Научная статья на тему 'Использование словарной информации при анализе текста'

Использование словарной информации при анализе текста Текст научной статьи по специальности «Языкознание и литературоведение»

CC BY
369
99
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
АНАЛИЗ ТЕКСТА / TEXT ANALYSIS / ЛЕКСЕМА / LEXEME / МОРФОЛОГИЯ / MORPHOLOGY / ОМОНИМИЯ / HOMONYMY / СЕМАНТИКА / SEMANTICS / СИНТАКСИС / SYNTAX / СЛОВАРЬ / DICTIONARY

Аннотация научной статьи по языкознанию и литературоведению, автор научной работы — Боярский Кирилл Кириллович, Каневский Евгений Александрович, Стафеев Сергей Константинович

Описаны подходы к решению некоторых проблем, возникающих при компьютерном анализе русскоязычного текста. Затронуты вопросы, связанные со снятием лексической и морфологической неоднозначности, с выделением в тексте сложных объектов-словосочетаний и с использованием особенностей контекста для повышения точности разбора текста. Показано, что применение словарной информации может сыграть решающую роль при снятии как морфологической, так и частеречной и лексической омонимии.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

THE USE OF DICTIONARY INFORMATION IN TEXT ANALYSIS

Approaches to some problems solving at computer analysis of Russian text are described. The issues associated with lexical and morphological ambiguity removal, with complex objects-phrases allocation in the text and using features of the context to improve the accuracy of text analysis are considered. It is shown that the use of dictionary information can play a crucial role in removing both morphological and part of speech and lexical homonymy.

Текст научной работы на тему «Использование словарной информации при анализе текста»

УДК 004.912:303.7

ИСПОЛЬЗОВАНИЕ СЛОВАРНОЙ ИНФОРМАЦИИ ПРИ АНАЛИЗЕ ТЕКСТА

К.К. Боярский, Е.А. Каневский, С.К. Стафеев

Описаны подходы к решению некоторых проблем, возникающих при компьютерном анализе русскоязычного текста. Затронуты вопросы, связанные со снятием лексической и морфологической неоднозначности, с выделением в тексте сложных объектов-словосочетаний и с использованием особенностей контекста для повышения точности разбора текста. Показано, что применение словарной информации может сыграть решающую роль при снятии как морфологической, так и частеречной и лексической омонимии.

Ключевые слова: анализ текста, лексема, морфология, омонимия, семантика, синтаксис, словарь.

Введение

Задаче компьютерного анализа текста на естественном языке посвящено множество теоретических и практических работ. Эти задачи, а именно - поиск документов, рубрицирование и аннотирование документов, диалог с компьютером, машинный перевод и построение баз знаний, - решали и решают различными методами. Однако их решение всегда начинается с морфологического анализа. Вопросам компьютерной морфологии посвящено множество работ, однако, как показал проведенный в 2010 г. форум «Оценка методов АОТ» [1], эта проблема до сих пор не решена окончательно.

Разработанный авторами морфолого-лексический анализатор TextAn [2] обеспечивал получение леммы и всех грамматических характеристик словоформы. В процессе участия в форуме 2010 г. авторами был проведен анализ коллекции текстов общим объемом более 950 тысяч словоформ. Из разобранных словоформ около 82,5% имели только одну лексему, остальным 17,5% соответствовали две и более лексем. В результате анализа неоднозначность по определению лексем уменьшилась в 11,5 раз и составила около 1,5%. В области снятия морфологической неоднозначности успехи несколько ниже. Если считать, что исходная морфологическая неоднозначность составляет около 50% [3], то TextAn снижает ее до 10,5% (конечно, возможные ошибки здесь не учитывались).

Как показало сравнение результатов работы TextAn с эталонным разбором («золотым стандартом»), основной причиной неполного снятия неоднозначности и даже появления ошибок являются ограниченные возможности системы по проверке согласования слов. При этом распространенное мнение о том, что слова в предложениях русского языка связываются в пределах ограниченного участка текста (от 3 до 7 слов), конечно, справедливы во многих случаях, но далеко не всегда. В этом случае для дальнейшего снижения неоднозначности было решено перейти к синтаксическому и частично семантическому анализу текста с максимально полным использованием имеющейся словарной информации. Такой анализ как раз и обеспечивает анализатор SemSin [4], который решает три основные задачи анализа:

1. получение грамматических характеристик словоформ;

2. построение дерева зависимостей;

3. снижение лексической неоднозначности.

Словари анализатора SemSin

Если морфологический анализ еще можно проводить без использования словаря [5], то для синтаксического и семантического анализа словарь крайне необходим. В качестве исходных лексических материалов используются словарь и классификатор В. А. Тузова [6]. Словарь Тузова основан на морфологическом словаре А. А. Зализняка [7], при определении его семантики широко использовался словарь С. А. Кузнецова [8]. К настоящему времени словарь значительно пополнен, для чего с успехом использовалась специально разработанная диалоговая система Adviser [9]. Поскольку при анализе текстов практически всегда обнаруживаются новые слова, отсутствующие в словаре, то он постоянно пополняется. Для внесения в словарь новых слов также используется Adviser.

В процессе разработки на основе исходного словаря была создана морфологическая база данных, содержащая свыше 177 тыс. лексем, распределенных по 1660 семантическим классам. В ней каждой лексеме приписаны морфологические характеристики, а также номер своего класса и актанты или валентности (для подключения зависимых слов) в виде падежей или предлогов с соответствующими падежами -например, !подТв, !наПред и т.д. Часто перед таким аргументом указаны допустимые классы слов, могущих их замещать. Около 14% слов в базе имеют две и более лексем, которые в большинстве случаев относятся к разным классам (классический пример: слову коса соответствуют три лексемы - девичья коса, береговая коса и острая коса).

Дополнением к морфологической базе служит база окончаний, насчитывающая около 1040 записей. Каждая запись содержит полный набор окончаний для определенного типа словоизменения с учетом изменения корневых гласных и суффиксов. Хотя типовых вариантов словоизменения не так уж много, но некоторые слова изменяются редким или даже уникальным способом. Например, для схожих слов отобрать и обобрать невозможно использовать одинаковый тип словоизменения: отобрать -отберу, обобрать - оберу.

В анализаторе достаточно эффективно решается проблема словосочетаний. Для этого служит специальная база фразеологизмов, которая обеспечивает разбор трех типов словосочетаний: неизменяемых (в отличие от, а именно, в ту пору), с изменяемым первым словом (гвоздь программы) и полностью изменяемых (белая ворона). В настоящее время эта база содержит более 4100 фразеологизмов и играет важную роль в снятии неоднозначности, особенно для составных предлогов, союзов и наречий.

Четвертым элементом словарного обеспечения является отдельная база предлогов, хранящая около 2000 сочетаний классов существительных, с которыми взаимодействуют предлоги, и названия связей с хозяевами предложных групп.

Схема работы анализатора 8еш8т

В состав анализатора 8еш8ш входят 4 блока (рис. 1): словарь, морфологический анализатор, продукционные правила и лексический анализатор.

Рис. 1. Схема работы анализатора ЭетЭт

На вход анализатора подается текст на русском языке, который считывается абзацами. Очередной абзац подвергается морфологическому анализу с выделением отдельных токенов (слов, словосочетаний, знаков препинания, чисел и т.д.). При этом каждому токену приписана не только морфологическая, но и синтаксическая (аргументы) и семантическая (класс по классификатору) информации.

Затем цепочка токенов обрабатывается с помощью системы продукционных правил, целью которых является преобразование линейной последовательности токенов в дерево зависимостей. Специфика задачи породила ряд особенностей составления этих правил. В частности, было решено, что снимать морфологическую неоднозначность и строить синтаксическое дерево зависимостей надо одновременно, поскольку эти задачи слишком переплетены между собой.

Система правил не может быть представлена в виде простого набора конъюнкций условий, так как результат сильно зависит от порядка применения правил. Выбранная последовательность исполнения основных групп правил такова: разбиение абзаца на предложения, сборка названий (включая имена собственные), обработка числительных и числовых токенов, сборка групп существительное-прилагательное и предлог-существительное, выделение причастных и деепричастных оборотов и придаточных предложений, нахождение подлежащих, подключение предложных групп к их хозяевам, объединение разделенных частей сегментов. На каждом этапе производится частичное снятие неоднозначности.

Рассмотрим на небольшом примере взаимодействие различных блоков системы. Предположим, что на вход подано предложение В ту пору мама мыла раму. Прежде всего, морфологический анализатор определяет леммы и грамматические характеристики слов. При этом выясняется, что простое разделение текста по пробелам не годится, так как словосочетание в ту пору должно рассматриваться как единый токен - составное наречие. Обнаруживается также, что токен мыла неоднозначен, он может представлять глагол мыть или существительное мыло, у которого неоднозначно определяется число и падеж.

Последовательность токенов подается на вход лексического анализатора, который управляется набором продукционных правил и использует информацию базы предлогов. В результате неопределенность полностью снимается, определяются типы связей между токенами и строится дерево зависимостей.

Выбранные принципы работы обеспечивают линейность зависимости времени анализа от общего количества слов текста. При этом скорость работы практически не зависит от длины предложения и составляет около 40 слов в секунду (процессор AMD Athlon64 3000+).

Снятие неоднозначности

Как указывалось выше, результат работы морфологического анализатора отличается очень высокой степенью неоднозначности. Многозначность различных характеристик тесно связана с таким понятием, как омонимия. Для ее детального изучения лингвисты выделяют разные типы и подтипы омонимии, которые в данном контексте не вызывают интерес. По этой причине в дальнейшем будем пользоваться термином неоднозначность. Процесс снятия или уменьшения неоднозначности часто называют дизамбигуацией (word sense disambiguation) [10].

Будем различать три типа неоднозначности.

1. Частеречная неоднозначность возникает при совпадении словоформ разных лексем, принадлежащих различным частям речи. Примерами типичных вариантов являются сущ./личная форма глагола (жала, еду, казни...), сущ./дееприч. (моря, неволя, пошив..), сущ./прилаг. (больной, дорогой...), дее-прич./прилаг. (скупая, строгая...) и т.д.

2. Морфологическая неоднозначность, возникающая при неоднозначном определении грамматических характеристик словоформы одной лексемы: точки (точка, ед. род./мн. им./мн. вин.), проводите (проводить, 2-е л. мн. ч./повел.).

3. Лексическая неоднозначность - одна лексема, употребляемая в различных значениях, причем в этих значениях она способна сочетаться с разными словами (орел: птица/гордый человек/город/обратная сторона монеты/созвездие/фамилия...).

Для каждого из этих типов используются свои методы обработки. Конечно, зачастую неоднозначность снимается при согласовании слов (сущ. - прил. по роду, числу и падежу, глагол - существительное по числу и т.д.). Такое согласование проводится с помощью правил. Однако в ряде случаев этого недостаточно. Рассмотрим два фрагмента предложений: Это привело к притоку значительных финансовых средств и ... в области производства транспортных средств большой грузоподъемности. В обоих примерах установлено, что слово средств стоит в родительном падеже множественного числа и возможности согласования исчерпаны. Однако в первом случае леммой является СРЕДСТВА (денежные), а во втором - СРЕДСТВО. Сделать правильный выбор оказывается возможным только с привлечением словарной информации. В описании аргументов прилагательного финансовый указаны семантические классы слов, с которыми возможно образование именной группы. Среди этих классов есть и такой: Физиче-ский_объект/Неодуш./Деньги1, к которому принадлежит лексема средства. Во втором предложении оказывается возможным не только найти правильную лемму СРЕДСТВО, но и снять лексическую неоднозначность, установив, что в данном случае это лексема из класса техники (а не способ действия, вещество или пресса).

Возьмем теперь фрагмент ... члены экипажей космических аппаратов. Также как и выше, анализ аргументов прилагательного позволяет снять неоднозначность и установить, что лексема аппарат означает некий прибор, а не совокупность органов организма или сотрудников учреждения. Но к какому слову должна подключаться эта лексема на дереве зависимостей? Дело в том, что и лексема член и лексема экипаж способны подключать слова в родительном падеже. Однако в словаре имеется информация о том, что преимущественно лексема член подключает слова, обозначающие живые объекты. В результате получаем правильный разбор: члены — экипажей — аппаратов — космических.

Предложные группы

Сложнее использовать словарную информацию при построении и подключении предложных групп. В качестве примера приведем несколько упрощенный результат разбора предложной группы в

море:

в В ПР $711(! Вин\! Пред) ...<Предлог>

море МОР м1 Ед. Пред. $111031($124~!Род) ...<Болезнь>

МОР м1о Ед. Пред. $12413/03000() ...<Фамилия>

МОРЕ с2 Ед. Им. Вин. Пред. $12101(!Род)+$122422($1227\$123~!Род) .<Изобилие+Ландшафт>

Здесь «м1», «м1о» и «с2» - грамматические классы существительных (обозначения близки к используемым в [7]), «$» - признак номера класса, а «+» означает наличие двух (и более) лексем с одинаковыми морфологическими характеристиками.

1 Здесь и далее названия семантических классов приводятся по [6].

Лексема мор, соответствующая имени собственному, легко отбрасывается по отсутствию прописной буквы, но остается еще четыре варианта морфологического разбора.

В аргументах предлога в указано, что он может подключаться к существительным в винительном и предложном падежах, так что все лексемы, соответствующие словоформе море, возможны. Однако подключение к хозяину предложной группы в предложении будет производиться разными связями в зависимости от семантического класса существительного. Информация об этом хранится в специальной базе предлогов. В результате формируются пять вариантов предложной группы (рис. 2).

_вПред_Г 1 „ (

-Когда В Пред ЧМ°Р

_вВин_

Куда

Где

вВин - Куда -Какой

вПред —, --

- Где -- в —Пред—^МОре(2)

Как

в—вин—|море(1)

—!ТН(I

-Вин

море(2)

Рис. 2. Формирование предложных групп

Дальнейшее снятие неоднозначности происходит при подключении предложной группы к хозяину на основе анализа аргументов и их классов. Так, в предложении Корабль находится в море лексема находиться имеет следующие аргументы:

!Им,$15~!подТв,$1~!вПред,!Тв,$1~!Где,!При,!уИмея,$15~!сТв,!наПред2.

Как видно, с входными связями рассматриваемой предложной группы совпадают аргументы вПред и Где, которые способны подсоединять слова любых классов. Таким образом, остаются третий и пятый варианты предложной группы. Следовательно, в данной фразе остается слово море в предложном падеже. Если же предложение имеет вид Корабль вышел в море, то аргументами лексемы выйти будут (в упрощенном виде, без указания большинства классов):

!Им,! Дат,! сТв,! поДат,! Откуда, $1224~! Куда,! наВин,! Тв,! заВин,!Изо.

Отсюда однозначно получается, что правилен четвертый вариант предложной группы, причем со связкой Куда. Следовательно, падеж слова море - винительный. Снимается также лексическая неоднозначность, остается лексема из класса ландшафтов.

Заключение

Одним из ключевых моментов получения однозначных морфологических характеристик слов и построения дерева зависимостей при автоматическом разборе предложений русского языка является наличие обширной и разноплановой словарной информации. Необходимо, в частности, привлечение семантической информации хотя бы на уровне классов слов и их сочетаемости. Использование этих данных в системе 8еш8ш позволило снизить уровень неоднозначности более чем в 2 раза (по частеречной неоднозначности с 1,5% до 0,7%, по морфологической неоднозначности с 10,5 до 3-4%).

Литература

1. Ляшевская О.Н. и др. Оценка методов автоматического анализа текста: морфологические парсеры русского языка // Компьютерная лингвистика и интеллектуальные технологии: По материалам ежегодной Международной конференции «Диалог». - М.: Изд-во РГГУ, 2010. - Вып. 9 (16). - С. 318-326.

2. Каневский Е.А., Боярский К.К. Морфолого-лексический анализатор и классификация текста // Прикладная лингвистика в науке и образовании. Материалы V международной научно-практической конференции 25-26 марта 2010. - СПб: Лема, 2010. - С. 157-163.

3. Боярский К.К., Каневский Е.А. Разработка инструментария для полуавтоматической морфологической разметки текстов // Труды международной конференции «Корпусная лингвистика - 2008». -СПб: СПбГУ, 2008. - С. 83-88.

2 Здесь $15 обозначает класс действий, $1224 -класс природных зон, $1 - любой класс.

Д.А. Кислин, М.А. Князев, В.Ф.Звягин, С.А. Козлов

4. Боярский К.К., Каневский Е.А. Язык правил для построения синтаксического дерева // Интернет и современное общество: Материалы XIV Всероссийской объединенной конференции «Интернет и современное общество». - СПб: ООО «МультиПроджектСистемСервис», 2011. - С. 233-237.

5. Леонтьева Н.Н. Автоматическое понимание текстов: системы, модели, ресурсы. - М.: Академия, 2006. - 304 с.

6. Тузов В.А. Компьютерная семантика русского языка. - СПб: Изд-во СПбГУ, 2004. - 400 с.

7. Зализняк А.А. Грамматический словарь русского языка. - М.: Русский язык, 1980. - 880 с.

8. Кузнецов С.А. Большой толковый словарь русского языка. - СПб: Норинт, 1998. - 1536 с.

9. Боярский К.К., Каневский Е.А. Проблемы пополнения семантического словаря // Научно-технический вестник СПбГУ ИТМО. - 2011. - № 2 (72). - С. 132-137.

10. Турдаков Д.Ю. Методы разрешения лексической неоднозначности // Программирование. - 2010. -№ 6. - С. 3-27.

Боярский Кирилл Кириллович

Каневский Евгений Александрович

Стафеев Сергей Константинович

Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, кандидат физ.-мат. наук, доцент, Boyarin9@yandex.ru

Санкт-Петербургский экономико-математический институт РАН, кандидат технических наук, ведущий научный сотрудник, kanev@emi.nw.ru

Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, доктор техничеких наук, профессор, декан, stafeev@phd.ifmo.ru

УДК 004.942

ПРОГРАММНЫЙ ПРОДУКТ MTBEAM ДЛЯ ВИЗУАЛИЗАЦИИ ДИНАМИКИ ОПТИЧЕСКИХ ВОЛНОВЫХ ПАКЕТОВ ИЗ МАЛОГО ЧИСЛА КОЛЕБАНИЙ

Д.А. Кислин, М.А. Князев, В.Ф. Звягин, С.А. Козлов

Разработан программный продукт, включающий в себя визуализатор и программу управления расчетами, способный решать задачи моделирования эволюции полей и спектров электромагнитных волновых пакетов, у которых как пространственный, так и временной спектры могут быть сверхуширенными. Программный комплекс позволяет производить расчеты не только на локальном, но и на удаленном компьютере или суперкомпьютере, а также отображать результаты расчетов в виде диаграмм и графиков. Приведены примеры визуализации расчетов дифракции на щели однопериодного терагерцового импульса.

Ключевые слова: визуализатор, плагин, технология клиент-сервер, волны из малого числа колебаний, сверхуширенный спектр излучения.

Введение

В последние десятилетия благодаря широкому распространению персональных компьютеров, ноутбуков, планшетных электронных устройств, а также развитию технологий параллельных вычислений на суперкомпьютерах стала стремительно развиваться область научных и инженерных задач, связанных с моделированием различных физических и технологических процессов. Результаты таких расчетов чаще всего представляют собой одномерные или многомерные массивы данных, которые требуется визуализировать для того, чтобы сделать некоторое заключение о них. Для решения этой задачи существует немало способов. Задачи, не требующие ресурсоемких вычислений, можно решать с помощью так называемых математических пакетов, т.е. таких программных продуктов, как Mathcad, MATLAB, Octave, Maxima, используя их встроенные средства визуализации данных. Для более сложных задач, требующих вычислений на суперкомпьютерах, можно проводить визуализацию данных, считанных в математический пакет или программу-визуализатор из файла. Однако такой способ представления данных не всегда удобен, особенно если требуется отображать динамику данных в реальном времени.

Для преодоления указанных трудностей в процессе теоретического исследования динамики предельно коротких непараксиальных световых волн, т.е. излучения, спектр которого, как временной, так и пространственный, может быть сверхуширен [1], был создан программный комплекс MTBeam. Одна из его составных частей, MTVisual, представляет собой кроссплатформенный визуализатор, предназначенный для удобного и быстрого представления результатов расчетов динамики оптических пучков. Основные задачи визуализатора как приложения - возможность работы на компьютере или электронном устройстве с практически любой операционной системой, отображение результатов расчетов, проводимых либо на том же самом компьютере, либо на удаленном суперкомпьютере, а также возможность задавать и редактировать настройки расчетов, включая расписание их проведения.

i Надоели баннеры? Вы всегда можете отключить рекламу.