[论文解读] A Spanish Tagset for the CRATER Project

Fernando Sánchez León|arXiv (Cornell University)|Jun 14, 1994

Speech and dialogue systems被引用 6

一句话总结

本文为欧盟委员会资助的多语种对齐语料库项目CRATER所开发的西班牙语综合性、语言学驱动的词性标注集，该标注集专为西班牙语设计，经由社区反馈不断优化，旨在与经调整的Xerox PARC标注器配合使用，以实现对西班牙语语料库组件的准确自动标注。

ABSTRACT

This working paper describes the Spanish tagset to be used in the context of CRATER, a CEC funded project aiming at the creation of a multilingual (English, French, Spanish) aligned corpus using the International Telecommunications Union corpus. In this respect, each version of the corpus will be (or is currently) tagged. Xerox PARC tagger will be adapted to Spanish in order to perform the tagging of the Spanish version. This tagset has been devised as the ideal one for Spanish, and has been posted to several lists in order to get feedback to it.

研究动机与目标

• 在CRATER项目背景下，为西班牙语专门设计一个词性标注集。
• 以国际电信联盟语料库为基础，支持构建多语种对齐语料库。
• 通过定义合适的标注集，将Xerox PARC标注器适配用于西班牙语处理。
• 通过社区咨询与反馈，确保标注集的稳健性与可接受性。
• 为西班牙语文本中的一致且准确的词性标注建立标准化框架。

提出的方法

• 该标注集基于对西班牙语语法和句法结构的语言学分析而开发。
• 其设计旨在全面覆盖西班牙语中的主要词类和句法范畴。
• 该标注集被发布至学术邮件列表，以征求自然语言处理与计算语言学社区的反馈。
• 最终标注集通过专家反馈与建议进行迭代式优化。
• 对Xerox PARC标注器进行了调整，以识别并分配所提出的标注集至西班牙语文本。
• 该标注流程旨在应用于CRATER语料库的西班牙语版本，以实现与英文和法语版本的对齐。

实验结果

研究问题

• RQ1 如何确定一组最优的词性标签，以计算语料库中准确表示西班牙语语法？
• RQ2 如何设计一个标准化的标注集，以确保在多语种对齐语料库中的一致性？
• RQ3 社区反馈在优化自然语言处理应用中的语言学标注集过程中起到何种作用？
• RQ4 如何有效将现有以英语为中心的标注工具（如Xerox PARC标注器）适配用于西班牙语？
• RQ5 在设计兼顾语言学精确性与计算可行性的标注集时，应依据哪些标准？

主要发现

• 最终标注集通过计算语言学社区的反馈进行迭代优化而形成。
• 该标注集特别针对西班牙语的形态句法特征进行定制，确保了语言学上的准确性。
• 已成功将Xerox PARC标注器适配用于使用新标注集处理西班牙语文本。
• 该标注集的设计支持在CRATER项目框架内构建高质量、对齐的多语种语料库。
• 该项目为西班牙语中一致的词性标注奠定了基础，未来可重复用于自然语言处理应用。
• 该过程表明，社区咨询在设计稳健的自然语言处理语言资源方面具有重要意义。