[论文解读] Thai Rhetorical Structure Analysis

Somnuk Sinthupoun|arXiv (Cornell University)|Jan 1, 2009

Natural Language Processing Techniques参考文献 20被引用 5

一句话总结

本文提出了一种新颖的泰语修辞结构分析框架，结合隐马尔可夫模型进行EDU分割、基于语义规则的聚类方法构建RS树，以及C5.0决策树进行话语关系分类。在RS树构建中，精确率为95.21%，召回率为94.90%；在话语关系判定中，准确率达到85.09%，尤其在包含标记词的关系中表现优异。

ABSTRACT

Rhetorical structure analysis (RSA) explores discourse relations among elementary discourse units (EDUs) in a text. It is very useful in many text processing tasks employing relationships among EDUs such as text understanding, summarization, and question-answering. Thai language with its distinctive linguistic characteristics requires a unique technique. This article proposes an approach for Thai rhetorical structure analysis. First, EDUs are segmented by two hidden Markov models derived from syntactic rules. A rhetorical structure tree is constructed from a clustering technique with its similarity measure derived from Thai semantic rules. Then, a decision tree whose features derived from the semantic rules is used to determine discourse relations.

研究动机与目标

• 为解决泰语中因缺乏标准标点符号而导致的EDU边界不明确问题。
• 克服泰语话语分析中的挑战，如成分省略、隐含标记词以及相邻标记词的歧义性。
• 开发一种针对泰语句法和语义特征量身定制的稳健修辞结构分析流程。
• 通过准确建模话语关系，提升泰语文本理解、摘要生成和问答系统的表现。

提出的方法

• 训练两个隐马尔可夫模型：一个基于词性序列进行短语分割，另一个基于短语级排列进行EDU分割。
• 使用基于泰语语义规则的相似性度量，结合分层聚类算法，将EDU聚类为修辞结构树。
• RS树构建采用未加权算术平均聚类方法，该方法在所有测试方法中表现最佳。
• 基于语言学特征（如主语、宾语、介词、核心成分以及标记词的有无）训练C5.0决策树，以分类EDU之间的话语关系。
• 从回指和先指EDU中提取特征，包括主语、宾语和介词的有无，以及标记词的位置。
• 系统在三个数据集上进行评估：无标记集、重复文本集和家庭法文本集，人工标注了624对EDU/关系用于关系分类。

实验结果

研究问题

• RQ1 在缺乏标点符号和句法标记的泰语文本中，如何有效分割基本话语单元（EDUs）？
• RQ2 基于泰语语义规则的聚类技术与相似性度量，哪种能实现最准确的修辞结构树构建？
• RQ3 在缺乏话语标记词的情况下，多大程度上可以利用语言学特征预测泰语中的话语关系？
• RQ4 主语/宾语存在性、核心结构和标记词位置等特征，如何促进泰语中准确的话语关系分类？

主要发现

• 未加权算术平均聚类方法在RS树构建中表现最佳，在家庭法数据集中召回率为94.90%，精确率为95.21%。
• 使用两个HMM进行EDU分割，召回率为85.3%，精确率为94.2%，尽管泰语缺乏标点符号，仍表现出强大有效性。
• 使用C5.0决策树进行话语关系分类，在含标记词的EDU对中准确率达85.09%，在无标记词的EDU对中为82.81%，标记词特征在敏感性分析中得分最高。
• 准确率最高的是'解释'关系（100.00%）和'选择'关系（97.70%），而'举例'和'时间'关系表现较差，表明检测这些关系存在挑战。
• 话语标记词的存在显著提升了分类准确率，当标记词存在时，'同意'和'选择'关系的准确率均超过98%。
• 敏感性分析确认，与标记词相关的特征在话语关系预测中最具影响力，凸显了其重要性，尽管在泰语中常被省略。