Apriori算法在词性标注规则获取中的应用.docVIP

Apriori算法在词性标注规则获取中的应用 　　摘 要： 人工方法获取的规则准确率有待验证，所以从数据挖掘的角度运用Apriori算法对词性标注规则的获取进行研究。用户根据需求自定义支持度与置信度，在满足规定支持度的前提下，先从候选集模式中挑选出高于支持度的模式，再挖掘出高于置信度的产生式规则，获取的规则是隐含在数据中不易被发现的，其表达上是明确的。实验表明，自动获取的标注规则具有很好的利用价值，可以提高词性标注的正确率。 　　关键词： 数据挖掘； Apriori算法； 词性标注； 规则 　　中图分类号：TP391 文献标志码：A 文章编号：1006-8228（2016）10-32-04 　　Application of Apriori algorithm to obtain part-of-speech tagging rules 　　Ma Ruyi 　　（Computer Department Qinghai University for Nationalities， Xining， Qinghai 810007， China） 　　Abstract： The correct rate of the artificially obtained rules need to be verified， so from the point of view of data mining， using Apriori algorithm to obtain the rules of part-of-speech tagging is researched in this paper. User defines their support and confidence according to the requirements， in the premise of meeting the support provided， a mode that is higher than the support is selected from the candidate mode set， and the production rule that is higher than the confidence is dug out， the rule is hidden in the data and not easy to be found， but its expression is clear. Experiments show that the tagging rules automatically obtained have a good utility value， and can improve the correct rate of part-of-speech tagging. 　　Key words： data mining； Apriori algorithm； part-of-speech tagging； rule 　　0 引言 　　数据挖掘[1]是从大量的数据中提取或“挖掘”知识。具体来说，数据挖掘就是从大量的、随机的、模糊的、不完全的、有噪声的数据中，提取隐含在其中的、潜在有用的、事先不为人知道的知识和信息的过程[2]。词性标注是自然语言处理的一个重要环节，其任务是为句子中的每一个词标注一个正确的词性，此环节出现的错误，将在后续的句法分析、机器翻译等处理中被放大[3]。词性标注迄今为止已经有很多方法，有基于规则、统计以及规则与统计相结合的方法[4]。 　　规则的获取一般由人工整理集成，但这存在以下两方面的问题[5]：①从规则的应用范围上看，靠人工的方法只可能产生一些共性规则，不可能产生针对个别情况的个性规则，而个性规则尽管应用范围小，但也是提高正确率的重要手段；②由于人工方法获取的规则准确率有待验证，因此在基于统计方法正确率不易再提高的前提下，能否自动高效地获取规则是实现词性标注中的关键问题。 　　本文对于词性标注规则的获取不需要进行维数与层次分析，也不需要采用分而治之的方法，而是采用了最基本的Apriori算法，从人工已标注好的语料中来研究词性及词的模式序列对词性的影响。该方法与人们利用语料上下文中的词、词性等信息来对词性进行判断的方法是一致的。在统计语料规模较大的情况下，给定最小支持度及最小可信度后，首先挖掘大于最小支持度的常用模式集，然后生产关联规则，若此规则的可信度大于最小可信度，则得到词性规则。如果最小可信度定义的足够高，则获得的规则能够作为概率方法的补充，从而较好地解决词性标注问题。但由于该规则的挖掘是在文本数据中进行的，同时它又依赖于词性与词的各种组合，这使得其挖掘过程较数