[论文解读] DepAnn - An Annotation Tool for Dependency Treebanks

Tuomo Kakkonen|ArXiv.org|Oct 19, 2006

Natural Language Processing Techniques参考文献 17被引用 10

一句话总结

DepAnn 是一种用于依存句法树库的半自动标注工具，支持图形化和基于文本的编辑，允许用户通过 TIGER-XML 格式比较多个解析器的输出。它通过自动的一致性检查、注释标签和灵活的词性标注集支持，提升了标注的准确性和效率，其关键贡献在于通过标准化的 XML 编码实现跨语言项目的可扩展性和重用性。

ABSTRACT

DepAnn is an interactive annotation tool for dependency treebanks, providing both graphical and text-based annotation interfaces. The tool is aimed for semi-automatic creation of treebanks. It aids the manual inspection and correction of automatically created parses, making the annotation process faster and less error-prone. A novel feature of the tool is that it enables the user to view outputs from several parsers as the basis for creating the final tree to be saved to the treebank. DepAnn uses TIGER-XML, an XML-based general encoding format for both, representing the parser outputs and saving the annotated treebank. The tool includes an automatic consistency checker for sentence structures. In addition, the tool enables users to build structures manually, add comments on the annotations, modify the tagsets, and mark sentences for further revision.

研究动机与目标

• 通过支持半自动标注来解决手动构建树库过程中劳动成本高和不一致的问题。
• 通过采用标准化的 TIGER-XML 格式，减少对专有或项目特定标注格式的依赖。
• 通过注释标签、修订标记和一致性验证等功能，支持协作式和可扩展的树库开发。
• 通过将标注界面与底层数据格式及解析器集成解耦，实现跨语言项目的重用。
• 通过利用开源 API 和模块化架构，降低开发成本并提高工具的互操作性。

提出的方法

• 该工具使用 TIGER-XML 作为解析器输出和最终标注树的通用输入与输出格式。
• 它提供双接口——通过 OpenJGraph 实现的图形化界面和基于文本的界面，以支持灵活的标注和检查。
• 加载并并排显示来自多个系统的解析器输出（例如芬兰语的 FI-FDG 和 FINCG），以支持有根据的修正。
• 标注人员可以手动构建或修正依存结构，添加注释，并将句子标记为后续审查。
• 自动一致性检查器在保存至树库前验证句法结构。
• 系统使用 JDBC 实现数据库集成，支持可插拔的存储后端，并基于修改后的开源 API（TIGER API、JGraph）构建。

实验结果

研究问题

• RQ1 如何通过半自动工具使依存句法树库的标注更高效且更少出错？
• RQ2 在多解析器输出中，能在多大程度上提升初始标注的质量？
• RQ3 像 TIGER-XML 这样的标准化 XML 格式能否实现互操作性并减少不同树库项目间的重复工作？
• RQ4 哪些设计原则能够支持标注工具在多样化语言和技术需求下的可扩展性和重用性？
• RQ5 一致性检查和协作功能如何提升大规模树库的可靠性？

主要发现

• DepAnn 通过使用两个不同解析器（FI-FDG 和 FINCG）的输出，成功支持了芬兰语依存句法树库的半自动构建。
• 使用 TIGER-XML 作为通用格式，实现了不同工具和项目间句法结构的一致编码与交换。
• 该工具的自动一致性检查器减少了标注树中的结构错误，提升了数据质量。
• 模块化架构使得该工具可在不重写核心组件的情况下，适配其他语言和标注格式。
• 该系统使用开源组件在约半年人年内实现，证明了其开发成本低且高度可重用。
• 未来改进工作，如半自动初始树生成和改进的标注者间一致性支持，正在开发中，以进一步减少人工工作量。