目录
编辑 2.动词､名词､形容词､副词不规则变化单词的形态还原
一. 概述
词是自然语言中能够独立运用的最小单位, 是自然语言处理的基本单位｡自动词法分析就是利用计算机对自然语言的形态(morphology) 进行分析,判断词的结构和类别等｡
词性或称词类(Part-of-Speech, POS)是词汇 最重要的特性,是连接词汇到句法的桥梁｡
1 不同语言的词法分析
曲折语(如,英语､德语､俄语等):用词的形态变化表示语法关系,一个形态成分可以表示若干种不同的语法意义,词根和词干与语词的附加成分结合紧密｡
这类词的形态变化多（如动词时态、名词单复数），重点是 单词识别（如缩写、连字符词）和 形态还原（如将 “worked” 还原为 “work”）。
- 例如：“can’t” 要拆成 “can + not”，“studies” 还原为 “study”
分析语(孤立语)(如:汉语):没有形态变化，核心是 自动分词（把句子拆成词），但面临很多难题：
- 分词规范模糊：比如 “花草” 是词，“担水” 是短语还是词？
- 歧义问题：
- 交集型歧义：如 “研究生物” 可拆成 “研究 / 生物” 或 “研究生 / 物”。
- 组合型歧义：如 “门把手” 可拆成 “门 / 把手” 或 “门把手”（整体为词）。
- 未登录词：人名（如 “令计划”）、地名（如 “武夷山”）、新词（如 “微信”）难以识别。
黏着语(如:日语等):分词+形态还原｡ （博主只会中英所以也不懂）
2 英语的形态分析
基本任务：单词识别和形态还原
英语单词的形态还原（和正常英语的词法变化一样）
1.有规律变化单词的形态还原
2.动词､名词､形容词､副词不规则变化单词的形态还原
3.对于表示年代､时间､百分数､货币､序数词的数字形态还原
4.合成词的形态还原
形态分析的一般方法
3 汉语自动分词概要
歧义切分字段处理
1.中国人为了实现自己的梦想 (交集型歧义）
中国/人为/ 了/ 实现/ 自己/ 的/ 梦想
中国人/ 为了/ 实现/ 自己/ 的/ 梦想
中/ 国人/ 为了/ 实现/ 自己/ 的/ 梦想
定义:链长 一个交集型切分歧义所拥有的交集串的集合称为交集串链,它的个数称为链长｡
2､门把手弄坏了｡(组合型歧义)
门/ 把/ 手/ 弄/ 坏/ 了/ ｡
门/ 把手/ 弄/ 坏/ 了/ ｡
例如,“将来”､“现在”､“才能”､“学生会”等,都是组合型歧义字段｡
未登录词的识别
汉语自动分词的基本原则
1､语义上无法由组合成分直接相加而得到的字串应 该合并为一个分词单位｡(合并原则)
例如:不管三七二十一(成语),或多或少(副词 片语),十三点(定量结构),六月(定名结构), 谈谈(重叠结构,表示尝试),辛辛苦苦(重叠结 构,加强程度),进出口(合并结构)
2､语类无法由组合成分直接得到的字串应该合并为一个分词单位｡(合并原则)
(1)字串的语法功能不符合组合规律,如:好吃, 好喝,好听,好看等
(2)字串的内部结构不符合语法规律,如:游水等
汉语自动分词的辅助原则
1. 有明显分隔符标记的应该切分之(切分原则)
分隔标记指标点符号或一个词｡如:
上､下课￫上/ 下课
洗了个澡￫洗/ 了/ 个/ 澡
2. 附着性语(词)素和前后词合并为一个分词单位 (合并原则)
例如：“吝”是一个附着语素，“不吝”、“吝于”等合并成一个词；
3. 使用频率高或共现率高的字串尽量合并为一个分词 单位 (合并原则)
如:“进出”､“收放”(动词并列);“大笑”､ “改称”(动词偏正);“关门”､“洗衣”､ “卸货”(动宾结构);“春夏秋冬”､“轻重 缓急”､“男女”(并列结构);“象牙”(名 词 偏正);“暂不”､“毫不”､“不再”等。
4. 双音节加单音节的偏正式名词尽量合并为一个分词单位 (合并原则)
如:“线､权､车､点”等所构成的偏正式名词: “国际线､分数线､贫困线”､“领导权､发言权､ 知情权”､“垃圾车､交通车､午餐车”､“立足 点､共同点､着眼点”等｡
5. 双音节结构的偏正式动词应尽量合并为一个分词单位 (合并原则)
本原则只适合少数偏正式动词,如:“紧追其后”､ “组建完成”等,不适合动宾及主谓式复合动词｡
6.内部结构复杂､合并起来过于冗长的词尽量切分 (切分原则)
4 分词与词性标注结果评价
正确率(Correct ratio/Precision, P ): 测试结果中 正确切分或标注的个数占系统所有输出结果的比例｡假设系统输出N个,其中,正确的结果为n个,那么
5 汉语自动分词基本算法
有词典切分/ 无词典切分
基于规则的方法/ 基于统计的方法
1. 最大匹配法 (Maximum Matching, MM) －有词典切分，机械切分
简单说，就是把句子拆成字，用词典找能组成的词，然后选拆分后词数量最少的那种结果，就像拼拼图，找最简洁的拼法 。
未登录词识别
- 想判断 “某字符串是不是姓名”，就用 概率估值公式，把 “姓的常见度” 和 “名的字的常见度” 相乘，算个数值。
- 想知道 “姓 + 名” 至少得有多 “常见” 才算合理姓名，就用 最小阈值公式，找名里最冷门的组合，再和姓的常见度相乘，得到一个 “底线数值”。
- 实际应用里，比如电脑识别姓名时，会拿计算出的 P(Cname) 和 Tmin(X) 比，超过阈值就认为是姓名，没超过就排除～
如何确定地名？
