí)別研究的啟發(fā)，因而應(yīng)用了類似的方法來實(shí)現(xiàn)。研究者用大規(guī)模的雙語語料庫作為基礎(chǔ)，對(duì)源語言和目標(biāo)語言詞匯的對(duì)應(yīng)關(guān)系進(jìn)行統(tǒng)計(jì)，根據(jù)統(tǒng)計(jì)規(guī)律輸出譯文。這種方法沒有使用語言知識(shí)，主要特征是概率統(tǒng)計(jì)與隨機(jī)過程的方法成為了分析和生成過程的唯一方法。它的主要內(nèi)容是雙語句對(duì)的對(duì)齊，通過詞匯同現(xiàn)的可能性來計(jì)算一種語言的一個(gè)詞映射到另一種語言的一個(gè)詞（或兩個(gè)、零個(gè)詞）的概率。應(yīng)該說，基于統(tǒng)計(jì)的機(jī)器翻譯方法的出現(xiàn)改變了機(jī)器翻譯研究的面貌，從而開始了機(jī)器翻譯研究的新階段。不過，有些學(xué)者也對(duì)純統(tǒng)計(jì)方法提出了異議，認(rèn)為必須引入高層語法、語義模型，顯然這是正確的。否則，基于統(tǒng)計(jì)的機(jī)器翻譯方法不可能產(chǎn)生高質(zhì)量。,基于統(tǒng)計(jì)的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,89,由于當(dāng)前計(jì)算機(jī)在運(yùn)算速度和存儲(chǔ)容量方面都有巨大的提高，可以獲取大量的機(jī)讀語料庫，因此在機(jī)器翻譯中應(yīng)用統(tǒng)計(jì)方法的條件已經(jīng)成熟。 機(jī)器翻譯的噪聲通道模型可以視作最早的機(jī)器翻譯思想的某中復(fù)活，其思路可以這樣理解： 假設(shè)說話者已經(jīng)用目標(biāo)語想好了一句話T，但是說出的卻是源語言句子S。這樣一個(gè)過程可以看成為編碼過程。而統(tǒng)計(jì)的機(jī)器翻譯就是要從S回推T，可以看成解碼過程。這樣，統(tǒng)計(jì)的機(jī)器翻譯任務(wù)分為兩個(gè)部分：一是建模，即建立翻譯的計(jì)算方法以及從雙語語料庫中估計(jì)模型的參數(shù)；二是解碼，即尋求一種高效搜索算法取有關(guān)概率計(jì)算的最大值。,基于統(tǒng)計(jì)的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,90,在概率計(jì)算的前后，轉(zhuǎn)換是進(jìn)行有關(guān)預(yù)處理和后處理，例如句子當(dāng)中的日期、時(shí)間、數(shù)字、人名等應(yīng)該用適當(dāng)?shù)念悇e標(biāo)志加以替換，以便更好地進(jìn)行計(jì)算，計(jì)算后再換回來。因?yàn)檫@類詞不屬于一般的詞匯，單詞本身在語料庫中的出現(xiàn)缺乏代表性。 建模就是設(shè)計(jì)各個(gè)模型的計(jì)算公式。因?yàn)橹苯佑?jì)算某個(gè)句子出現(xiàn)的概率是比較困難的，語料庫不可能足夠大到包含所有句子，必須進(jìn)行合理的、適當(dāng)?shù)暮?jiǎn)化。這是統(tǒng)計(jì)方法的特點(diǎn)，所得到的結(jié)果是近似值，但是因?yàn)楦怕时旧砭筒皇蔷_的，所以這些近似完全可以接受。,基于統(tǒng)計(jì)的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,91,總之，基于統(tǒng)計(jì)的機(jī)器翻譯方法可以簡(jiǎn)單的這樣看：將原始的某個(gè)句子按詞折開，然后全部單詞存儲(chǔ)；翻譯則是取出，按概率統(tǒng)計(jì)的方法重組句子，這樣的句子就是統(tǒng)計(jì)方法的翻譯結(jié)果。 當(dāng)然，我們還是認(rèn)為應(yīng)該加強(qiáng)統(tǒng)計(jì)方法與語法分析、語義分析相結(jié)合的研究。,基于統(tǒng)計(jì)的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,92,4.基于記憶的機(jī)器翻譯方法 建立機(jī)器翻譯系統(tǒng)需要大量的知識(shí)。在基于轉(zhuǎn)換和基于中間語言的機(jī)器翻譯方法中，知識(shí)按一定規(guī)則譯成代碼，這既耗時(shí)花費(fèi)也大。此外，知識(shí)獲取瓶頸阻礙了機(jī)器翻譯的快速發(fā)展，這是早期機(jī)器翻譯面臨的重大難題。 為克服這一困難，除了上節(jié)介紹的統(tǒng)計(jì)方法外，日本機(jī)器翻譯專家Nagao在80年代提出了一種新方法，用已經(jīng)存在的翻譯實(shí)例（雙語文本）作為知識(shí)源，這種方法稱為基于記憶的翻譯，后來普遍稱為基于實(shí)例的翻譯?；趯?shí)例的思想已被廣泛的采用，既用于機(jī)器翻譯的設(shè)計(jì)，也用于機(jī)器翻譯不同處理階段的實(shí)現(xiàn)中。用不斷積累的已經(jīng)譯好的文本作為機(jī)器翻譯的樣本的思想，也是具有吸引力的。,基于記憶的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,93,基于記憶的機(jī)器翻譯方法通過結(jié)構(gòu)化的翻譯例子直接把源語言的短語和句子與目標(biāo)語言的短語和句子對(duì)應(yīng)起來。方法的不同使得處理步驟或多或少，但都必須實(shí)現(xiàn)源語言到目標(biāo)語言的轉(zhuǎn)換，其映射關(guān)系或者是詞到詞，或者是短語或句子到與之相應(yīng)的等價(jià)物，或者是一棵句法樹到另一棵句法樹。 基于記憶的機(jī)器翻譯（EBMT）的實(shí)現(xiàn)過程簡(jiǎn)單概述如下：給定源語言輸入句子S，在雙語語料庫C中匹配查找一個(gè)最相近的句子S, 則S的譯文T就被接受為S的譯文。,基于記憶的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理,94,翻譯的過程一般就是查找和復(fù)現(xiàn)相似的例子，發(fā)現(xiàn)和記起特定的源語言表達(dá)或相似的表達(dá)在以前是如何翻譯的，把以前的翻譯實(shí)例作為主要知識(shí)源。 基于記憶的機(jī)器翻譯方法的基本思想： （1）把翻譯實(shí)例存入翻譯數(shù)據(jù)庫。例如，存入漢語和英語句子對(duì)； （2）對(duì)輸入的句子，在翻譯數(shù)據(jù)庫中檢索類似的翻譯例句； （3）調(diào)整實(shí)例后生成譯文。,基于記憶的機(jī)器翻譯方法,2019/7/16,史忠植 人工智能：自然語言處理