自然语言处理的句法和形式语法

我们可以在一些不同结构层次上对语言进行分析，如句法、词法和语义。现在，我们介绍语言研究中的一些关键术语。

词法——对单词的形式和结构的研究，还研究了词与词根以及词的衍生形式之间的关系。

句法——将单词放在一起形成短语和句子的方式，通常关注句子结构的形成。

语义学——语言中对意义进行研究的科学。

解析——将句子分解成语言组成部分，并对每个部分的形式、功能和语法关系进行解释。语法规则决定了解析方式。

词汇——与语言的词汇、单词或语素（原子）有关。词汇源自词典。

语用学——在语境中运用语言的研究。

省略——省略了在句法上所需的句子部分，但是，从上下文而言，句子在语义上是清晰的。

在本节中，我们从句法开始讲解。在13.4节中，我们继续语义和意义分析。

13.3.1　语法类型

学习语法是学习语言和教授计算机语言的一种好方法。费根鲍姆（Feigenbaum）等人将语言的语法定义为“指定在语言中所允许语句的格式，指出将单词组合成形式完整的短语和子句的句法规则”。[27]

麻省理工学院的语言学家诺姆·乔姆斯基（Noam Chomsky）[28]在对语言语法进行数学式的系统研究中做出了开创性的工作，为计算语言学领域的诞生奠定了基础。他将形式语言定义为一组由符号词汇组成的字符串，这些字符串符合语法规则。字符串集对应于所有可能句子的集合，其数量可能无限大。符号的词汇表对应于有限的字母或单词词典。他对4种语法规则的定义如下。

（1）定义了作为变量或非终端符号的句法类别。

句法变量的例子包括<VERB>、<NOUN>、<ADJECTIVE>和<PREPOSITION>。

（2）词汇表中的自然语言单词被视为终端符号，并根据重写规则连接（串联在一起）形成句子。

（3）终端和非终端符号组成的特定字符串之间的关系，由重写规则或产生式规则（见第7章）指定。在这个讨论的上下文中：

<SENTENCE> → <NOUN PHRASE> <VERB PHRASE>

<NOUN PHRASE> → the <NOUN>

<NOUN> → student

<NOUN> → expert

<VERB> → reads

<SENTENCE>→<NOUN PHRASE> <VERB PHRASE>

<NOUN PHRASE>→<NOUN>

<NOUN>→student

<NOUN>→expert

<VERB>→reads

注意，包含在<...>中的变量和终端符号是小写的。

（4）起始符号S或<SENTENCE>与产生式不同，并根据在上述（3）中指定的产生式开始生成所有可能的句子。这个句子集合称为由语法生成的语言。以上定义的简单语法生成了下列的句子：

The student reads.

The expert reads.

重写规则通过替换句子中的词语生成这些句子，应用如下：

<SENTENCE> →

<NOUN PHRASE> <VERB PHRASE>

The <NOUN PHRASE> <VERB PHRASE>

The student <VERB PHRASE>

The student reads.

<SENTENCE>→

<NOUN PHRASE> <VERB PHRASE>

<NOUN PHRASE> <VERB PHRASE>

The student<VERB PHRASE>

The student reads.

因此，这很容易看出，语法是如何作为“机器”“创造”出重写规则允许的所有可能的句子的。

必要条件是给定词汇和一组产生式。类似地，使用这种方法，所有编程语言的语法和“结构”都使用Backus-Naur产生式规则生成。通过使用这些句子，我们可以执行所有NLP程序的第一阶段——解析，并且可以反向执行，将明确的句子归入相应的句法类别。

乔姆斯基演示了这种形式语言理论能生成4种基本类型的语法。这个语法被定义为四元组（VN，VT，P，S），其中：

V =词汇表

N =词汇表中的非终端符号

T =词汇表中的终端符号

P =形式X→Y的产生式

S =起始符号

类型0：递归可枚举语法

这种类型的语法对于产生式的形式没有任何限制，太过笼统，没有用处。由这种类型的语法生成的句子，可以被所有现代计算机理论基础的图灵机识别。

类型1：上下文相关语法

这种类型的语法生成形如X→Y的产生式，其限制是右边的Y必须至少包含与左边X一样多的符号。因此，产生式看起来像：

u X v → uYv

其中

X =单个非终端符号

u，v =包含空字符串在内的任意字符串

Y =词汇表V上的非空字符串

这种形式的产生式（重写规则）相当于说“在上下文u、v中，Y可以替代X”。

因此，此类例子的语法有：

规则1 S→xSBC

规则2 S→xBC

规则3 CB→BC

规则4 xB→xy

规则5 yB→yy

规则6 yC→yz

规则7 zC→zz

其中

S =起始符号

A，B，C =变量

x，y，z =终端符号。

根据这种语法的重写规则，我们可以推导出以下的句子：

规则1：xSBC

规则2：xxBCBC

规则3：xxBBCC

规则4：xxyBCC

规则5：xxyyCC

规则6：xxyyzC

规则7：xxyyzz

经过一番分析，读者应该不用太长时间就可以确定这种语法生成的字符串形式为xyz、xxyyzz等。

类型2：上下文无关语法

在上下文无关语法中，左侧必须只包含一个非终端符号。上下文无关意味着，在语言中的每个单词，如果有规则应用于此单词上，则这个规则与单词所在的上下文无关。这种语法最接近于自然语言。

产生式为：

S→aSb

S→ab

生成字符串的形式为ab、aabb、aaabbb等。

让我们看一个例子，来了解上下文无关语法如何使用以下重写规则生成自然语言句子：

<SENTENCE>→<NOUN PHRASE> <VERB PHRASE>

<NOUN PHRASE>→<DETERMINER> <NOUN>

<NOUN PHRASE>→<NOUN>

<VERB PHRASE>→<VERB> <NOUN PHRASE>

<DETERMINER> → the

<NOUN> → dogs

<NOUN> → cat

<VERB> → chase

此派生树或解析树（从句子到语法）如下所示：

这种上下文无关语法产生了以下句子：

那几只狗追逐几只猫。

但是，按照同样的规则，也可产生以下句子：

那几只猫追逐几只狗。

也可以用相同的语法生成。这表明语法只关心结构，与语义是两码事。

类型3：正则语法

这种类型的语法也称为有限状态语法，根据产生式生成句子：

X→aY

X→a

其中：

X，Y =单个变量

a =单个终端

以下是正则语法：

S → 0S | 0T

T → 1T | ε

生成的语言有至少一个“0”，后面跟着“1s”的任何数字（包括0）：

S→0S | 0T

T→1T | ε

注意，从0型语言行进到3型语言时，我们随之也从更一般的语法转向了更具限制性的语法。也就是说，每个正则语法都是上下文无关的，每个上下文无关的语法都可以生成上下文相关的语法，每个上下文相关的语法都是类型0的语法，基本上，类型0的语法是没有限制的。因此，重写规则有越多限制，所生成的语言就越简单。

图13.1显示的层次结构增加了一类，多了第五类，称为“轻度上下文相关语言”。这种语法可以由许多不同的语法形式（包括7.1节中介绍的Post产生式系统）来定义，但是这个内容超出了本书讨论的范围。

图13.1　转载自Jurafsky和Martin的著作（2008，第530页）， 这幅图说明了维恩图中所谓的“乔姆斯基层次”

在这一点上，重要的是强调，尽管在设计编程语言和解密大部分自然语言中，上下文无关语法都是有用的，但是乔姆斯基觉得它们不能完全代表自然语言（如英语）。同样，这强调了一个结论：句法/语法对于理解自然语言是必要的，但就其本身而言，这是不够的。Firebaugh[29]注意到了用于语言解释的语法与问题求解的命题逻辑之间的类比。虽然在某些明确界定的情况下任何一种都适用，但是没有一种方法适用于大型的一般问题情况。[29]

13.3.2　句法解析：CYK算法

通常用解析树的形式表示自然语言的句法结构。句子通常是模糊的，可以用许多不同的方式进行解析，因此，找到最佳的解析是表示句子正确含义、揭示句子正确意图的关键一步。找到最佳解析的一种方法是将解析作为搜索问题。对于输入的句子，搜索空间包含所有可能的解析树，并且通过搜索此空间，必须找到最佳解析。通过这种方法，我们可以采用两种主要的策略：自上而下的搜索和自下而上的搜索。

自上而下搜索从起始符号S开始，并尝试构建所有的解析树，这些解析树将输入的句子作为叶节点，将开始点S作为根节点。这个策略为语法中的每个产生式规则构建单独的解析树，其中S在左侧。因此，在进程的第一阶段之后，对于使用语法扩展S的每一个产生式规则，都会有一颗独立的解析树。继续到树的下一层，由S生成的最左边的符号首先得到扩展。这个符号每个可能的扩展将生成单独的解析树。这个过程一直持续，直到所有解析树都探索到了树的最底层，并将叶节点与输入的句子进行比较。从搜索中驳回和删除错误的解析，同时保留对输入句子的成功、正确的解析。

相比之下，自下而上的搜索从输入句子的单词开始，试图从叶节点向上构建一棵树。这个策略尝试将输入的单词与非终端符号进行匹配，这个非终端符号可以扩展产生该单词。如果可以从非终端符号产生一个单词那么在解析树中，这个非终端符号将作为单词的父节点。如果这个单词可以从几个不同的非终端符号产生，那么由于这些可能的扩展，则必须构建单独的解析树。从叶节点到上一层，这个策略向上移动，直至到达根节点S为止。无法到达S的解析树将被从搜索中删除。

这两种搜索策略的问题是，存储所有可能的解析树需要大量内存。这是不切实际的，更实际的替代方案是使用回溯策略（见2.2.1节）探索解析树，直到它成功地得到解，或者直到它不再继续作为可行的解；然后搜索返回到搜索空间中的较早状态，返回到还未扩展的状态，构建解析树。

回溯有其自身的效率问题，这主要是因为，从一个扩展到另一个扩展，树的大部分是重复的。如果一棵树无法到达解，即使在下一个可能的解中树的大部分被重复，但是这棵树还是会被丢弃。通过使用动态规划算法，可以避免这种低效率的操作。动态编程方法将中间结果存储在表中，这样它们就可以得到重复使用。子树存储在表中，这样允许在每次寻找可能的解时，如果需要，就可以查找这些子树。

为了更详细地了解CYK算法，感兴趣的读者可以阅读《一种上下文无关语法的有效的识别和语法分析算法》（Kasami，T. 1965，马萨诸塞州贝德福德剑桥空军研究实验室，科学报告AFCRL-65-758）。

CYK算法（由科克（Cocke）、卡西米（Kasami）和扬格（Younger）开发的）是动态规划算法（见第3章），并且是句法解析中最常用的技术之一。

为了使用该算法，输入的语法必须是乔姆斯基范式（Chomsky Normal Form），这意味着产生式规则必须采用以下两种形式之一：A→BC或A→x。右侧必须有两个非终端节点，或者必须有一个终端节点。在此应用中，乔姆斯基范式非常有用，因为它确保了每个非终端节点都有两个子节点或者有一个单子节点，这个节点是一个终端符号，是叶节点。

如果语法是乔姆斯基范式（Chomsky Normal Form）的，则CYK算法可以构建一个（n + 1）×（n + 1）的矩阵，其中n是输入句中的单词数。表中的每个单元格[i，j]都包含了从位置i到位置j相关单词的信息。具体来说，每个单元格包含非终端符号集，这个非终端符号集可以产生从位置i到位置j的单词。

单元格[0,1]包含了可以产生句子中第一个单词的非终端符号。类似地，单元格[1,2]表示句子中的第二个单词（位置1和位置2之间的单词）。这个单元格包含的非终端符号可能会产生在句子中第二个单词。

单元格[0,2]的计算更加复杂。这个单元格表示了从位置0跨越到位置2之间的单词信息。这种组合的单词跨度可以分为两部分：第一部分是从位置0到位置1，第二部分是从位置1到位置2。这两个部分分别由单元格[0,1]和[1,2]表示。这两个单元格中的非终端符号以各种可能的组合方式进行组合，并且算法搜索任何可能产生这些组合的产生式规则。如果存在这样的产生式规则，那么规则左侧的非终端符号将被放置在单元格[0,2]中。

类似地，单元格[0,3]表示了从位置0跨越到位置3的单词信息。但是，由于这个跨度可以按几种不同的方式划分。它或者可以从位置1后开始划分，将其分为两部分：第一部分在位置0和位置1之间，第二部分在位置1和位置3之间。又或者，它可以从位置2后开始划分，第一部分在位置0和位置2之间，第二部分在位置2和位置3之间，因此这个单元格值的计算更加困难。

如果在位置1之后开始划分，那么我们将使用单元格[0,1]和[1,3]，并组合它们的非终端符号；如果在位置2之后开始划分，我们将使用单元格[0,2]和[2,3]，并组合它们的非终端符号。我们必须使用这两个划分方法来获取单元格[0,3]的非终端符号的总数。以这种方式继续，我们使用先前单元格的中间结果构建表，直至达到[0,n]。这个单元格表示位置0和n之间的词，这些词组成了整个输入的句子因此，单元格[0,n]包含了所有非终端符号，这些符号可以用来为输入的句子构建一棵解析树。在表中，我们可以使用反向指针，将最终单元格与生成它的中间单元格连接起来，获得在句子解析中正确的非终端符号序列。

自然语言处理书籍推荐

自然语言处理实战 利用Python理解、分析和生成文本

1.本书是构建能够阅读和解释人类语言的机器的实用指南；

2.读者可以使用现有的Python 包来捕获文本的含义并相应地做出响应；

3.本书扩展了传统的自然语言处理方法，包括神经网络、现代深度学习算法和生成技术，用于解决真实世界的问题，如提取日期和名称、合成文本和回答无固定格式的问题；

4.提供源代码。

本书是介绍自然语言处理（NLP）和深度学习的实战书。NLP已成为深度学习的核心应用领域，而深度学习是NLP研究和应用中的必要工具。本书分为3部分：第一部分介绍NLP基础，包括分词、TF-IDF向量化以及从词频向量到语义向量的转换；第二部分讲述深度学习，包含神经网络、词向量、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆（LSTM）网络、序列到序列建模和注意力机制等基本的深度学习模型和方法；第三部分介绍实战方面的内容，包括信息提取、问答系统、人机对话等真实世界系统的模型构建、性能挑战以及应对方法。

本书面向中高级Python开发人员，兼具基础理论与编程实战，是现代NLP领域从业者的实用参考书。

Python自然语言处理

《Python自然语言处理》是自然语言处理领域的一本实用入门指南，旨在帮助读者学习如何编写程序来分析书面语言。《Python自然语言处理》基于Python编程语言以及一个名为NLTK的自然语言工具包的开源库，但并不要求读者有Python编程的经验。全书共11章，按照难易程度顺序编排。第1章到第3章介绍了语言处理的基础，讲述如何使用小的Python程序分析感兴趣的文本信息。第4章讨论结构化程序设计，以巩固前面几章中介绍的编程要点。第5章到第7章介绍语言处理的基本原理，包括标注、分类和信息提取等。第8章到第10章介绍了句子解析、句法结构识别和句意表达方法。第11章介绍了如何有效管理语言数据。后记部分简要讨论了NLP领域的过去和未来。

《Python自然语言处理》的实践性很强，包括上百个实际可用的例子和分级练习。《Python自然语言处理》可供读者用于自学，也可以作为自然语言处理或计算语言学课程的教科书，还可以作为人工智能、文本挖掘、语料库语言学等课程的补充读物。