[论文解读] Feature-Rich Part-of-speech Tagging for Morphologically Complex Languages: Application to Bulgarian

Georgi Georgiev, Valentin Zhikov+3 more|arXiv (Cornell University)|Nov 26, 2019

Natural Language Processing Techniques参考文献 33被引用 24

一句话总结

本文提出了一种针对保加利亚语的特征丰富的词性标注系统，保加利亚语是一种形态复杂的斯拉夫语言，使用来自BulTreeBank的完整680个词形句法标签集合。通过结合大型词形词典、语言学知识以及来自词性标注语料库的引导式学习，该方法实现了97.98%的准确率——显著优于先前保加利亚语的最先进系统，并达到顶级英语词性标注器的水平。

ABSTRACT

We present experiments with part-of-speech tagging for Bulgarian, a Slavic language with rich inflectional and derivational morphology. Unlike most previous work, which has used a small number of grammatical categories, we work with 680 morpho-syntactic tags. We combine a large morphological lexicon with prior linguistic knowledge and guided learning from a POS-annotated corpus, achieving accuracy of 97.98%, which is a significant improvement over the state-of-the-art for Bulgarian.

研究动机与目标

• 解决在形态丰富语言（如保加利亚语）中进行词性标注的挑战，此类语言需要细粒度的词形句法标注。
• 在不牺牲准确率的前提下，提升标注准确率，超越以往为实用性而缩小标签集大小的系统。
• 以保留完整形态细节的方式，整合语言学知识与统计学习。
• 评估标注错误对下游自然语言处理任务（如词干还原和依存句法分析）的影响。
• 探索在低资源环境下使用丰富标签集的可行性，而不会影响性能。

提出的方法

• 该系统使用一个包含680个词形句法标签的大型词形词典，这些标签源自BulTreeBank，捕捉了诸如体、及物性、格、数和性等详细语法特征。
• 先前的语言学知识通过功能规则编码，可将词形映射到词干，从而在词性标签正确时实现准确的词干还原。
• 引导式学习被用作核心学习框架，支持双向推理和标记分类与推理顺序的联合优化。
• 模型使用类似感知机的被动-积极分类器，优先处理简单决策，从而提高整体标注准确率。
• 特征源自词形词典，并通过词性标注语料库中的上下文信息加以丰富，以支持稳健预测。
• 标签分解被视为未来方向，受先前对阿拉伯语、韩语和捷克语的因子化标注模型研究的启发。

实验结果

研究问题

• RQ1 能否在不导致性能下降的情况下，有效使用680个标签的完整词形句法标签集对保加利亚语进行词性标注？
• RQ2 与传统的从左到右序列模型相比，引导式学习在形态丰富语言中在多大程度上提升了准确率？
• RQ3 标注错误在多大程度上影响下游自然语言处理任务（如词干还原和依存句法分析）？
• RQ4 有多少比例的标注错误对词干还原无害？在何种条件下这些错误是无害的？
• RQ5 在低资源环境下，语言学规则与统计学习的结合能否在丰富标签集上实现最先进准确率？

主要发现

• 所提出的系统在保加利亚语上实现了97.98%的词粒度准确率，显著优于先前最先进系统。
• 在711个标注错误中，有206个（约29%）不影响词干还原准确率，因为这些错误仅涉及错误的语法特征，而词干相关特征（如体、及物性）仍正确。
• 约27%的错误（190个中的711个）对依存句法分析无害，特别是当错误涉及动词的时态或体时，这些特征对句法结构影响较小。
• 该系统表明，即使在非常细粒度的标签集下，高准确率依然可实现，其表现与英语的最佳报告结果相当，尽管保加利亚语具有复杂的形态特征。
• 特殊词形类型——缩写词和数字形式的数字——由于形态线索有限，持续构成挑战，导致频繁误分类。
• 结果表明，由于标签集的结构设计，错误向下游任务的传播部分被缓解，即使在部分标注错误下，与词干无关的特征仍保持稳健。