NLTK学习笔记(二)

词意消歧

在词意消歧中,我们要算出特定上下文中的词被赋予的是哪个意思。

思考存在歧义的词 serve 和 dish:

(1)

a. serve: help with food or drink; hold an office; put ball into play

b. dish: plate; course of a meal; communications device

在包含短语 he served the dish 的句子中,你可以知道 serve 和 dish 都用的是它们与食 物相关的含义。在短短的 3 个词的地方,讨论的话题不太可能从体育转向陶器。这也许会迫 使你眼前产生一幅怪异的画面:一个职业网球手正把他的郁闷发泄到放在网球场边上的陶瓷 茶具上。

换句话说,自动消除歧义需要使用上下文,利用相邻词汇有相近含义这样一个简单 的事实。在另一个有关上下文影响的例子是词 by,它有几种含义,例如:the book by Che sterton(施事——Chesterton 是书的作者);the cup by the stove(位置格——炉子在杯子旁 边);submit by Friday(时间——星期五前提交)。观察(2)中斜体字的含义有助于我们解释 by 的含义。

(2) 

a. The lost children were found by the searchers (施事)

b. The lost children were found by the mountain (位置格)

c. The lost children were found by the afternoon (时间)

指代消解

一种更深刻的语言理解是解决“谁对谁做了什么”,即检测主语和动词的宾语。

虽然你在 小学已经学会了这些,但它比你想象的更难。在句子 the thieves stole the paintings 中,很 容易分辨出谁做了偷窃的行为。

考虑(1)中句子的三种可能,尝试确定是什么被出售、被抓 和被发现(其中一种情况是有歧义的)。

(1)

a. The thieves stole the paintings. They were subsequently sold.

b. The thieves stole the paintings. They were subsequently caught.

c. The thieves stole the paintings. They were subsequently found.

要回答这个问题涉及到寻找代词 they 的先行词 thieves 或者 paintings。处理这个问题的 计算技术包括指代消解(anaphora resolution)——确定代词或名词短语指的是什么——和 语义角色标注(semantic role labeling)——确定名词短语如何与动词相关联(如施事,受 事,工具等)。

自动生成语言

如果我们能够解决自动语言理解等问题,我们将能够继续那些包含自动生成语言的任 务,如自动问答和机器翻译。

在自动问答中,一台机器要能够回答用户关于特定文本集的问 题:

(1)

a. Text: ... The thieves stole the paintings. They were subsequently sold. ...

b. Human: Who or what was sold?

c. Machine: The paintings.

机器的回答表明,它已经正确的计算出 they 是指 paintings,而不是 thieves。在机器翻 译中,机器要能够把文本翻译成另一种语言文字,并准确传达原文的意思。

在把例子文本译成法文过程中,我们不得不在第二句选择代词的性别:ils(男性)如果 thieves 被出售,ell es(女性)如果 paintings 被出售。正确的翻译实际上取决于对代词的正确理解。

(2)

a. The thieves stole the paintings. They were subsequently found.

b. Les voleurs ont volé les peintures. Ils ont été trouvés plus tard. (the thieves)

c. Les voleurs ont volé les peintures. Elles ont été trouvées plus tard. (the paintings)

所有这些例子中,弄清楚词的含义、动作的主语以及代词的先行词是理解句子含义的步 骤,也是我们希望语言理解系统能够做到的事情。

机器翻译

长久以来,机器翻译(MT)都是语言理解的圣杯,人们希望能找到从根本上提供高品 质的符合语言习惯的任意两种语言之间的翻译。其历史可以追溯到冷战初期,当时自动翻译 的许诺带来大量的政府赞助,它也是 NLP 本身的起源。

今天,特定语言之间实用的翻译系统已经存在,有些已经集成到搜索引擎中了。但是, 这些系统有一些严重的缺点。

我们可以在 NLTK 的“babelizer”的帮助下探索它们(当你使用 from nltk.book import * 导入本章的材料时,已经自动装载了)。这个程序把提交的英 文句子翻译成指定语言,然后把结果重新翻译回英文。这样重复 12 次结束或者得到曾经产 生过的翻译时(表示一个循环)结束。

>>> babelize_shell()

NLTK Babelizer: type 'help' for a list of commands.

Babel> how long before the next flight to Alice Springs?

Babel> german

Babel> run

0> how long before the next flight to Alice Springs?

1> wie lang vor dem folgenden Flug zu Alice Springs?

2> how long before the following flight to Alice jump?

3> wie lang vor dem folgenden Flug zu Alice springen Sie?

4> how long before the following flight to Alice do you jump?

5> wie lang, bevor der folgende Flug zu Alice tun, Sie springen?

6> how long, before the following flight to Alice does, do you jump?

7> wie lang bevor der folgende Flug zu Alice tut, tun Sie springen?

8> how long before the following flight to Alice does, do you jump?

9> wie lang, bevor der folgende Flug zu Alice tut, tun Sie springen?

10> how long, before the following flight does to Alice, do do you jump?

11> wie lang bevor der folgende Flug zu Alice tut, Sie tun Sprung?

12> how long before the following flight does leap to Alice, does you?

请看,该系统正确地把 Alice Springs 从英文翻译成了德文(第 1 行),但在翻译回英文 时却以 Alice jump 结束(第 2 行)。介词 before 一开始被翻译成对应的德文介词 vor,但后 来变成了连词 bevor(第 5 行)。第 5 行以后的句子变的没有意义(但请注意以逗号指示的各 种分句,以及从 jump 到 leap 的变化)。翻译系统不能识别一个词是某个名字的一部分,并 且弄错了语法结构。语法问题在下面的例子中更加明显。是约翰发现了猪,还是猪找到约翰?

>>> babelize_shell()

Babel> The pig that John found looked happy

Babel> german

Babel> run

0> The pig that John found looked happy

1> Das Schwein, das John fand, schaute gl?cklich

2> The pig, which found John, looked happy

机器翻译是困难的,因为一个给定的词可能有几种不同的解释(取决于它的意思),也 因为必须改变词序才能与目标语言的语法结构保持一致。

今天,这些困难遇到新情况,从新 闻和政府网站发布的两种或两种以上的语言文档中可以收集到大量的相似文本。给出一个德 文和英文双语的文档或者一个双语词典,我们就可以自动配对组成句子,这个过程叫做文本 对齐。一旦我们有一百万或更多的句子对,就可以检测出相应的词和短语,并建立一个能用 来翻译新文本的模型。

(注意:这里要使用机器翻译需要下载完整的nltk包,只下载book包在run的时候是会报错的)

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI科技大本营的专栏

谷歌大脑深度学习从入门到精通视频课程[6.1]:自动编码器——定义

AI100 已经引入 Hugo Larochelle 教授的深度学习课程,会每天在公众号中推送一到两节课,并且对视频中的 PPT 进行讲解。课后,我们会设计一...

36712
来自专栏ACM小冰成长之路

HDU-5935-Car

ACM模版 描述 ? 题解 车子从起始位置 00 开始到达终点一共有 NN 个位置被标记,每个位置被标记的时间都是整数时间,并且车子速度在每段儿都可以理解为匀速...

1918
来自专栏AI科技评论

学界 | 周志华西瓜论の海外版:谷歌工程师用芒果解释机器学习

想必对人工智能有所了解的同学,都学习过周志华教授深入浅出的《机器学习》吧? ? AI科技评论认为,其中尤为让人印象深刻的地方,莫过于从封面到每一章节贯彻的西瓜理...

3276
来自专栏Java架构师历程

从一道简单的面试题考查应聘者的技术能力

导读:在日常的招聘中,一个比较头疼的问题是,如何考察应聘者的技术能力,本文从一个简单的笔试题的角度,谈谈自己不成熟的经验。

1052
来自专栏数据结构与算法

博弈论进阶之Every-SG

因为两个人都顶尖聪明,因此当一个人知道某一个游戏一定会输的话,它一定会尽力缩短游戏的时间,当它知道某一个游戏一定会赢的话,一定会尽力延长游戏的时间(毕竟都是为了...

42211
来自专栏数据结构与算法

P2066 机器分配

题目背景 无 题目描述 总公司拥有高效设备M台,准备分给下属的N个分公司。各分公司若获得这些设备,可以为国家提供一定的盈利。问:如何分配这M台设备才能使国家得到...

2807
来自专栏大数据文摘

乔治·布尔二百周年:数理逻辑奠基者其人其事

2165
来自专栏量子位

自学几小时,斯坦福AI推测并复现了元素周期表 | 华裔团队研究

853
来自专栏CDA数据分析师

R语言的好与坏丨讲座中字视频丨附讲座PDF

R是一种用于分析数据的领域特定语言。为什么数据分析需要自己的领域特定语言(DSL) ? R语言擅长些什么,不擅长什么?开发人员该如何利用R语言的优势并减轻其弱点...

2529
来自专栏斑斓

透过文学经典理解软件设计的抽象思想

博尔赫斯(Jorge Luis Borges)有一篇奇文,曰《博闻强记的富内斯》,以纪实手法杜撰了一个具有非凡记忆能力的传奇人物富内斯。博尔赫斯自云:“(《博闻...

1165

扫码关注云+社区