基于AMR的中文句子語義標注及統(tǒng)計分析.pdf

1、一直以來，語義分析都是自然語言處理領域的一大難題。在如今的大數(shù)據(jù)時代，基于機器學習的詞性標注、句法分析研究已經(jīng)日益完善，機器翻譯、人工智能等領域的發(fā)展越發(fā)依賴深入的句子語義分析。AMR(Abstract Meaning Representation)作為一種句子語義表示方法，其語義表示結(jié)果是一個單根有向無環(huán)圖;而且AMR表示的是句中的概念以及概念間的關(guān)系，在從詞語到概念以及關(guān)系的抽象過程中，可以根據(jù)句子的語義適當新增概念或刪減句中的詞語

2、。因此，較之其他語義表示方法，AMR可以更完整地表示句子中豐富的語義信息。但是AMR目前主要是針對英文展開的研究，其體系并不適用于中文句子的語義表示。基于以上原因，本文決定將中文句子的語義表示作為研究目標，在詳細梳理了AMR的發(fā)展歷程、體系及AMR的自動分析等內(nèi)容后，以AMR的體系為基礎，建立一套適用于中文句子的抽象語義表示方法(Chinese AMR，CAMR)。
　　本研究建立的CAMR標注體系主要包括兩部分:對AMR的繼承與

3、發(fā)展以及CAMR標注規(guī)范。該標注規(guī)范不僅制定了一套詳細的標記集，而且對中文中常見的和特殊的語言現(xiàn)象作了細致的定義。其中，標記集分為概念和關(guān)系兩部分。概念部分不僅僅對表示回指、語氣、各種疑問代詞、數(shù)量類型、專有名詞等的處理做了規(guī)定，還增加了表復句的概念。關(guān)系部分共包括5種核心語義關(guān)系，42種非核心語義關(guān)系。規(guī)范中的每一條細則都給出了具體的中文示例。
　　在制定的標注規(guī)范的基礎上，本文展開了第二項工作——語料標注。整個語料標注過程分為

4、兩個階段。第一階段選取了中文版《小王子》進行標注。在語料的標注過程中，根據(jù)語料的實際分析需求，反復討論修改標記集，不斷完善CAMR的標注規(guī)范;第二階段在仔細比較了多種語料的基礎上，選取了中文賓州樹庫(CTB)語料作為標注對象。最終共標注得到《小王子》語料1562句，CTB語料5000句。
　　在語料標注完成后，本文又針對CAMR的一系列特點進行了相應的統(tǒng)計分析。首先，針對CAMR的分析結(jié)果是單根有向無環(huán)圖的這個特點對語料進行了統(tǒng)計

5、，發(fā)現(xiàn)語料中有39.96％的句子是圖結(jié)構(gòu)，這有力地證明了用圖結(jié)構(gòu)來表示中文句子的語義是必要的。接著，針對CAMR可以新增概念和刪減詞語的這一特點進行了統(tǒng)計，發(fā)現(xiàn)語料中有95.2％的句子在用CAMR表示時，進行了新增概念的操作，有96.94％的句子進行了刪減詞語的操作。這說明了在表示句子語義時，新增概念和刪減詞語這種抽象是必要的，也進一步證明了CAMR繼承AMR，使用抽象的方法來表示句子語義是合理且必要的。最后，鑒于謂詞一直都是句法語義研