Большакова Е.И. и др. - Автоматическая обработка текстов на естественном языке и компьютерная лингвистика (1027379), страница 38
Текст из файла (страница 38)
Первым из них являетсяневысокая точность метода. Так, например, стем «шл» будет соответствовать иглаголу «слать» («шлют» и омонимичное «шли»). Соответственно, при анализе мыобъединим два этих разных слова в один «куст». В результате на информационныйзапрос пользователя о слове «шлют» будет выдана информация и о глаголе «идти». Взависимости от применяемого алгоритма могут быть выданы все формы для обоихглаголов. А в зависимости от слова в один «куст» могут быть объединены и словаразличных частей речи.
В ряде случаев это может оказаться весьма полезным, так какоднокоренные слова обычно относятся к одним понятиям («грузчик» – «грузить») и,например, при информационном поиске начинают за счет этого объединяться вкластеры. Однако для исполнительных систем такой подход неприменим.Следующим недостатком является невозможность морфологического синтеза набазе без основ. Справедливости ради следует заметить, что подобная задачанеобходима не во всех практических приложениях.
И, как это было замечено выше,стемминговый подход не применим к таким приложениям, как исполнительныесистемы. Лишившись морфологической информации мы перестаем понимать,является ли слово действием, которое мы должны выполнить, или объектом этогодействия, каким именно объектом действия является слово и т.д. Без подобнойинформации качественное выполнение действий невозможно.Следует заметить, что грань между стемминговой морфологией, базирующейсяна неизменяемой псевдооснове, и лексической морфологией, выдающей полныйнабор морфологических параметров и оперирующей с нормальными формами слова,довольно тонка. С одной стороны, лексическая морфология используетнеизменяемую основу, т.е. стем.
С другой стороны, при хранении полного наборалексической информации стемминг отличается от лемматизации лишь выдаваемойстрокой нормальной формы. Так, система морфологического анализа MyStemкомпании Яндекс (http://company.yandex.ru/technology/mystem) хотя и называетсястеммером (точнее – парсером), однако выдает полный набор лексическойинформации о слове.
Аналогичный по объемам и выдаваемым характеристикамморфологический словарь «Диалинг» (http://www.aot.ru/) является полноценнымлемматизатором и ни в коем случае не заявляется как стеммер.Одним из современных вариантов реализации бессловарной морфологии вчистом виде является стеммер Портера (http://snowball.tartarus.org/). В нем пришедшаяна вход строка проверяется на наличие заданных постфиксов, причем постфиксыпроверяются в определенном порядке, а часть постфиксов может комбинироваться.Так, после выделения постфикса прилагательного может остаться постфикспричастия.
Все, что осталось после их последовательного «откусывания»,объявляется стемом. В зависимости от найденного постфикса слову может бытьприписана та или иная часть речи, хотя в подавляющем большинстве задач этого нетребуется. Алгоритм предельно прост, обладает очень высокой скоростью, однакодает большой процент ошибок. Так, например, если требуется подсчитатьчастотность слов, то для уже разбиравшихся слов «идти» и «шов» будутсгенерированы несколько никак не связанных стемов. В результате частотностьданных слов будет существенно понижена за счет «размазывания» ее по несколькимгруппам. Кроме того, деление на постфиксы является в значительной мере спорным.Скажем, постфикс «-ев» относится к существительным, тогда как слово «ошалев»таковым не является.
Также алгоритм выдает единственный вариант разбора,120полностью скрывая омонимию слов. Заметим также, что исходный алгоритм былнесколько дополнен его отечественными пользователями, что несколько сократилопроцент ошибок.Алгоритм Портера очень слабо учитывает тот факт, что для различных частейречи и даже для различных парадигм перед постфиксом могут стоять различныебуквы.
Этот факт используется в системе морфологического анализа Stemka(http://www.keva.ru/stemka/stemka.html), где хранятся не только сами постфиксы, но иеще две предшествующие буквы псевдоосновы. Сами комбинации букв и постфиксовхранятся в виде конечного автомата справа налево.Существенным плюсом бессловарных морфологий является то, что они могутвыдать результат для любых слов, встречающихся в тексте, что очень удобно прианализе текстов из незнакомой предметной области или содержащих многонелитературных или редко употребляемых слов.
Однако корректность выдаваемойинформации находится на уровне 90-95%. Это привело к отказу от бессловарныхморфологий в задачах, когда точность анализа должна превалировать над егополнотой, и к переходу к словарным морфологиям в таких задачах, как машинныйперевод и диалоговые системы. Однако на практике существует большое количествозадач, решаемых статистическими методами, в которых вполне достаточноприблизительного знания о связях между словами. Это задачи рубрикации,информационного поиска, частично – задачи реферирования, ряд других задач.Методы бессловарных морфологий активно используются в словарныхморфологиях для предсказания нормальной формы и набора параметров слов,которые отсутствуют в морфологическом словаре.
Для этого необходимопроанализировать постфиксы слова и попытаться образовать нормальную формуисходя из полученного префикса и парадигмы, приписываемой постфиксу. Для этогопо найденным постфиксам определяются постфиксы нормальной формы, которыеприсоединяются к полученным префиксам, и наборы морфологических параметров.Существенным недостатком является большое количество предсказанных вариантов.Так, например, слово «кони» может быть предсказано как существительное мужскогорода («огни» – «кони» → «огонь» – «коонь»), женского рода одушевленное илинеодушевленное («кошки» – «кони» → «кошка» – «кона»), обладающее толькомножественным числом («сани» – «кони»), глаголы «конить» и «кнать» вповествовательном наклонении («гони» – «кони» → «гнать» – «кнать»; «юли» –«кони» → «юлить» – «конить») и т.д.Количество таких вариантов может быть существенно сокращено за счетфильтрации.
Так, например, при наличии морфологического словаря достаточнобольшого объема можно утверждать, что в нем находятся все местоимения, предлоги,союзы и некоторые другие части речи. Отсев можно произвести и с точки зрениястатистики. Достаточно большое количество парадигм содержит всего по несколькуслов. Также много парадигм, созданных для единственного слова.
Например,парадигму составляют все формы слова «идти», так как в словарной морфологии онобудет обладать пустой основой. Эти парадигмы в большинстве своем являютсязакрытыми, т.е. добавление новых слов в них уже невозможно. В связи с этим можноотсечь подобные парадигмы, запретив выдвижение гипотез на их основе.
Для этогодостаточно подсчитать количество слов, относящихся к каждой из гипотез, ивыдвигать гипотезы только на основе парадигм, к которым принадлежит количествослов, большее заданного порога.121Еще один вариант отсеивания основывается на том, что у слов, принадлежащиходной парадигме, совпадает не только изменяемая часть, но и последние несколькосимволов неизменяемой. Так, например, у слов «шествовать», «повествовать»,«любопытствовать» псевдооснова заканчивается на «-ств-».
Соответственно, новоеслово, обладающее постфиксом «-ств-овать» (или в более общем случае «ств+постфикс парадигмы») должно быть предсказано именно по этой парадигме. Дляпредсказания может быть использовано от одной до трех букв с конца псевдоосновы.Три буквы позволяют получить статистически значимые результаты для частоповторяющихся длинных последовательностей. Но так как одни и те жетрехбуквенные последовательности встречаются гораздо реже, чем единственнаябуква, то использование трех букв дает гораздо больше вариантов такихпоследовательностей, используемых для проверки.На практике подобный метод используется для некоторого разрешениянеоднозначности выдаваемых результатов, когда кроме стема требуется определить ихотя бы часть речи.
В такой ситуации три предыдущие буквы позволяют с достаточновысокой точностью определить, к какой части речи должно относится слово. Дляэтого помимо псевдоокончания хранят и несколько последних букв. Большееколичество букв псевдоосновы позволяет более точно определить параметры слова.При этом меньшее количество букв позволяет достичь большей скорости разбора исокращает объем словаря.Методы бессловарных морфологий используются также и для расширениясловаря. Так, например, очень многие существительные могут употребляться с «не-»в начале. Введение всех существительных с «не-» значительно увеличит объемсловаря и снизит скорость его работы. В связи с этим при морфологическом анализеможно предварительно проверить наличие одного из префиксов («пере-», «при-» ит.д.) или аффиксов (например, «-ся» и «-сь»), а оставшуюся часть слова попытатьсянайти в словаре.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
