结合结构下文及词汇信息的汉语句法分析方法

针对句法分析中上下文无关语法模型对句子信息利用的不足,通过融入结构下文和部分词汇信息,提出两种基于概率上下文无关语法模型的短语结构消歧方法,以达到消解结构歧义的目的;引入分层分析的算法,通过损失一定的时间效率使得在提高分析准确率的同时保证分析结果的全面性。实验结果表明,融入结构下文及词汇信息的汉语句法分析方法,利用了更多的句子信息,与上下文无关语法相比有着更强的消歧能力。

统计与规则并举的汉语句法分析模型

在自然语言分析中，传统的基于规则的方法和近年兴起的基于统计的方法各有利弊，如何把二者有机的结合起来，以提高分析器的处理能力，是当前计算语言学的重要课题。本文采用依存文法，提出了一种基于依存文法的融合语料库、规则方法和统计方法的汉语分析模型ＣＲＳＰ（Ｃｏｒｐｕｓ，ＲｕｌｅａｎｄＳｔａｔｉｓｔｉｃｓｂａｓｅｄＰａｒｓｅｒ）。该模型的特点是将汉语依存文法分析看作是与词性标注过程等价的一个基于统计的标注过程。文中首先介绍了ＣＲＳＰ的设计思想，然后讨论了从标注过的语料中获取知识的方法，叙述了用于词性标注和依存关系标注的统计模型。试验表明这种模型具有很大的优越性。

基于双语模型的汉语句法分析知识自动获取

提出了一种汉语句法分析知识自动获取的新方法 .该方法以双语语料库为基础 ,在双语语言模型的指导下 ,利用英语句法分析和双语词汇对齐得到汉语句子分析结果 .根据得到的句子分析可以提取汉语组块边界信息和简单的句法分析规则 .实验结果表明 ,自动获取的组块分析边界和已有的汉语句法分析体系取得了很好的一致性 ,证明了该方法的可行性和有效性 .文中提出的方法充分利用现有的英语句法研究成果 。

基于改进线图分析算法的浅层汉语句法分析器的设计与实现

针对传统的汉语句法分析算法进行改进,采用了自底向上与自顶向下相结合的线图分析方法,分析、设计和实现了一个汉语句法分析原型系统。该系统实现了基于最大词长匹配算法的分词模块、基于统计方法的词性标注模块和基于改进的线图分析算法的句法分析模块。最后对系统进行小规模中文文本试验测试,测试结果表明利用改进的分析算法,使得句法分析效率和分析结果的准确率均有一定程度的提高。

汉语句法分析研究综述

句法分析是自然语言处理的基本问题,掌握句法分析的研究方法和研究现状是进一步深入研究的基础。首先介绍短语结构语法和依存语法的特点,对比基于规则、统计和组块的句法分析方法,并对汉语句法分析的现状和原因进行研究,最后指出汉语句法分析应采用多方法、多特征或多知识源相结合才能高效地进行分析。

一种基于神经网络的汉语句法分析错误恢复

论文提出了一种基于BP网络的汉语句法分析错误恢复方法,结合神经网络自学习、自组织的优点,以神经网络的结构模型代替了富田胜算法的分析表,模拟其移进规约动作。该方法鲁棒性好,能够恢复富田胜算法句法分析结果中的若干错误句子,提高其容错性能。实验结果表明,该方法对于错误句子的恢复取得了令人满意的效果。

汉语句法分析方法演变原因初探

我国近百年来出现了句子成分分析法、层次分析法、变换分析法、语义特征分析法、配价分析法、语义指向分析法等汉语句法分析方法。这些分析方法对解释一些汉语现象起到了积极的作用。前人时贤对这些分析方法也很有研究,但对其发展演变的原因却鲜有论及。文章主要讨论了这些汉语句法分析方法发展演变的原因。认为分析方法的发展演变主要受西方语言学、分析方法本身的局限性和汉语自身特点使然等因素的影响。

汉语句法分析中的核心推导

认知活动中的比较基点与守恒性在人类不断获取知识的过程中,比较是一切知识的来源。比较研究对于我们的认知过程有着重大价值。人们在认识世界、认识空间关系和运动关系时,必需选择一个比较基点,也可以称为出发点。原点或相对静止点、这样处理,有筒化认知和分析的明显效果,具有强化对比,凸显关系的作用,还可以避免表达中的循环推断和冗余信息。例如分析一个家庭结构。

基于BP网络的汉语句法分析专家系统

提出了一种基于BP网络的汉语句法分析专家系统的设计方案. 知识库采用产生式规则的知识表达方式, 并将知识二元化存储在神经网络中. 推理机采用神经网络进行推理. 在论文的结尾给出了系统的运行实例, 说明了该系统的有效性.

最近20年来汉语句法分析方法研究述略

本文介绍了最近 2 0年来汉语句法分析方法的演变和发展情况 ,对这 2 0年来常用的中心词分析法与层次分析法相结合的方法、变换分析法、语义特征分析法、配价分析法、语义指向分析法等汉语句法分析方法作了简要的介绍和评论。

中心词驱动的汉语统计句法分析模型的改进

在对Dan Bikel基于Collins中心词驱动概率句法分析模型实现的句法分析器进行深入研究分析的基础上,对其进行了两个方面的改进。一是通过提供N-best词性候选序列,改进原模型在词性方面的处理,改善了句法分析的结果;二是在该模型中引进单独的基本名词短语识别,从而降低句法分析的复杂度,提高了效率,其中,针对中文的特点,通过对BaseNP的概念进行一系列的扩展,深入研究了基于不同层次概念的BaseNP对句法分析的影响并探讨更适合中文句法分析的BaseNP定义。利用改进的句法分析模型进行中文句法分析实验,实验结果表明,改进模型可以缩短分析时间26%,提高F值4.4个百分点,交叉括号平均减少18%。

汉语句法分析问题——兼述句结构成分分析法

§1 汉语语法的特点语法是什么?语法学研究的又是什么?这难道还是问题吗,我看问题并没有解决,起码认识不完全一致。有的说,“语法是语言的结构规则”(张静主编《新编现代汉语》上册①)。又有的说,“语法是语言的结构规律”,“(语法学)

汉语自动句法分析中结构歧义分析与研究

结构歧义是汉语自动句法分析系统的主要处理难点之一,研究汉语中常见的歧义结构类型与格式,进而探讨较为有效的消解策略和方法,对提高当前汉语自动句法分析系统的准确率有着非常重要的意义.文中基于歧义结构实例的分析,将汉语中常见的歧义结构分为三种基本类型.通过考察歧义结构实例的歧义性,认识了结构歧义的产生原因,并探讨了不同的消解策略,特别是基于实例的消解策略.

一种可训练的快速汉语部分句法分析方法

提出一种可训练的快速汉语部分句法分析方法 .此方法基于文中提出的扩充多层有限状态自动机模型 ,其中引入错误驱动的机器学习方法使其正确率可以通过训练得到提高 ,初步结果表明 ,该方法是行之有效的 .

融合词义信息的中文短语句法分析

针对目前融合词义信息的短语句法分析过程中,多义词词义消歧较差的问题,提出一种基于词性消歧的中文短语句法分析方法。首先构建具有词性信息的同义词字典;然后对训练集和测试集中的词语进行词义替换,利用多义词的词性区分其不同的词义。在宾州中文树库(CTB)的实验结果表明,正确率为80.30%,召回率为78.12%,F值为79.19%。相对于没有进行词性消歧的系统,该方法有效提高了短语句法分析的性能。

基于统计的汉语组块分析

组块分析是一种大大降低句法分析难度的有效手段。本文针对汉语普遍规律 ,提出了一套符合汉语语言特点的汉语组块体系 ,并在此基础上设计实现了一种统计与错误驱动相结合的、能够分析有限层次的组块自动识别算法。实验证明 ,该方法能够有效地处理真实文本中的浅层分析问题 ,具有较好的准确率和鲁棒性。

基于语义知识的汉语句法结构排歧

汉语在词类这个语言层次上存在着许多歧义结构，这给汉语的自动句法分析带来了难以逾越的障碍。通过寻找汉语语义类之间可能存在的句法关系建立汉语语义关联网，这为用汉语语义知识来解决句法歧义开辟了道路。文章针对具体的汉语歧义结构研究具体的解决办法，从而减少了计算的复杂度。

句法结构·词类义标准——关于汉语词类划分问题

在一九八一年开始的我国语法学界关于汉语析句问题讨论中,笔者提出了“句结构成分分析法”这一方法,写了几篇文章从不同方面论述,《汉语句法分析问题》(下简称《句法》)一文,较全面地谈了笔者对汉语句法分析的看法。本文想再谈谈汉语词法——词类划分问题。 1953——1954年我国语法界就词类划分问题进行过大规模的讨论。尔后,关于这个问题的论著少见了。近年出版、再版的几套《现代汉语》教材,均谈到词类划分标准。它们所主张的大致是1953——1954年那次讨论成果的反映,这些标准当时均提了出来;同时也是那次讨论所争议的问题的继续,如一个标准和多个标准问题。而关于这个问题,当时吕叔湘先生在《关于语法词类的一些原则性问题》(以下简称《问题》)一书中表示过明确的意见:“按照一般的分类原则,一次只能用一个标准,……如果同时应用两个标准,这两个标准就有打架的可能。”

面向汉语自动句法分析的语法知识库构建

基于100万字的973汉语树库,按照语法功能分布的理论,从汉语自动句法分析和语言知识库构建的角度,构建一个相对系统化和多层次的语法知识库。该语法知识库由汉语词语、短语实例、短语结构、句法规则等知识组成。汉语词语知识共统计51 390个汉语词汇的58种语法知识,短语实例知识共获取3 836个汉语短语实例的58种语法知识,短语结构知识共抽取26种短语结构的58种知识,句法规则共有900条记录知识组成。该语法知识库的构建不仅为汉语自动句法分析和语言学研究提供语法知识,而且为更大规模的语法知识库构建打下基础。

汉语基本短语的自动识别

本文应用基于实例的MBL(Memory BasedLearning)学习方法 ,对汉语中较常见的 9种基本短语的边界及类别进行识别 ,并利用短语内部构成结构和词汇信息对预测中出现的边界歧义和短语类型歧义进行了排歧处理。实验中还比较了在特征向量中加入词汇信息与否对实验结果的影响。实验取得了比较令人满意的结果 :对这 9种基本短语的识别正确率达到 95 .2 % ;召回率达到 93.7%。