中文詞匯網(wǎng)路跨語(yǔ)言知識(shí)處理基礎(chǔ)架構(gòu)的設(shè)計(jì)理念與實(shí)踐

1、Corpus Linguistics0961128 洪萱眉中文詞彙網(wǎng)路：跨語(yǔ)言知識(shí)處理基礎(chǔ)架構(gòu)的設(shè)計(jì)理念與實(shí)踐 黃居仁 謝舒凱 洪嘉馡 陳韻竹 蘇依莉 陳永祥 黃勝偉Ø 1 前言 a. 中文詞網(wǎng)小組(Chinese WordNet Group) 結(jié)合分析詳盡的中文詞彙詞義資料，與網(wǎng)路科技的技術(shù)，初步開(kāi)發(fā)了中文詞彙(Chinese WordNet)，以利於提供中文詞彙詞義的相關(guān)訊息，也便於從事中文詞彙詞義的研究所需。 b. 在語(yǔ)言內(nèi)部知識(shí)的完整表達(dá)上，則是建立在完整的詞義關(guān)係系統(tǒng)上，利用類義詞(paranym) 整合對(duì)比語(yǔ)意關(guān)係為主的詞彙網(wǎng)路與界定語(yǔ)意場(chǎng)的不同分類系統(tǒng)(taxonomy

2、)，更以完整標(biāo)記的跨語(yǔ)言詞義關(guān)係作為多語(yǔ)知識(shí)系統(tǒng)對(duì)應(yīng)的基礎(chǔ)。Ø 2. 中文詞彙意義的知識(shí)檢索研究發(fā)展2.1 詞義與義面區(qū)分的基礎(chǔ)與應(yīng)用a. 詞網(wǎng)是以詞義(sense) 與語(yǔ)意關(guān)係為人類語(yǔ)言知識(shí)表達(dá)的基本架構(gòu)。建構(gòu)完成的詞彙語(yǔ)意網(wǎng)，一方面可作為語(yǔ)言學(xué)研究的素材，另一方面在資訊處理上，可作為自然語(yǔ)言處理以及諸多實(shí)際應(yīng)用的基石。b. 詞網(wǎng)裡有兩項(xiàng)重要的元素：(i) 以詞彙為依據(jù)的詞彙分組(即所謂的同義詞集(synset)。(ii) 連繫詞集的語(yǔ)意關(guān)係。 2.2 詞義判準(zhǔn)原則a. 對(duì)某一詞彙在語(yǔ)境中傳達(dá)訊息的理解，區(qū)分出相同的彙(形)的不同涵義，即稱為意義(meaning)；根據(jù)適當(dāng)?shù)臉?biāo)準(zhǔn)，

3、判斷初步析分的合理性、進(jìn)行意義的分合、細(xì)分等而得到最後的結(jié)果，稱為詞義(sense)。在某些語(yǔ)境下，詞可能會(huì)受語(yǔ)境影響而暫時(shí)改變意義，但人們是可區(qū)分出，而這樣的意義區(qū)分，稱為義面(meaning facet)，是中文詞網(wǎng)中處理文獻(xiàn)中所謂規(guī)則化多義(regular polysemy)的重要?jiǎng)?chuàng)新。b. 詞義判斷標(biāo)準(zhǔn)有五個(gè)基本原則：(1)一義一項(xiàng)、(2)一物一義、(3)一事一義、(4)義不隨境遷和(5) 義面由觀點(diǎn)與語(yǔ)境定義。 2.3 詞義描述規(guī)範(fàn)黃居仁等(2003)所提出之詞義區(qū)辨原則與操作原作，是中文詞義資料庫(kù)建檔與詞義區(qū)辨小詞典篇纂的依據(jù)。本詞典盡可能提供各詞目(lemma)完整而且正確的訊息

4、，包含標(biāo)音(漢音拼音和國(guó)語(yǔ)注音)、釋義、英文對(duì)譯、詞類、例句和附註。Ø 3.中文詞彙知識(shí)檢索系統(tǒng)設(shè)計(jì) 3.1 SSMS系統(tǒng) (Sinica Sense Management System)a. 為了讓機(jī)器讀取並儲(chǔ)存大量的詞彙詞義區(qū)的資料，以詞彙知識(shí)為基礎(chǔ)，來(lái)整合詞彙詞義的訊息，開(kāi)發(fā)了中研究詞彙詞義管理系統(tǒng)(SSMS)。(Huang et,al.,2005)b. 功能: 進(jìn)行詞彙的查詢、詞義的新增、修改以及例句和WordNet同義詞集的查詢和輪入。3.2 CWN介面 在設(shè)計(jì)階段，以使用者角度和系統(tǒng)功能發(fā)展角度為考量，共同建立起系統(tǒng)架構(gòu)與操作流程，詳細(xì)描述系統(tǒng)範(fàn)圍內(nèi)相關(guān)之資料結(jié)構(gòu)以及操作

5、步驟，特別設(shè)計(jì)一套整合式即時(shí)查詢的方法(陳 等,2006)，提供系統(tǒng)使用者一個(gè)整合查詢介面快速查詢及瀏覽有興趣的各個(gè)詞義資訊。主要的出發(fā)點(diǎn)是對(duì)詞彙與語(yǔ)義相關(guān)的內(nèi)容，做廣泛與有效的檢索，同時(shí)也藉著檢索的比對(duì)，來(lái)確保釋義語(yǔ)言及語(yǔ)義區(qū)分的一致性及強(qiáng)健性。此外，從2006年開(kāi)始，中文詞網(wǎng)詞義區(qū)分資料庫(kù)的成果網(wǎng)路化，以方便提供給使用者直接查詢。因此，目前命名為中文詞彙網(wǎng)路(Chinese WordNet)。3.3 Sense Tagging系統(tǒng) 為了證實(shí)已分析的詞義可完整地表現(xiàn)在實(shí)際語(yǔ)言上，詞網(wǎng)小組設(shè)計(jì)出一個(gè)超過(guò)十一萬(wàn)詞的大規(guī)模中文詞義全文標(biāo)示語(yǔ)料系統(tǒng)，已經(jīng)分析過(guò)的詞義為基礎(chǔ)，以中研院平衡語(yǔ)料庫(kù)為標(biāo)示對(duì)

6、象，從中摘錄56篇完整文章，利用N-Gram與搭配資訊等語(yǔ)言知識(shí)，並結(jié)合機(jī)器學(xué)習(xí)技巧以及機(jī)率模式的方式作為處理自動(dòng)詞義標(biāo)示的前置作業(yè)工作，最後為達(dá)高精確之效果，再將自動(dòng)產(chǎn)生之標(biāo)示結(jié)果經(jīng)由人工校訂而成。 a. 由於人工標(biāo)示需要昂貴的成本，造成語(yǔ)料庫(kù)標(biāo)示語(yǔ)意工作的難產(chǎn)，因此，提出一套自動(dòng)詞義標(biāo)示的方法，作為標(biāo)示詞義的前置作業(yè)，再經(jīng)由專門(mén)人士校訂。根據(jù)柯等(2007)的研究，自動(dòng)標(biāo)示詞義的方法，採(cǎi)用誘導(dǎo)式方法(bootstrap)逐步方寬標(biāo)示條件，來(lái)擴(kuò)增標(biāo)式語(yǔ)料。 b. 自動(dòng)標(biāo)示詞義可分為兩個(gè)階段:(i) N-gram模式:將標(biāo)示出詞義的資料加入訓(xùn)練集中，以作為第二階段的訓(xùn)練語(yǔ)料。而使用N-gram

7、的目的為擴(kuò)大訓(xùn)練集和過(guò)濾訓(xùn)練資料集的雜訊。(ii) 搭配：使用搭配資訊來(lái)增加標(biāo)示集數(shù)量，搭配資訊是一種很強(qiáng)的語(yǔ)言關(guān)係，能決定目標(biāo)詞彙之詞義。3.4 中英雙語(yǔ)知識(shí)本體詞網(wǎng) (Bilingual Ontological Wordnet, 簡(jiǎn)稱BOW)a. 為了追求語(yǔ)言知識(shí)架構(gòu)的豐富性，詞網(wǎng)小組採(cǎi)用建議上層共用知識(shí)本體(Suggested Upper Merged Ontology, 簡(jiǎn)稱SUMO)為基礎(chǔ)來(lái)進(jìn)行語(yǔ)言知識(shí)的對(duì)照。 c. Sinica BOW主要使用的資源有: WordNet, ECTEC(English-Chinese Translation Equivalents Database)

8、，及SUMO。 (i) ECTEC: 由WordNet為基礎(chǔ)，經(jīng)由現(xiàn)有的中英或英中電子辭典的詞形對(duì)應(yīng)，替每個(gè)同義詞集的詞義找出相對(duì)應(yīng)的中譯詞組，再經(jīng)由人工檢驗(yàn)。 (ii) SUMO: 知識(shí)本體是以格式化的方式表達(dá)概念(concept)、關(guān)係(relation)和公理(anxioms)。上層知識(shí)本體將一般性、後設(shè)性(meta)、摘要性及哲學(xué)類的概念指出，所以特殊領(lǐng)域的概念可由其中的概念涵蓋，但特殊領(lǐng)域的知識(shí)本體由各領(lǐng)域自行制訂。Ø 4. 詞彙語(yǔ)意關(guān)係表達(dá)與預(yù)測(cè) 4.1 詞彙語(yǔ)意關(guān)係表達(dá) a. 在CWN裡，參考了普林斯頓WordNet的語(yǔ)意關(guān)係連結(jié)，如:同義詞、反義詞等。另外， 詞網(wǎng)小組

9、也開(kāi)發(fā)了類義詞(paranymy)的語(yǔ)義關(guān)係連結(jié)，主要以WordNet為框架，在姊妹詞彙(sister terms) 中的解釋豐富的概念關(guān)係(rich conceptual relations)。 b. 類義詞可以為兩大類: (i) 相對(duì)類義詞(contrary paranymy): 除了有比較級(jí)和最高級(jí)外，語(yǔ)意關(guān)係的詞彙也可以是中等程度的詞彙，例如：溫的。此外，又可被分為類成認(rèn)知、感官類(perceptional paradigms)或約定俗成類(conventional paradigms)。 (ii) 重疊類義詞(Overlapping Paranymy): 兩個(gè)姊妹詞彙共同擁有一些相同

10、的特徵。根據(jù)語(yǔ)言約定俗成的用法來(lái)解釋與區(qū)分，通常與語(yǔ)言的使用與經(jīng)驗(yàn)相符合。例如：箱子vs.盒子，河vs.江。 4.2 詞彙語(yǔ)意關(guān)係預(yù)測(cè) 詞網(wǎng)小組提出一個(gè)模形 Bootstrapping from Multilingual Wordnets。此模型是基於中文詞網(wǎng)小組一系列之相關(guān)研究所得出。主要論點(diǎn)為假定在詞彙語(yǔ)意標(biāo)記上，可借力於其他已成形的詞網(wǎng)的跨語(yǔ)詞義關(guān)係資源。因此，詞網(wǎng)小組提出了平行進(jìn)行詞義標(biāo)記所涉及之邏輯條件，並以反向回饋驗(yàn)證。Ø 5. 語(yǔ)言知識(shí)整合與應(yīng)用 中文詞彙網(wǎng)路的發(fā)展過(guò)程中，與歐洲語(yǔ)言、日語(yǔ)以及兩岸中文之詞彙對(duì)應(yīng)進(jìn)行了語(yǔ)言知識(shí)整合與應(yīng)用之嘗試。5.1 跨語(yǔ)言知識(shí)系統(tǒng)的對(duì)比

11、與應(yīng)用 為了解決全球多語(yǔ)化所帶來(lái)的問(wèn)題，中文詞彙網(wǎng)路小組設(shè)計(jì)跨語(yǔ)言的知識(shí)資訊整合平臺(tái)。設(shè)計(jì)核心主軸為產(chǎn)生的內(nèi)容可協(xié)作的(content interoperability) 標(biāo)準(zhǔn)化製作，跨語(yǔ)言之分散性知識(shí)與交換機(jī)制，及其存取與檢索介面。實(shí)作方法：以知識(shí)本體驅(qū)動(dòng)的方式，利用上層知識(shí)本體與全球詞彙網(wǎng)路網(wǎng)格之串接作為知識(shí)核心，以文本知識(shí)發(fā)掘與語(yǔ)意分析技術(shù)為輔。 5.2 兩岸詞彙對(duì)應(yīng)a. Chinese Concept Distionary (CCD)中英語(yǔ)的詞網(wǎng): 發(fā)展架構(gòu)以WordNet為主。依據(jù)CCD發(fā)展手冊(cè)記載，詞義的首要條件不可以破壞原本W(wǎng)ordNet之於同義詞集定義概念與其語(yǔ)義關(guān)係架構(gòu)。此外，CCD的研究團(tuán)隊(duì)不止表現(xiàn)對(duì)中文詞彙內(nèi)涵的表達(dá)，也發(fā)展了中文詞彙語(yǔ)義與概念的關(guān)係性，以利於強(qiáng)調(diào)中文的特質(zhì)。b. CCD的研究團(tuán)隊(duì)專注在整個(gè)CCD的架構(gòu)，提出同一概念的同義詞集的定義，其所呈現(xiàn)的概念、定義和概念網(wǎng)的上下位語(yǔ)義關(guān)係，每一個(gè)同義詞集都有其基本關(guān)係，彼此之間也有語(yǔ)義關(guān)係的存在。c. 繁體中文系統(tǒng)的英中對(duì)譯(CWN) 與 簡(jiǎn)體中文系統(tǒng)的英中對(duì)譯(CCD)，將詞類分為四大類來(lái)進(jìn)行對(duì)比：名詞、動(dòng)詞、形容詞和副詞。以WordNet為主，檢測(cè)在同一個(gè)Synset 中，將CWN的對(duì)譯詞彙與CCD的對(duì)譯詞彙加以進(jìn)行比對(duì)。d. 在同一個(gè)Synset中，CWN和CCD可能都會(huì)有多個(gè)相對(duì)應(yīng)的對(duì)譯詞彙。