切分标注规范.pptVIP

切分标注略讲 ——借鉴《计算语言学》讲义 切分标注规范-1 分词规范——国家标准GB13715 切分与标注的北大规范 ——2001年版 《中文信息学报》2002年5，6两期连载 ——2003年版 新加坡《汉语语言与计算学报》2003年第2期 国家社科基金九五重大项目“信息处理用现代汉语词汇研究”之子课题“信息处理用现代汉语词类标记集规范”，已经作为国家标准申报待批。 “现代汉语语料库词性标注规范”（清华、北京语言文化大学） “关于汉语语料库语法标注的规定”（山西大学） “现代汉语词类标记集”（复旦大学） 切分标注规范-2 小标记集 词组（短语）本位 《现代汉语语法信息词典》 ① 切分规范 （成词） ② 切分和标注相结合的规范 （成新词） ③??标注规范 （标记） 切分歧义-1 泰国王批准他信任总理 泰国/ 王/ 批准/ 他/ 信任/ 总理/ 泰国/ 王/ 批准/ 他信/ 任/ 总理/ 泰/ 国王/ 批准/ 他信/ 任/ 总理/ 切分歧义-2 交叉歧义：ABC?AB/ C ；A/ BC/ 白天鹅 组合歧义：AB? AB ；A/ B/ 学会 混合型：ABC? ABC ；AB/ C/ ；A/ BC/； A/ B/ C/ ； 烤肉 饼 烤 肉饼 烤 肉 饼 切分实现方法概要 词表 （词条+必要的属性 ） 最长一致匹配算法 全切分加判断（统计模型或结构规则） 最长一致匹配算法 正向扫描：今天/ 真/ 热/ 从容/ 易/ 的/ 做/ 起/ 从小/ 学生/ 词典/ 学生/ 字/ 逆向扫描：今/ 天真/ 热/ 从/ 容易/ 的/ 做/ 起/ 从/ 小学生/ 词典/ 学/ 生字/ 双向扫描： 健康/ 的/ 人才/ 能/ 享受/ 人生 健康/ 的/ 人/ 才能/ 享受/ 人生 健康/ 的/ 人/ 才/ 能/ 享受/ 人生 新词发现 中文姓名 外文姓名 机构名 地名 切分评价 评价指标 仿信息检索： 召回率（recall） 正确率（precision） 词性标注 词表（词条+词性+必要的属性 ） 词的归类——语法理论 （主宾语位置上的动词算什么词？ ） 兼类词的处理 “把” ：p, q, v “教育”：v?v, vn 谢谢！ * * 切分与词性标注 切分歧义 切分歧义 其他问题 生词：他信 标准本身的模糊： 泰国/ 王/ ？ 泰/ 国王/ ？ 批准人/ ？ 批准/ 人/ ？ Tokenization 输入文本 Token Buffer 将文本中的字符串切割为最基本的切分单位，包括汉字，数字，日期，ASCII码等等 基本切分标注过程 进行完全标注，将所有可能的切分结果都找出来 专有名词绑定 优先查找是否专有名词 词语网络——句子所有可能切分结果的结果构成一张网络，以指针连接 动态消歧 Word Buffer从候选结果的网络中选出的路径 Viterbi选优 * *