[论文解读] Taking Primitive Optimality Theory Beyond the Finite State

Daniel Albro|ArXiv.org|Feb 22, 2001

Natural Language Processing Techniques参考文献 7被引用 6

一句话总结

本文通过整合多个上下文无关文法（MCFGs）扩展了原始最优性理论（OTP），以建模非有限状态现象（如叠补），同时保留加权有限状态机用于约束处理。本文提出了一种扩展的Earley算法，通过MCFG生成的候选集与约束自动机的交集计算最优候选，成功在对应理论框架下以系统化、可扩展的方式建模了叠补现象。

ABSTRACT

Primitive Optimality Theory (OTP) (Eisner, 1997a; Albro, 1998), a computational model of Optimality Theory (Prince and Smolensky, 1993), employs a finite state machine to represent the set of active candidates at each stage of an Optimality Theoretic derivation, as well as weighted finite state machines to represent the constraints themselves. For some purposes, however, it would be convenient if the set of candidates were limited by some set of criteria capable of being described only in a higher-level grammar formalism, such as a Context Free Grammar, a Context Sensitive Grammar, or a Multiple Context Free Grammar (Seki et al., 1991). Examples include reduplication and phrasal stress models. Here we introduce a mechanism for OTP-like Optimality Theory in which the constraints remain weighted finite state machines, but sets of candidates are represented by higher-level grammars. In particular, we use multiple context-free grammars to model reduplication in the manner of Correspondence Theory (McCarthy and Prince, 1995), and develop an extended version of the Earley Algorithm (Earley, 1970) to apply the constraints to a reduplicating candidate set.

研究动机与目标

• 将基于有限状态的最优性理论（OTP）扩展至处理非有限状态现象，如叠补和词重音。
• 基于对应理论与MCFGs，为叠补提供系统化的OTP处理方法。
• 开发一种可处理多个上下文无关文法在加权约束交集背景下的扩展Earley解析算法。
• 在支持建模更高级语法现象的同时，保持有限状态方法的效率与模块化特性。

提出的方法

• 使用多个上下文无关文法（MCFGs）表示候选集，从而能够建模叠补及其他非正则现象。
• 将约束建模为加权确定性有限自动机（WDFAs），以保持约束评估的有限状态形式化。
• 应用改进的Earley算法，对MCFG生成的候选集与约束自动机执行加权交集运算。
• 通过与排序约束的交集迭代消除次优候选，模拟OT的评估过程。
• 采用基于图表的解析机制，结合状态追踪与历史传播，以管理非终结符推导与子推导。
• 在所有约束交集完成后执行最终剪枝步骤，仅保留最低权重（最优）路径。

实验结果

研究问题

• RQ1 如何将最优性理论扩展至有限状态约束之外，以建模叠补等现象？
• RQ2 MCFGs能否有效表示非正则的候选集（如叠补形式）？
• RQ3 如何将Earley算法适配以处理加权约束评估背景下多个上下文无关文法？
• RQ4 是否可能在建模非有限状态候选集的同时，保持有限状态方法的效率与模块化？

主要发现

• 扩展的Earley算法成功解析并评估MCFG生成的候选集与加权有限状态约束之间的关系，输出最优结果。
• 该方法在对应理论框架下正确建模了叠补，仅生成最优的叠补形式（如以'1'结尾的形式）。
• 算法通过适当的状体与历史追踪，正确处理了非终结符推导，支持对复杂叠补结构的正确解析。
• 该方法实现了高级语法（MCFGs）与有限状态约束模型的系统性整合，避免了临时性扩展。
• 系统输出一个紧凑且等价的语法，完整捕获所有最优叠补形式，证明了其正确性与完备性。