Г.В. Дорохина, В.А. Акчурин
Введение
Обработку естественно-языковых текстов (ЕЯТ) относят к области искусственного интеллекта. Технологии обработки ЕЯТ нашли своё применение в системах машинного перевода, поисковых системах в сети Интернет, роботах-автоответчиках [1] и т.д.
Одним из первых этапов обработки ЕЯТ является морфологический анализ слов, содержащихся в тексте. В настоящее время средства морфологического анализа русскоязычных текстов являются достаточно развитыми – результаты их оценки представлены в [2], [3].
К настоящему времени ИПИИ разработаны модуль декларативного морфологического анализа слов русского языка «РДМА_ИПИИ» [4] и модуль морфологического анализа без словаря [5]. РДМА_ИПИИ в явном виде хранит парадигмы слов -около 3 млн словоформ, синтезированных по словарю А. А. Зализняка [6].
Оценка применения упомянутых модулей в рамках форума «Оценка методов автоматического анализа текста: морфологические парсеры русского языка» показала, что словарная база РДМА_ИПИИ содержит ряд ошибок, часть из которых связана с неверным заданием морфологической информации (МИ) словоформ – набора грамматических характеристик, присущих словоформе. Источником этих ошибок могли служить поэтапное расширение набора грамматических характеристик, используемых в модуле, а также многочисленные процедуры пополнения и корректировки , ной базы, в ходе совершенствования её наполнения.
Наличие ошибок в словарной базе РДМА_ИПИИ влечет за собой некорректные таты морфологического анализа. Так как словарная база РДМА_ИПИИ явля-источником для наполнения базы данных модуля морфологического анализа без ооваря, ошибки в ней впоследствии распространятся и на результаты бессловарного логического анализа.
В связи с этим актуальной является разработка методик проверки словарных наличие некорректных МИ и методики корректировки словарной'базы.
Объект исследования – словарная база модуля морфологического анализа. Предмет исследования – корректность морфологической информации.
Цель работы – коррекция словарной базы модуля морфологического анализа РДМА_ИПИИ. Для достижения цели поставлены и решены следующие задачи:
- генерация правил выявления некорректных значений МИ на основе теоретических данных и классификация видов ошибок;
- разработка рекомендаций по коррекции словарной базы.
Правила выявления некорректных значений МИ
Для анализа словарной базы на наличие некорректных значений МИ выберем из неё все значения МИ без повторений. В результате количество различных значений МИ составило 1359.
На основе теоретических данных [7], [8] был сформирован набор из 96 правил. Эти правила можно представить в виде двух таблиц. Табл. 1 отражает перечень обязательных и недопустимых грамматических категорий для частей речи. В этой таблице грамматическая категория, обязательная для некоторой части речи, отмечена цифрой «1» на пересечении соответствующего столбца и строки, а недопустимая грамматическая категория для некоторой части речи – цифрой «О».
Пустые ячейки таблицы на пересечении столбца и строки указывают на то, что грамматическая категория не является обязательной для всех словоформ данной части речи, в то же время парадигма слов данной части речи содержит хотя бы одну словоформу, которой присуща указанная грамматическая категория. В табл. 2 представлены правила определения некорректных значений МИ для случаев, соответствующих пустым ячейкам табл. 1.
Таблица 1 – Обязательные и недопустимые категории для частей речи
| Грамматическая категория Часть речи | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | |
| Падеж | Время | Лицо | Степень сравнения | Вид глагола | Тип числительного | Тип местоимения | Залог | Число | Род | Возвратная форма глагола | Одушевленность | ||
| 1 | Наречие | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | |
| 2 | Деепричастие | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | ||
| 3 | Причастие | 1 | 1 | 0 | 0 | 1 | 1 | 0 | |||||
| 4 | Местоимение-прилагательное | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ||||
| 5 | Глагол | 0 | 0 | 1 | 0 | 0 | 0 | ||||||
| 6 | Местоимение-существительное | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | |||
| 7 | Существительное | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | |||
| 8 | Прилагательное | 0 | 0 | 0 | 0 | 0 | 0 | 0 | |||||
| 9 | Числительное | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ||||
Для последующей ссылки на правила данной таблицы необходимо каждому из них присвоить некоторый идентификатор.
Правилам табл. 1 присвоим двойной номер. Первая часть будет обозначать часть речи, к которой применяется правило, вторая – номер морфологической категории. Таким образом, правило, запрещающее ненулевое значение категории «Падеж» у глаголов,будем обозначать П5.1.
Таблица 2 – Правила определения некорректных значений МИ
| Часть речи | Условие | Ошибка | № |
| Прилагательное | Число = Множественное И Род≠0 | Определен род во множественном числе прилагательного | 1 |
| Число = Единственное И Род=0 | Не определен род в единственном числе прилагательного | 2 | |
| 0душевленность=0 И Падеж=В.п. И (Число=Мн. ИЛИ Род=м.р.) | Не определена одушевленность | 3 | |
| Одушевленность≠0 И (Падеж≠В.п. ИЛИ Число=Ед. И Род≠м.р.) | Определена одушевленность | 4 | |
| Степень сравнения = Сравнительная Степень И Род≠0 | Определен род в сравнительной степени прилагательного | 5 | |
| Степень сравнения = Сравнительная И Число≠0) | Определено число в сравнительной степени прилагательного | 6 | |
| Степень сравнения = Сравнительная И Краткость≠0 | Определена краткость в сравнительной степени прилагательного | 7 | |
| Степень сравнения = Сравнительная И Падеж≠0 | Определен падеж в сравнительной степени прилагательного | 8 | |
| Краткая форма И Падеж≠0 | Определен падеж | 9 | |
| Числительное | Тип Числительного = Порядковое И Число = Множественное И Род ≠0 | Определен признак рода | 10 |
| Тип Числительного = Порядковое И Число = Единственное И Род = 0 | Не определен признак рода | 11 | |
| Тип Числительного = Порядковое И Число = 0 | Не определено число | 12 | |
| Падеж=В.п. И 0душевленность=0 И (Число=Мн. ИЛИ Род=м.р.) | Не определена одушевленность | 13 | |
| Одушевленность≠0 И (Падеж≠В.п. ИЛИ Число=Ед. И Род≠м.р.) | Определена одушевленность | 14 | |
| Глагол | Вид глагола = Совершенный И Время = Наст. вр. | Настоящее время у глагола совершенного вида | 15 |
| Вид глагола = Несовершенный И Время = Буд. | Будущее время у глагола несовершенного вида | 16 | |
| Наклонение = Повелительное И Время≠0 | Определено время в повелительном наклонении глагола | 17 | |
| Лицо≠0 И Род≠0 | Не заданы лицо и род глагола | 18 | |
| Лицо = 0 И (Время = Наст. вр. ИЛИ Время = Буд. ИЛИ Наклонение = Повелительное) | Не определено лицо | 19 | |
| Время = Прош. вр. И Род = 0 | Не определен род | 20 | |
| Переходи. = Непереходный И Залог = Страдательный | Неверный залог | 21 | |
| Форма глаг. = Возвратная И Залог = Страдательный | Неверный залог | 22 | |
| Причастие | Залог = 0 | Не определен залог | 23 |
| Непереходный И Залог = Страдательный | Неверный залог причастия | 24 | |
| Вид=Совершенный И Время≠Прош.вр. | Неверное время | 25 | |
| Число=ед. И Род=0 | Не определен род | 26 | |
| Число=мн. И Род≠0 | Определен род | 27 | |
| Число=0 | Не определено число | 28 | |
| НЕ Краткая форма И Падеж=0 | Не определен падеж | 29 | |
| Краткая форма И Падеж≠0 | Определен падеж | 30 |
В табл. 2 знаки равенство нулю («=0») значения некоторой грамматической категории обозначает, что эта категория не определена в анализируемой МИ, а неравенство нулю («^0») говорит об определенности категории в анализируемой МИ. Ссылки на правила табл. 2 будем делать по их порядковому номеру (4-й столбец). Например, П28.
С применением описанных выше правил (табл. 1,2) проведена проверка словарной базы РДМА_ИПИИ на наличие некорректных МИ. В результате было выявлено 211 значений МИ и около 44 500 словоформ, требующих корректировки.
Корректировка словарной базы РДМА_ИПИИ
Внесение автоматических изменений в словарную базу может явиться источником новых ошибок. В связи с этим идеология модуля РДМА_ИПИИ требует проверки человеком запланированных изменений.
Так как количество записей, отнесённых к ошибочным, исчисляется десятками тысяч, необходимо автоматизировать процесс классификации некорректных МИ и формирования рекомендаций по корректировке словарной базы. При этом будем использовать следующую методику.