中文信息学报汉语语料词性标注自动校对方法的研究-计算机与信息.pdfVIP

维普资讯 中 文 信 息 学 报 第 18卷 第2期 JOURNALOFCHINESEINFORMATIONPROCESSING Vo1．18No·2 文章编号：1003—0077(2004)02—0030—06 汉语语料词性标注 自动校对方法的研究 钱揖丽，郑家恒 (山西大学 计算机科学系，山西 太原 030006) 摘要：兼类词的词类排歧是汉语语料词性标注中的难点问题 ，它严重影响语料的词性标注质量。针对这 一 难点问题，本文提 出了一种兼类词词性标注的自动校对方法。它利用数据挖掘的方法从正确标注的训练语 料中挖掘获取有效信息，自动生成兼类词词性校对规则，并应用获取的规则实现对机器初始标注语料的自动 校对，从而提高语料 中兼类词的词性标注质量。分别对 50万汉语语料做封闭测试和开放测试，结果显示，校 对后语料的兼类词词性标注正确率分别可提高11．32％和5．97％。 关键词：计算机应用；中文信息处理；兼类词；汉语词性标注；自动校对；粗糙集 中图分类号：1]P391 文献标识码：A ResearchOiltheM ethodofAutomaticCorrection ofChinesePart-of-SpeechTagging QIANYi—li．ZHENGJia-heng (TheDepartment0fComputerScience，Shanx／University，Taiyuan，Shanx~030006，Chim) ．~ ract：Thedisambiguationofmulti—categorywordsisoneofthedifficultiesinpart—of-speechtagg~ ofChin~ text，whichaffectstheprocessingqualityofcorporagreatly．Aimingatthisquestion，thepaperdescribesaIlap- proachtOcorrecting thepart-of-speechtagging ofmulti-actegory wordsautomatically．Itacquirescorrectino rulesfor thepart—of-speechtagging ofmulti—actegory wordsfrom right—taggedcorporabasedontheroughsetsanddatarain· ing ，andthencorrectsthecorporabasedontheserulesautoma tically．Acocrding tOtheresultsofclose-testandq搬 卜 teatontheocrpusof500．000Chinesecharacters。theaccuracyofmulti—actegory words’part-of-speechtag~ gcan he increasedby11．32％ and5．97％ respectively． Keywords：ocmputerappliaction；Chineseinformationprocessing ；multi—actegory word；Chinesepart-of-speech tagging ；automaticocrrection；mnghsets 1 引言 多年来，众多研究者们使用各种各样的方法，不懈地致力于改进词性标注算法。根据报 道，各类词性标注软件的标注正确率均达到了90％以上，但是其中兼类词的词性标注正确率 却不到90％。我们对 1998年 1月人民日报的200万语料进行了统计，结果显示其兼类词词 性标注正确率在84％左右，距实用还有一定的差距，仍有待于进一步的提高。所以，对机器标 注结果进行校对是重要的、必不可少的一个环节。 收稿 日期：2003—08—06 基金项 目：国家863高技术研究发展计划资助 (2001APd14031) 作者简介：钱揖丽(1977一)，女，硕士 ，助教，主要研究领域为 自然语言处理 3O