[论文解读] Exploiting Sublanguage and Domain Characteristics in a Bootstrapping Approach to Lexicon and Ontology Creation

Dietmar Rösner, Manuela Kunze|ArXiv.org|Apr 23, 2003

Natural Language Processing Techniques参考文献 4被引用 5

一句话总结

本文提出一种自举方法，利用子语言特征——特别是尸检报告中的电报式风格和领域特定模式——在初始知识极少的情况下自动扩展词典并构建本体。通过结合形态分析、句法解析、共现聚类和基于启发式规则的推理，该方法在小规模语料中实现了37%的完整结构处理，证明了在低资源环境下进行领域特定知识获取的可行性。

ABSTRACT

It is very costly to build up lexical resources and domain ontologies. Especially when confronted with a new application domain lexical gaps and a poor coverage of domain concepts are a problem for the successful exploitation of natural language document analysis systems that need and exploit such knowledge sources. In this paper we report about ongoing experiments with `bootstrapping techniques' for lexicon and ontology creation.

研究动机与目标

• 解决自然语言处理系统进入新应用领域时存在的词汇空缺和领域覆盖不足问题。
• 开发一种可扩展的、交互式的领域特定知识获取工作台，无需依赖大量初始语言资源。
• 使无语言学训练背景的领域专家能够通过基于XML的可扩展工具参与并验证知识抽取。
• 构建一个稳健框架，结合形态分析、句法解析和统计聚类，从稀疏的领域特定文本中推断语义和关系结构。

提出的方法

• 使用XDOC文档套件——一种模块化的基于XML的工作台——处理德语尸检报告，集成预处理、词性标注、句法解析和语义分析功能。
• 应用MORPHIX形态分析器，为未知词素推断词性标签，特别是标准词典未涵盖的词素。
• 当形态分析失败时，采用基于格、词尾和位置的启发式规则对未知词素进行分类。
• 对术语和关系的共现数据进行聚类，以推断语义关系和领域特定模式，例如“organ Gewicht X g”表示重量关系。
• 通过上下文解释解析歧义术语（例如，“Gewicht”作为特定器官的重量）并检测同义表达（例如，“Blase”和“Harnblase”表示同一器官）。
• 实施交互式验证：系统提出解释建议，用户确认或拒绝，从而实现增量式知识获取。

实验结果

研究问题

• RQ1 如何利用电报式医学文本中子语言特有的句法和形态模式，实现词典与本体的自举构建？
• RQ2 共现聚类与启发式推理在多大程度上可弥补领域特定语料中的词汇空缺？
• RQ3 该系统在处理尸检报告中典型的不完整或碎片化结构方面效果如何？
• RQ4 上下文和结构线索（例如名词短语“Haut des Rueckens”）在推断语义关系和定位信息方面发挥何种作用？
• RQ5 结合基于规则的启发式方法、形态分析与聚类的混合方法，能否在低资源领域中产生可靠的语义解释？

主要发现

• 系统在初始语料中实现了约37%的句子和电报式结构的完整结构处理（即至少存在一个有效的句法解析）。
• 通过MORPHIX进行的形态分析成功对大量未知词素进行了分类，尤其在封闭类词和不规则形式上表现良好。
• 基于格、首字母大写和词尾的启发式规则，使系统能够对词典未覆盖的词素实现部分分类，提升了鲁棒性。
• 共现聚类揭示了领域特定模式，如“organ Gewicht X g”，从而可推断出定量关系，例如器官重量范围（如肾脏为135–270 g）。
• 上下文解释在解析通用术语（如“Gewicht”）的歧义时至关重要，尤其当其指代特定器官时，有助于实现准确的关系推断。
• 研究表明，即使在小规模语料中，对共现和句法模式的定性分析也能产生有意义的语义与关系知识。