在语言层面上,关于短语处理的文章很少。自己去年一年都在做这方面的工作,可因为忙着用短语处理的结果参加现在单位搜索引擎的研发,竟然一直没有能够对短语处理作一个总结,心里有点遗憾。这次只是匆忙的整理了短语处理中歧义分析的一个点——形容词与两名词组合搭配的歧义结构来参加这次会议(不过从合作者唐和晋老师那里学到不少东西)。
相比而言,关于处理句子的报告却不少。从华中师范大学的报告来看,他们一直在做小句到复句的机器处理项目,所利用的语言学知识当然是他们刑福义老师的体系结构。其中一个研究生的报告中提到依据各种搭配词、连接词来分析各种小句的同类关系、异类关系,而他们胡金柱教授则是以类似UML定义的方式,来做小句-复句语言处理的元模型。可惜目前给出的只是个静态模型,还没有计算机计算过程与方法的讨论。笔者私下里请教过胡教授,他也说他们正在探索,从连接词等匹配可以作为一种计算手段,可他们也想获取更好的方法。
声学所这边也一直在做句子、句群这一层次的探索。除了理论上如语境单元、领域代码的提出与设计,张全研究员的“语义块共享”问题和韦向峰副研究员的“非小句逗号”的分析是这方面两个不错的报告。
韦向峰在报告中提到,逗号在汉语的使用中过于繁杂(黄先生一直在提倡逗号改革方案),词汇间、短语间、句子间是都可以使用的。所以逗号处理要有个识别与检验的过程。他将文本串分为语串和语段两个概念,基本的处理过程为:
语串处理 -> 语串检验 -> 五中知识手段进行调度,包括:
块扩;是否判断句;因果果因句;句间连词;对仗性。
我在做短语处理的时候,是多次运用概念的对仗性以及形式上的相似性的。对仗的量化标准比较难以制定,正确率与召回率总是难以兼顾。很想就这个问题向韦博士请教,可惜没有时间。
张全研究员的报告内容就是句群中语义块的共享。这是个很困难的问题,也非常有意思,可惜大会没有留给张先生足够的时间。我没有记笔记,很多例子及分析没有记下。以后又机会把PPT放上来。