Авт. обработка текстов на естественном языке и комп. лингвистика. Большакова (2014) (1185448), страница 38
Текст из файла (страница 38)
При этом также несовсем понятно, какой вид возвратной формы будет иметься ввиду: перебивать себяили перебивать самому. При этом на самом деле возвратная форма от «перебить»будет подразумевать совсем иное значение – «обойтись без чего-либо», хотя вариант«перебить себя» представляется маловероятным, но не невозможным.Для бессловарных морфологий существовали алгоритмы, позволявшие избегатьэтих ошибок.
Так, например, для сочетания «пере+бивать+ся» можно в явном виде118прописать значение слова. Но в итоге мы получаем словарную морфологию соспециальным алгоритмом архивирования базовых понятий, для которых нетисключений.Также выделяют системы на основе стемминга. В случае стемминга зачастуюотбрасывается вся морфологическая информация, а в качестве нормальной формыберется неизменяемая псевдооснова, называемая стем.
Так, для слова «мама» стемомбудет являться строка «мам». Именно эта основа и используется в дальнейшем дляидентификации слова во всех его формах. Неудобство состоит в том, что дляразличных слов может порождаться один и тот же стем, например, «люб-овь» и «любить». В случаях, когда необходимо различать эти понятия (например, при поиске словв тексте), возможен единственный вариант – хранить информацию о части речи. Впрямо противоположном случае, когда различать слова не обязательно, подобноесовпадение может сослужить добрую службу. Однокоренные слова чаще всегоотносятся примерно к одному и тому же понятию («любить» означает«продуцировать любовь»).
В связи с этим при сравнении текстов целиком такиепонятия не будут размываться, а скорее наоборот – будут давать совместный вклад врезультат сравнения. Однако в случае стемминга весьма вероятно смешениеразличных понятий. Так к стему глагола «люб-ить» будет отнесен и глагол «любоваться» (ведь у него есть форма «люб-уюсь»), что приводит к смешению различныхпонятий.Для слов, подверженных флексии, т.е.
замене букв в корне слова, беретсянесколько стемов. Так, например, для слова «шов» будет образовано два стема: «шов»и «шв», а для слова «идти» - «ид», «ше» и «шл». Это не позволяет идентифицироватьих как одно со всеми вытекающими последствиями. Для решения этой проблемысоздаются сложные парадигмы, объединяющие несколько стемов.Собственно анализ в подобных системах будет проводиться аналогичнымобразом с лексической морфологией. Однако здесь возможны два варианта. В первомслучае мы храним как стемы, так и парадигмы изменения и алгоритм анализа исинтеза не претерпевает никаких изменений. Во втором случае хранится только наборпарадигм.
В этом случае оставшаяся основа и будет являться искомым стемом. Измножества полученных стемов выбирается, например, самый короткий или самыйдлинный. Также применяется вариант, когда проводится анализ последнихнескольких букв стема: наречия, имеющие пустое окончание, заканчиваются на «-о»или «-е», некоторые глаголы на «-ова-» или «-ева-» и т.д.
Это также помогает отсеятьряд результатов.Морфология на основе стемминга обладает рядом достоинств. Так, например, засчет упрощения алгоритма и уменьшения объема выдаваемой информациисущественно (до нескольких раз) возрастает скорость анализа, а при использованиилишь массива парадигм сокращается объем хранимых баз. Главным достоинствомморфологии на основе стемминга является тот факт, что при отсутствии словаряоснов мы фактически получаем морфологическую базу неограниченного объема,настраиваемую непосредственно на имеющийся текст.
Это очень удобно присоздании информационно-поисковых систем с нефиксированной лексикой. В этомслучае при индексировании текстов мы получаем некоторый набор стемов, которые изаносим в индекс. При этом морфология никогда не сообщает нам, что такого слованет в словаре.119Однако подобный подход не лишен недостатков. 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.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
