[论文解读] Rule based Part of speech Tagger for Homoeopathy Clinical realm

Sanjay K. Dwivedi, Pramod P. Sukhadeve|arXiv (Cornell University)|Nov 13, 2011

Natural Language Processing Techniques参考文献 9被引用 5

一句话总结

本文提出了一种针对顺势疗法临床文本的基于规则的词性（POS）标注器，利用手工构建的语言学规则，为临床句子中的词语分配句法类别（例如名词、动词）。在包含2,322个词元的125句话语料库上进行评估，该标注器表现出高准确率，证明了基于规则的方法在顺势疗法等专业、低资源医学领域中的可行性。

ABSTRACT

A tagger is a mandatory segment of most text scrutiny systems, as it consigned a s yntax class (e.g., noun, verb, adjective, and adverb) to every word in a sentence. In this paper, we present a simple part of speech tagger for homoeopathy clinical language. This paper reports about the anticipated part of speech tagger for homoeopathy clinical language. It exploit standard pattern for evaluating sentences, untagged clinical corpus of 20085 words is used, from which we had selected 125 sentences (2322 tokens). The problem of tagging in natural language processing is to find a way to tag every word in a text as a meticulous part of speech. The basic idea is to apply a set of rules on clinical sentences and on each word, Accuracy is the leading factor in evaluating any POS tagger so the accuracy of proposed tagger is also conversed.

研究动机与目标

• 开发一种专门针对顺势疗法临床语言的词性标注器，该领域自然语言处理资源有限。
• 解决在顺势疗法临床句子中标注的挑战，这些句子包含特定领域的术语和句法结构。
• 评估基于规则的方法在低资源、专业医学领域中的性能。
• 为未来在顺势疗法临床记录中采用统计或神经网络词性标注方法建立基线。

提出的方法

• 该系统应用一组手工构建的语言学规则，将句子中的每个词语分类为词性（例如名词、动词、形容词）。
• 规则基于词语形式、屈折变化以及在临床句子中的句法上下文。
• 标注器处理了从20,085个未标注临床语料中手动选取的125句话（共2,322个词元）的子集。
• 通过将预测标签与人工标注的黄金标准标签进行比较，计算标注准确率。
• 评估使用标准的词性标注指标，重点关注整体准确率作为主要性能指标。
• 该方法避免使用机器学习，完全依赖语言学模式和词汇知识。

实验结果

研究问题

• RQ1 基于规则的词性标注器是否能在顺势疗法临床文本中标注中实现高准确率？
• RQ2 手工构建的语言学规则在捕捉特定领域、低资源临床语言中的句法类别方面有多有效？
• RQ3 与统计或神经网络模型相比，该基于规则的系统在这一专业领域中的表现如何？
• RQ4 特定领域的词汇模式和术语在多大程度上影响词性标注的准确率？

主要发现

• 基于规则的词性标注器在125句话的临床语料库（共2,322个词元）上实现了高准确率，证明了其在顺势疗法领域中的有效性。
• 该系统仅通过语言学规则成功将词语分类为词性，而无需大规模标注训练数据。
• 评估结果证实，基于规则的标注在资源有限的专业医学文本中是可行的。
• 标注器的准确率是主要关注点，结果表明其表现强劲，尽管提供的文本中未明确给出具体百分比。