Dezvoltarea unui parser de roluri semantice pentru limba ... - ConsILR

Dezvoltarea unui parser de
roluri semantice
pentru limba română
Diana Trandabăț și Dan Cristea
Facultatea de Informatică, Universitatea Al. I. Cuza Iași
Institutul de Informatică Teoretică, Academia Română, Iași
ConsILR 2010

Structura lucrării
Descrierea rolurilor semantice
Corpus de roluri semantice pentru limba
română
Dezvoltarea unui parser de roluri
semantice
Rezultate
Discuții

Roluri semantice
Cine, ce, unde, când, de ce face?
Predicate
Verbe: a vinde, a cumpăra,
a costa etc.
Substantive: cumpărare

Roluri semantice
Cine, ce, unde, când, de ce face?
Predicate
Verbe: a vinde, a cumpăra,
a costa etc.
Substantive: cumpărare
Roluri semantice
Cumpărător
Vânzător
Bani
Bunuri
Timp
etc.

Roluri semantice
Cine, ce, unde, când, de ce face?
Predicate
Verbe: a vinde, a cumpăra,
a costa etc.
Substantive: cumpărare
Roluri semantice
Cumpărător
Vânzător
Bani
Bunuri
Timp
etc.
Cadru
semantic

Roluri semantice
Cine, ce, unde, când, de ce face?
Predicate
Verbe: a vinde, a cumpăra,
a costa etc.
Substantive: cumpărare
Roluri semantice
Cumpărător
Vânzător
Bani
Bunuri
Timp
etc.
Cadru
semantic
Argumente
Adjuncți

Resursa de roluri semantice pentru
limba română
Pentru limba engleză: FrameNet, PropBank,
VerbNet.
Pentru limbile germană, japoneză, spaniolă:
plecând de la metodologia FrameNet, au fost
create noi resurse în cadrul unor ample
proiecte de cercetare.
Pentru limba română: ?

Resursa de roluri semantice pentru
limba română
Intuiţia: majoritatea cadrelor definite pentru o
limba ar trebui să fie valide pentru alte limbi
Cadrele semantice exprimă structuri
conceptuale, independente de limbă, la nivelul
structurii de adâncime.
Metoda: Corelând rolurile semantice pentru
propoziţiile engleze cu varianta corespunzătoare
în limba română (traducerea lor).

Resursa de roluri semantice pentru
limba română
Traducere: 1500 propoziţii din FrameNet-ul
englezesc.
Aliniere la nivel de cuvânt a propoziţiilor din
limba engleză cu cele din limba română folosind
aliniatorul dezvoltat de ICIA (COWAL).
Import automat al adnotării la roluri semantice
prin transferarea rolurilor de corespunzătoare
unui cuvânt englez către echivalentului său
românesc.
Validarea importului.

Resursa de roluri semantice pentru
limba română

Resursa de roluri semantice pentru
limba română
Transferarea adnotării din limba engleză spre
limba română s-a făcut considerând importul
o problemă de etichetare secvențială, folosind
codificare B-I-O.
Au fost identificate 9 cazuri de import, dintre
care cele mai frecvente sunt: 1:1, 1:0, 1:n,
n:1.
Acuratețe: 83%

Probleme de import
Cazuri în care există mai multe adnotări posibile în
engleză. Programul le importă pe ambele.
Cazuri în care limba română are roluri semantice ce
nu apar în limba engleză.
Cazuri în care un rol din limba engleză nu este
exprimat în limba română:
The hope is that [they] Protagonist occur infrequently.
Speranța e că apar rareori.
the [seven-day] Time [cessation] TARGET [of hostilities] Process
[armistițiul] Target [de 7 zile] Time

Dezvoltarea unui parser de roluri
semantice pentru limba română
Pentru etichetarea automată a rolurilor pentru
limba engleză: estimarea probabilităților
(Gildea and Jurafsky, 2002), arbori de decizie
(Surdeanu et al., 2003), mașini cu suport
vectorial (Pradhan et al., 2005) și învățarea
bazată pe memorie (Morante et al., 2008).
Pentru limba română: PASRL (arbori de
decizie).

Dezvoltarea unui parser de roluri
semantice pentru limba română
Identificarea predicatelor: decide care dintre
verbele și substantivele din propoziție sunt
predicaționale, și deci pentru care trebuie
căutate roluri semantice;
Identificarea rolurilor semantice: identifică,
pentru fiecare predicat, ce rol are fiecare
dependent al predicatului.

Trăsături pentru identificarea
predicatelor
cuvântul predicațional se află sau nu în lista de
predicate adnotate în resursa pentru limba
română;
dependenți sintactici (număr, poziție);
relații de dependență, părțile de vorbire și
grupurile pentru n-grame.

Trăsături pentru identificarea
rolurilor semantice
partea de vorbire a cuvântului, relația de
dependența sintactică față de predicat, grupul
sintactic din care face parte;
partea de vorbire a regentului cuvântului, verb
copulativ sau modal;
distanța de la cuvânt până la predicat (în număr
de cuvinte);
hipernimul din WordNet-ul românesc, pentru
substantive.

Rezultate
Evaluarea performanțelor folosind 10-fold crossvalidation
pe corpusul de antrenament indică o
precizie de 74% și un recall de 64%.
Text neadnotat
Pre-procesare: analiza morfo-lexicală (serviciu
web ICIA) și dependențele sintactice (parser
FDG).
F-measure de 58%, ceea ce indică un început
promițător, având în vedere dimensiunea redusă
a corpusului pe care s-a efectuat învățarea
(1500 de propoziții).

Concluzii și direcții viitoare
Am prezentata un corpus de roluri semantice
pentru limba română;
Dezvoltarea unui sistem de etichetare automată
a rolurilor semantice pentru limba română.
Crearea unui serviciu web.
Utilizarea importului bazat pe arbori sintactici, și
nu (doar) pe aliniere.
Aplicarea sistemului de etichetare la aplicații
NLP oentru limba română.

Vă mulțumim pentru atenție!

Semantic Role Import
One-to-zero import: the English word has no
Romanian correspondent -> no action is needed.
One-to-one import: the English word has only one
Romanian word as translation -> transfer:
One-to-many import: one English word being
translated with two or more Romanian words.
Based on empiric observations and the semantic
roles nature, we decided to apply the following rule:

Semantic Role Import
Many-to-one import: two or more English words
align with the same Romanian word (e.g. the definite
article).
Zero-to-one import: This case requires introducing
a frame annotation to the Romanian word, without
having a frame annotation in English. A Romanian has
an I_Fi annotation when the word interrupts a frame
(it breaks a consecutive sequence of B_Fi and I_Fi).
Otherwise, the Romanian word will have the frame O
NO-Frame.