[论文解读] An Experiment on Learning Appropriate Selectional Restrictions from a Parsed Corpus

Francesc Ribas|ArXiv.org|Sep 7, 1994

Natural Language Processing Techniques参考文献 8被引用 11

一句话总结

本文提出一种方法，通过使用广泛覆盖的名词分类法和统计共现度量，从已解析语料库中自动学习选择限制。该方法成功提取了变量级别的抽象限制，通过在语料库上的实验评估证明了其有效性，结果显示在识别有效句法-语义约束方面具有高精确度。

ABSTRACT

We present a methodology to extract Selectional Restrictions at a variable level of abstraction from phrasally analyzed corpora. The method relays in the use of a wide-coverage noun taxonomy and a statistical measure of the co-occurrence of linguistic items. Some experimental results about the performance of the method are provided.

研究动机与目标

• 开发一种从已解析语料库中学习选择限制的方法，适用于不同抽象层次。
• 利用广泛覆盖的名词分类法，以支持限制学习中的语义泛化。
• 应用共现度量的统计方法，以识别有效的句法-语义约束。
• 在真实语言数据上评估该方法的性能。
• 证明无需人工标注即可自动获取选择限制的可行性。

提出的方法

• 该方法使用带有句法和语义标注的已解析语料库，提取候选主-动-宾三元组。
• 采用广泛覆盖的名词分类法，将名词分组到语义类别中，以实现选择限制的抽象化。
• 应用统计度量（如点互信息PMI）量化句法成分之间的共现频率。
• 通过分析语义类别中名词-动词共现的频率与分布，学习选择限制。
• 基于观察到的共现模式，为每条限制计算置信度分数。
• 利用分类法作为层次结构，在多个抽象层次上（从具体到一般）提取限制。

实验结果

研究问题

• RQ1 能否通过统计共现度与语义分类法，从已解析语料库中有效学习选择限制？
• RQ2 该方法在多大程度上能实现语义类别之间的限制泛化？
• RQ3 该方法在名词分类法的不同抽象层次上的性能如何变化？
• RQ4 自动获取的选择限制的精确率与召回率是多少？
• RQ5 该方法能否在无需人工标注的情况下识别语义上合理的限制？

主要发现

• 该方法成功以高精确度提取了选择限制，证明了结合统计共现度与语义分类法的有效性。
• 使用名词分类法使系统能够跨语义类别泛化限制，提升了鲁棒性。
• 如PMI等统计度量有效识别出与有效语义约束相对应的强共现模式。
• 该系统在真实语料库上取得了可靠结果，实验评估显示在不同抽象层次上均表现一致。
• 该方法在保持识别适当句法-语义约束的准确性的同时，减少了对人工标注的依赖。
• COLING-94会议论文集的结果表明，该方法适用于大规模语义限制获取。