3. Ә әбиәтҙ
Материал лекции представлен в
книге:
Ю.Н.Филиппович, А.В.Прохоров.
Семантика
информационных
технологий:
опыты словарно-тезаурусного
описания. /
Серия «Компьютерная лингвистика».
Вступ. Статья А.И.Новикова.
М.: МГУП, 2002.
— книга в комплекте с CD ROM
— С. 46–54.
5. КОНТЕКСТАР ЫҢ ЙЫШЛЫҘ Ҡ
ЫЛЫ ҺРЛАМАҺЫҠ Ҡ
Контекст Сi(T) — текст ө өгө, синтагмалар ың э мә-э леклелеге (сынйыр).ҙ ҙ ҙ ҙ
T = C1(T)+...+Cq(T), где Сi(T)∩ Cj(T)=∅, i,j (i≠j) ∈[1,q]
Әгәр синтагма телдең мәғәнәле элементы (һү ) булһа :ҙ
NA, fA=NA/N — А һү е генә тап булған контекстар нисбәте һәм йышлығыҙ ;
NB , fB=NB/N — В һү е генә тап булған контекстар нисбәте һәм йышлығыҙ
NAB , fAB=NAB/N — А менән В һү әре бергә тап килеүе кү әтелгән контекстарҙҙ ҙ
нисбәте һәм йышлығы .
6. «БӘЙЛӘНЕШ КӨСӨ» КОЭФФИЦИЕНТТАР
ФОРМУЛАҺЫ (1)
K f
N
NAB AB
AB
= =
K f f
N N N
NAB AB AB
A B
= + =
− −
f
N N N N
NAB
AB A B
=
− − −
K
N
N N NAB
AB
A B AB
=
+ −
— Т.Танимото (T.T.Tаnimоtо),
Л.Дойл (L.B.Dоуlе).
N
ffN
K BAAB
AB
⋅−
= — М.Мэйрон (M.E.Mаrоn),
Дж.Кунс (J.Kuhns).
7. «БӘЙЛӘНЕШ КӨСӨ» КОЭФФИЦИЕНТТАР
ФОРМУЛАҺЫ (2)
K
f N
f fAB
AB
A B
=
⋅
⋅
— А.Я.Шайкевич, Дж.Солтон (G.Sаltоn),
Р.Куртис (R.M.Curtiсе).
K
f N f f
f f N f N f
AB
AB A B
A B A B
=
⋅ − ⋅
⋅ ⋅ − ⋅ −( ) ( )
K
N N N
N N
AB
AB A B
A B
=
− ⋅
⋅
— С.Деннис (S.Dеnnis).
K
f N f f
N
N
f f N f N fAB
AB A B
A B A B
=
⋅ − ⋅ − ⋅
⋅ ⋅ − ⋅ −
log
[( ) ]
( ) ( )10
2
2 — Х.Е. Стайлз (H.E.Stilеs)
8. «БӘЙЛӘНЕШ КӨСӨ» КОЭФФИЦИЕНТТАР
ФОРМУЛАҺЫН АНАЛИЗЛАУ (1)
«Бәйләнеш көсө» коэффициенттарының бөтә
формулаларын да осра лы күренеш системаһы булара Аҡ ҡ
һәм В һү әре тап килгән ва иғалар ы арау берләштерә.ҙҙ ҡ ҙ ҡ
Ысул процедураһы түбәндәге фактты ра ларға яр ам итәҫ ҙ :
әгәр A һәм B – рекле ва иға булһа, P(AB)=P(A)P(B).ҡ
«Бәйләнеш көсө» коэффициентының и әп аңлатмаһыҫ
интерпретация (аңлатыу) талап итә.
Контекст дәүмәле ( күрше һү әр нисбәте) түбәндәгеләр еҙҙ ҙ
асы ларға мөмкинлек бирә:ҡ
а) 1–2 һүҙ — һү бәйләнештәр еңҙ ҙ контактлы синтагматик
бәйләнештәрен.
б) 5–10 һүҙ — дистант синтагматик бәйләнештәр һәм
парадигматик мөнәсәбәттәр
в) 50–100 һү — һү әр араһындаҙ ҙҙ тематик бәйләнештәр
11. КОМПОНЕНТЛЫ АНАЛИЗЛАУ
Компонентлы анализлау ысулы ике төшөнсәнең
икәү –ара бәйләнешен , улар ың аңлатмаларынҙ
анализлау ниге ендә табырға яр ам итә.ҙ ҙ
A
төшөсәһе
нең
аңлатмаһы
A
төшөнсәһе
fAB B
төшөнсәһе
B
төшөнсәһе
нең
Ысулдың төп модификациялары :
• Бәйләнештең нисбәт спецификацияһы .
• Гипертекст һылтанмаһы . Берәй текст йә
һүрәткә ба ып икенсе биткә,файлға сығаһыңҫ .
12. КОЛИЧЕСТВЕННАЯ СПЕЦИФИКАЦИЯ СВЯЗИ
Два слова А и В считаются связанными силой связи
fаb = k,
если в дефинициях каждого из них есть k общих слов
— множество одинаковых слов,
используемых в дефинициях слов A и B;
}{x
AB
i
— количество одинаковых слов.x
AB
i
k = , где = k >1
Кластеры слов, связанных между собой силой связи
f = k , k = 1, 2, 3, ..., K.
15. Ә әбиәтҙ
Караулов Ю.Н.
Частотный словарь
семантических множителей
русского языка.
– М.: Наука, 1980.
Караулов Ю.Н., В.И.Молчанов,
В.А.Афанасьев, Н.В.Михалев.
Анализ метаязыка словаря с
использованием ЭВМ.
– М.: Наука, 1982. – 96 с.
16. СЕМАНТИК МАЙ АНДАР ТӨ ӨҮҘ Ҙ (1)
Aa
k
DWwd ij
∈ Dw ji
∈
a ij wd
A
k
DW
,
әгәр булһа була , бында :
— wi һү е һәмҙ dj дескрипторы араһындағы семантик
көс аңлатмаһы
— һү һәм дескриптор араһындағы семантикҙ
бәйләнештәр көсөнөң абул ителгән аңлатмалар күмәклегеҡ
;
Dj = {wij} —дескриптор ың һү күмәклеге ;ҙ ҙ
wi — һү ,ҙ i = 1...|W|, W = {wi} — һү әр күмәклеге ;ҙҙ
dj — дескриптор, j = 1...|D|, D = {dj} —дескриптор ар күмәклеге.ҙ
Практик эш :
9000 һү е 1600 дескрипторға таратырғаҙҙ
17. СЕМАНТИК МАЙ АНДАР ТӨ ӨҮҘ Ҙ (2)
ПРАКТИК МӘСЬӘЛӘЛӘР СИСЕҮ ӨСӨН ҺОРАУ АРҘ
1.Һү әр е сағыштырыу ысулын билдәләүҙҙ ҙ
Семантик абатлаусыны табыу юлын һайлау (тамғалауҡ )
(лемматизация, ы артыу, тамыр табыу,,ҡ ҫҡ
һү ең ниге ен айырыу,, һү ең квазиниге ен айырыу)ҙҙ ҙ ҙҙ ҙ
• Һү ең семантик кодын табыу ысулын эшләүҙҙ
2. Семантик абатлаусылар ың йышлы параметр арынҡ ҙ ҡ ҙ
асы лау .ҡ
3. Һү әр ең һәм дескриптор ар ың семантик бәйләнешҙҙ ҙ ҙ ҙ
критерий арын табыу.ҙ
• Бәйләнгәнлектең тик бер осрағының феноменологик моделы
• K бәйләнгәнлектең феноменологик моделы
• Бәйләнгәнлектең абатлаусылар йышлығын и әпкә алыусыҡ ҫ
моделы.
19. СЕМАНТИК АБАТЛАУСЫНЫҠ
(КҮБӘЙТЕҮСЕНЕ) ТАБЫУ (ТАМҒАЛАУ )
САРАЛАРЫ
Лемматизация — һү ең каноник алыбын табыу .ҙҙ ҡ
Свертка —һү әр е йомоу, йәғни тәүге ижектең һу ың ыларынанҙҙ ҙ ҙ ҡ
баш а һу ың ылар ы алып ташлау.ҡ ҙ ҡ ҙ
Выделение корня —тамыр морфемалы һү әр.ҙҙ
Выделение основы слова — һү күп морфеманан тора –ҙ
префикстан һәм тамыр ан.ҙ
Выделение квазиосновы слова — һү ең ирекле башына һү еңҙҙ ҙҙ
төп мәғәнәһе ята .
20. ҺҮ ЕҢ СЕМАНТИК КОДЫН ТАБЫУ ЫСУЛЫҘҘ
ПРОЦЕДУР ЫСУЛДАР
1. Иң еңел кодлана торған һү е уның кодына индерергәҙҙ
2. Семантик абатлаусының абатланыуын булдырмау .ҡ ҡ
3. Фильтрация : «нулле » семантик абатлаусылар ы алыпҡ ҙ
ташлау (мә әлән , күренеш, күмәклек, система, һ.б.),ҫ
грамматик һү әр еҙҙ ҙ
(мә әлән повести, поискать, придержать һ.б.),ҫ
предлогтар, союздар һ.б..
4. атып алған һү бәйләнештәр е лексикализацияларғаҠ ҡ ҙ ҙ
(мә әлән ,ҫ железная дорога — желдор).
5. Һү әр ең квазиниге әрен тө өргә .ҙҙ ҙ ҙҙ ҙ
ЫСУЛДЫ ТОРМОШ А АШЫРЫУ ЙОМҒА ТАРЫҠ Ҡ
}{s
jd
x
а) дескриптор ар —ҙ dj = б) һү әр —ҙҙ wi = }{s
iw
x
21. СЕМАНТИК АБАТЛАУСЫДАР ЫҢҠ Ҙ
ЙЫШЛЫ ПАРАМЕТР АРЫН ТАБЫУҠ Ҙ
Семантик абатлаусыҡ х - аҡ ике йышлы ылы һырламаһыҡ ҡ ҡ
тап килтерелә :
||
|,}{|
W
f wsw ixiW
x
∈
=
||
|,}{|
D
f
dsw jxiD
x
∈
=
— семантик абатлаусыныңҡ
дескриптор ар ың аңлатмаларындаҙ ҙ
осрау йышлығы
— семантик абатлаусының һү әр еңҡ ҙҙ ҙ
аңлатмаларында осрау йышлығы
Семантик абатлаусылар ың йышлы анализы ысулыҡ ҙ ҡ
а) йышлы ты и әпләп сығарыу;ҡ ҫ
б) абатлаусылар ы аңлатмалар буйынса дәрәжәләре артыу ю ығындаҡ ҙ ҫ
рәтләү һәм тәртипкә килтереү.
22. ҺҮ ӘР ЕҢ ҺӘМҘҘ Ҙ ДЕСКРИПТОР АР ЫҢҘ Ҙ
СЕМАНТИК БӘЙЛӘНЕШ КРИТЕРИЙ АРЫНҘ
АСЫ ЛАУҠ
Семантик бәйләнеш критерий арын эшләү этаптарыҙ
1. Бәйләнгәнлектең тик бер осрағының феноменологик
моделы бар,әгәр һү әр ең һәм дескриптор ар ыңҙҙ ҙ ҙ ҙ
аңлатмаһында бер генә дәйәм семантик абатлаусы булһаҡ
| dj ∩ wi | = 1; 1}{}{ =ss
ij w
x
d
x
2. K бәйләнгәнлектең феноменологик моделы бар,әгәр
һү әр ең һәм дескриптор ар ың аңлатмаһында К дөйөмҙҙ ҙ ҙ ҙ семантик
абатлаусы булһа :ҡ
| dj ∩ wi | = K; K}{}{ =ss
ij w
x
d
x
3. Бәйләнгәнлектең абатлаусылар йышлығын и әпкә алыусы моделы.ҡ ҫ
( Карауловтың селектив критерийы ).
;2≥K f
D
x .6≤
23. КАРАУЛОВТЫҢ СЕЛЕКТИВ КРИТЕРИЙЫ
( )
(( ) )( )61}{}{
2}{}{
≤∧==∨
≥==
fK
K
D
x
iw
x
jd
x
w
x
d
xwd
ss
ssa
ij
ij
Әгәр һү һәм дескриптор ү аңлатмаһында икенән күп семантикҙ ҙ
абатлаусы тотһа,йәки улар ың аңлатмаһында бер генә уртаҡ ҙ ҡ
семантик абатлаусы булып һәм уның йышлығы дескриптор арҡ ҙ
күмәклегендә алтынан артһа улар бер-береһе менән семантик
бәйләнештә тора.
Семантик май андар тө өү процедураларыҙ ҙ
1. Бәйләнгәнлектең тик бер осрағының моделы буйынса май ан тө өү.ҙ ҙ
2. Тап килеүсе абатлаусылар ы и әпкә алыу юлы менән май андыҡ ҙ ҫ ҙ
тарайтыу.
3. Семантик абатлаусылар ы и әпкә алыу юлы менән май андыҡ ҙ ҫ ҙ
тарайтыу.
Dw ji
∈
Әгәр
, була
24. Ү -Ү ЕҢДЕ ТИКШЕРЕҮ ӨСӨНҘ Ҙ
ҺОРАУ АРҘ
Текстар ан белем э тәү ең логик-статистик ысулдарынҙ ҫ ҙ
һанап биреге .ҙ
Тексты анализлау ың дистрибутив-статистик ысулынҙ
аңлатығыҙ
Тексты анализлау ың йышлы - семантик ысулынҙ ҡ
аңлатығы .ҙ
Тексты анализлау ың компонентлы ысулын аңлатығы .ҙ ҙ
Editor's Notes
Тема 1 «Естественно-языковые знаковые системы» включает шесть разделов, первые три из которых являются основными.
1.1. Модели и методы представления и организации знаний — лекции 1-2.
1.2. Спецификация ЕЯ систем — лекция 3.
1.3. Логико-статистические методы извлечения знаний — лекции 4–5.
Материал этих разделов представлен в лекциях.
Три других раздела предназначены для самостоятельного изучения, а его материал представлен в рекомендованной литературе.
2.4. Технология автоматизированного построения словаря-тезауруса.
2.5. Пример исследования ЕЯ ресурса.
Третья лекция посвящена количественной спецификации естественно-языковых систем. В ней рассматриваются три метода:
Дистрибутивно-статистический
Компонентный анализ
Частотно-семантический метод
Материал лекции представлен в книге:
Ю.Н.Филиппович, А.В.Прохоров. Семантика информационных технологий: опыты словарно- тезаурусного описания. / Серия «Компьютерная лингвистика». Вступ. Статья Анатолия Ивановича Новикова. М.: МГУП, 2002.— книга в комплекте с CD ROM — С. 46–54.
Дистрибутивно-статический метод позволяет на основе частотной информации о ЕЯ единицах получать по некоторой заданной формуле количественную характеристику их связанности. Философия данного метода состоит в том, «что семантическую классификацию значимых элементов языка можно с большим основанием индуктивно извлечь из анализа текста, чем получить ее с некоторой точки зрения, внешней по отношению к структуре языка. Следует ожидать, что такая классификация даст более надежные ответы на проблемы синонимии и выражения смысла, чем существующие тезаурусы и списки синонимов, основанные главным образом на интуитивных ощущаемых сходствах без адекватной эмпирической проверки» [Москович,1971. С.115–116]. В основе всех вариантов метода лежат количественные оценки, которые характеризуют совместную встречаемость языковых единиц текста в контекстах определенной величины. Основная гипотеза метода состоит в том, что слова, встречающиеся вместе в пределах некоторого текстового интервала, как-то связаны между собой. Для оценки связанности вводится коэффициент «силы связи», который рассчитывается по некоторой формуле. Вне зависимости от вида формулы, в ней обычно используются характеристики совместной встречаемости пар слов и одиночной встречаемости каждого из слов.
Применение дистрибутивно-статистического метода связано с использованием понятия контекста. Контекст это некоторый отрезок текста, выделенная последовательность синтагм, некоторая их цепочка. Любой текст можно представить как сумму (конкатенацию) непересекающихся контекстов:
T = C1(T)+...+Cq(T), где Сi(T) Cj(T)=, i,j (ij) [1,q]
В качестве синтагм могут рассматриваться элементы языка: значимые слова, словосочетания, в общем случае некоторые языковые единицы. Если в качестве значимых элементов языка рассматривать слова, то можно получить следующие частотные характеристики контекстов:
NA, fA=NA/N — количество и частота контекстов, где встретилось только слово A;
NB , fB=NB/N — количество и частота контекстов, где встретилось только слово B;
NAB , fAB=NAB/N — количество и частота контекстов, в которых наблюдалась совместная встречаемость слов A и B;
N — общее количество контекстов.
Приведем несколько формул, по которым часто производится расчет «силы связи» в дистрибутивно-статистическом методе [Москович,1971]:
— Т.Танимото (T.T.Tаnimоtо), Л.Дойл (L.B.Dоуlе).
— М.Мэйрон (M.E.Mаrоn), Дж.Кунс (J.Kuhns).
— А.Я.Шайкевич, Дж.Солтон (G.Sаltоn), Р.Куртис (R.M.Curtiсе).
Количественная характеристика, используемая для вычисления «плотных групп» (сlumрs ... — в дословном переводе с англ. «плотные группы») [Nееdhаm, 1964; Dаlе, 1965]:
— С.Деннис (S.Dеnnis).
В качестве оценки степени близости слов использовал так называемый «ассоциативный фактор», который рассчитывается по формуле [Stуlеs, 1963]:
— Х.Е. Стайлз (H.E.Stilеs)
Все вышеприведенные формулы объединяет рассмотрение событий, связанных с появлением слов A и B как системы случайных явлений. А в качестве критерия, определяющего меру связи, используется следующий факт: если A и B – независимые события, то P(AB)=P(A)P(B).
Однако такой подход позволяет определить только степень независимости событий, а не величину динамической (функциональной) связи. Все формулы, какими бы расчетами они не были получены, требуют интерпретации. Та ассоциация, которую они извлекают из текста, требует дальнейшего анализа. Важным является выяснение, насколько полученные формально значения связей соответствуют ожидаемым, или возможным объяснениям.
Величина контекста, в рамках которого осуществляются подсчеты коэффициентов «силы связи», как показывают результаты исследований, позволяет наиболее вероятно устанавливать: а) при малых размерах контекста, ограниченного одним или двумя соседними словами — контактные синтагматические связи словосочетаний; б) при размере 5–10 слов — дистантные синтагматические связи и парадигматические отношения; в) дальнейшее увеличение ширины контекста до 50–100 слов (размер предложения, сверхфразового единства, абзаца) — тематические связи между словами. Тематические связи могут оказаться доминирующими, если принять размер контекста величиной с сам текст [Москович, 1971. С.120].
В результате вычислений на всем массиве текста формируется матрица связности слов (языковых единиц) или ассоциативная матрица, внешний вид которой представлен на рисунке 4.5:
слово...аi...слово частота fа...bj fb...fаb......
Матрица ассоциативных связей
Дистрибутивно-статистический метод может использоваться как процедура формирования ядра тематически связанных между собой текстов. Кроме этого данный метод может использоваться и как технология автоматического составления тезауруса, и как следствие этого, в качестве формально-языковой системы для информационного поиска и индексирования.
Обобщенная методика разработки тезауруса на основе дистрибутивно-статистического метода выглядит следующим образом:
Конкорданс – это список всех употреблений заданного языкового выражения (например, слова) в контексте, возможно, со ссылками на источник.
Составление частотных словников и конкордансов.
Анализ совместной встречаемости слов (языковых единиц) и составление на его основе матрицы ассоциативных связей.
Субъектная интерпретация матрицы ассоциативных связей и формирование классов типовых связей (отношений).
Группировка (выделение) отдельных типов отношений (родовидовых, каузальных и др.).
Интерпретация отдельных связей слов.
Группировка семантических полей.
Метод компонентного анализа позволяет установить связь между двумя понятиями на основе анализа их дефиниций. Для реализации метода необходимым является наличие словаря определений. Возможны несколько основных модификаций данного метода, которые условно назовем:
Количественная спецификация связи.
Гипертекстовая ссылка. Что же такое гипертекстовая ссылка? Все просто - Это текст или рисунок, нажав на который, вы переходите на другую страницу, загружаете файл или запускаете программу.
Рассмотрим эти варианты.
Количественная спецификация связи. В этом варианте два слова А и В считаются связанными силой связи fаb = k, если в дефиниции каждого из них есть k общих слов — {}, где = k >1.
Данный вариант компонентного метода позволяет построить множество тезаурусов различной степени связности. В общей системе потенциально связанных между собой слов можно выделить подмножества слов, связанных между собой силой связи f = k , k = 1, 2, 3, ..., K. Данные подмножества можно рассматривать как некоторые кластеры слов, связанных между собой силой связи f = k .
Гипертекстовая ссылка. В данном варианте два слова А и В считаются связанными если в дефиниции каждого из них есть хотя бы одно общее слово — хаb., т.е. k = 1.
Кроме того, что это слово связывает слова А и В, оно еще является «отсылочным», по нему возможен «переход» от слова А к слову В и обратно. Следует заметить, что этот вариант достаточно активно используется в лексикографических системах (электронных словарях и энциклопедиях), текстовых редакторах, информационно-справочных системах и т.д. Несмотря на практическую распространенность работ посвященных количественному анализу использования данного метода и применение его для анализа знаний, представленных в естественно-языковой и лексикографической формах сравнительно мало.
Данный метод может использоваться для анализа системы определений, или словаря определений. Можно оценить качество словарных статей по числу их связей с другими словарными статьями, или по длине цепочки, которая образуется при попытке понять то или иное слово. Потенциально цепочка не может быть неограниченной, кроме этого ее длина прерывается субъектом в тех случаях, когда он достигает понимания определения.
Возможны исследования и эксцерпций в словарях определений, а также словарей текстов, которыми фактически являются hеlр-системы. Эксцерпция – конкретный пример употребления вокабулы в тексте. ... Указатель источника – точное указание места в тексте, где встречается та или иная эксцерпция
Метод частотно-семантического анализа (ЧСА) является развитием метода компонентного анализа. Существо метода состоит в использовании в качестве критерия оценки семантической «силы связи» между словами одновременно двух характеристик дефиниций этих слов: общности дефинирующих элементов и частоты их встречаемости.
Исходными данными для ЧСА являлись: некоторые идеографические словари — они использовались для составления списка дескрипторов, краткий толковый словарь русского языка для иностранцев — для составления списка слов, толковые словари С.И. Ожегова и Д.Н.Ушакова — для установки дефиниций слов и дескрипторов.
В основе метода ЧСА лежит идея о целостности (интегрированности) ПОРМ и отражении этого в ООРМ и в частности в языке. Образное представление этой идеи выражается следующей цитатой: «...представьте себе силы семантического притяжения в виде повсеместно существующего, разлитого в языке поля, в которое помещены тела — лексические единицы языка. Разные единицы в этом поле взаимодействуют между собой также, как атомы, молекулы, макротела, планеты, и космические объекты — и на одном уровне, т.е. с однородными единицами, и межуровнево.» [Караулов,1981. С.76].
Метод предложен Ю.Н.Карауловым и на его основе построен первый компьютерный семантический словарь русского языка [РСС,1982]. Словарь содержит 1600 понятий и 9000 слов, создан в 1980 году и издан в 1982. Еще в двух книгах представлены разработки метода: Караулов Ю.Н.
Частотный словарь семантических множителей русского языка.
– М.: Наука, 1980.
Караулов Ю.Н., В.И.Молчанов, В.А.Афанасьев, Н.В.Михалев. Анализ метаязыка словаря с использованием ЭВМ.
– М.: Наука, 1982. – 96 с.
В рамках поставленного эксперимента по отработке данных методом ЧСА практическая задача состояла в том, чтобы распределить 9000 слов по 1600 дескрипторам, т.е. сформировать так называемые семантические поля (ареалы).
Формально отнесение слова к дескриптору (включение его в семантическое поле дескриптора) можно представить следующим образом:
если ,
то , где
— значение силы семантической связи между словом wi и дескриптором dj ;
— множество допустимых значений силы семантической связи дескрипторов и слов;
Dj = {wij} — множество слов дескриптора;
wi — слово, i = 1...|W|, W = {wi} — множество слов;
dj — дескриптор, j = 1...|D|, D = {dj} — множество дескрипторов.
ВОПРОСЫ РЕШЕНИЯ ПРАКТИЧЕСКОЙ ЗАДАЧИ
1. Установление способа сравнения слов
Выбор способа получения (означивания) семантического множителя (лемматизация, свертка, выделение корня, выделение основы слова, выделение квазиосновы слова)
Разработка методики получения семантического кода слова
2. Установление частотных параметров семантических множителей.
3. Определение критерия семантической связи слов и дескрипторов.
Феноменологическая модель единичной связанности
Феноменологическая модель связанности K
Модель связанности с учетом частот множителей
Первый вопрос практического решения задачи построения семантических полей состоит в установлении способа сравнения слов.
В среднем каждое слово и дескриптор имеют дефиницию, состоящую из 10 слов, т.е. в случае эксперимента это составляет ~110000 словоформ. Для сравнимости слов было введено понятие семантического множителя — элементарной единицы содержательного плана. Это понятие объединяет ряд других ранее вводимых понятий: семантические компоненты, дифференциальные семантические признаки, семы, семантические маркеры, семантические классификаторы, лексические функции, элементарные значения и т.д. Основные предположения при этом введении состоят в следующем: а) семантическое пространство языка дискретно; б) набор элементов пространства конечен и обозрим; в) число комбинаций практически бесконечно; г) семантическое пространство элементарно, т.е. состоит из неразложимых элементов; д) семантические элементы одноплановы, т.е относятся к содержанию (являются единицами познания и мышления); е) Семантические элементы образуют универсальный набор, т.е. носят общесубъектный характер и их число и набор одинаковы для различных языков.
Способы получения (означивания) семантического множителя.
Семантические множители, которые используются для дефинирования других слов, являются полнозначными словами и представлены в различных словарных формах. Попытка формального сравнения словарных дефиниций вызывает явные сложности. Необходима предварительная процедура приведения форм семантического множителя к одной, или кодирования их неким единым знаком. Возможны несколько вариантов получения приведенной формы семантического множителя [Караулов, 1980]:
Лемматизация — получение канонической формы слова, т.е. сведение словоизменительных форм слова к исходной (для существительных — именительный падеж, единственное число; для прилагательных — именительный падеж, единственное число, мужской род; для глаголов — инфинитив и т.д.).Фактически при лемматизации все слова разбиваются на грамматические классы.
Свертка — свертывание слова, т.е. удаление гласных, кроме гласной первого слога, на основании статистической закономерности русского языка — наибольшей информативности согласных.
Выделение корня — представление слова корневой морфемой.
Выделение основы слова — представление слова несколькими морфемами, например, префиксом (приставкой) и корнем.
Выделение квазиосновы слова — произвольной начальной части слова, на основании факта сдвига смысла слова (его содержания) к его началу.
Методика получения семантического кода слова состоит в следующей последовательности процедур:
Внесение самого кодируемого слова в его код.
Исключение повторений семантического множителя.
Фильтрация (удаление «нулевых» семантических множителей (например, явление, совокупность, система, и т.п.), грамматических слов (например, повести, поискать, придержать и т.п.), предлогов, союзов и т.п.)
Дополнительные процедуры, например, лексикализация устойчивых словосочетаний: железная дорога — желдор.
Формирование квазиоснов слов.
После реализации методики получаются дескрипторные и словные множества семантических множителей, сопоставленные соответствующим дескрипторам и словам:
а) дескрипторные множества — dj = {};
б) словные множества — wi = {}.
Второй вопрос практического решения задачи построения семантических полей состоит в установлении частотных параметров семантических множителей. Каждому множителю х ставится в соответствие две частотные характеристики и — частоты встречаемости в дефинициях дескрипторов и слов соответственно.
, , где в числителе формул количество слов (дескрипторов), в которых встретился множитель х, а в знаменателе общее количество слов (дескрипторов).
Методика частотного анализа семантических множителей состоит из двух пунктов: а) вычисление частот и ; б) ранжирование и упорядочение множителей в дефинициях по возрастанию их ранга.
.
Третий вопрос практического решения задачи построения семантических полей состоит в определении критерия семантической связи слов и дескрипторов.
Разработка критерия связанности состоит из трех этапов: на первом этапе разрабатывается феноменологическая модель единичной связанности, на втором — связанности степени , на третьем — степени связанности с учетом частотных свойств семантических множителей.
Феноменологическая модель единичной связанности состоит в том, что если есть хотя бы один общий семантический множитель в дефинициях слов и дескрипторов, то они считаются связанными:
| dj wi | = 1; |{} {}| = 1.
Феноменологическая модель связанности K состоит в том, что если есть K общих семантических множителей в дефинициях слов и дескрипторов, то они считаются связанными:
| dj wi | = ; |{} {}| = .
Модель связанности с учетом частот множителей (селективный критерий Караулова) для конкретного случая исследования была определена для степени связанности и пороговой частоты семантического множителя на множестве дескрипторов .
Таким образом получаем, что слово и дескриптор семантически связаны друг с другом, если их дефиниции содержат более двух одинаковых семантических множителя, или если их дефиниции содержат хотя бы один общий семантический множитель и его частота на множестве дескрипторов больше шести, т.е.:
если = (|{}{}| = ) ((|{}{}| = 1) ()),
то .
Метод построения семантических полей состоит из следующих процедур: построение поля по феноменологической модели единичной связанности; сужение поля за счет учета числа совпадающих множителей; сужение поля за счет учета частоты семантических множителей.
Данный метод является весьма продуктивным, и на его основе могут быть построены более сложные методики. Его развитие состоит в поиске и применении более сложного селективного критерия, а также их некоторого множества.
Одним из направлений развития метода может быть нахождение более эффективных процедур получения семантического кода слова [Прохоров, 1999], при этом следует различать эффективность с точки зрения быстрого получения кода слова (квазиосновы) и эффективность последующего построения семантических полей.
Для самоконтроля усвоения материала лекции попытайтесь ответить на следующие вопросы:
Опишите модель текста «ранг-частота».
Сформулируйте закон частот слов Ципфа.
«Выведите» закон Ципфа.
Напишите формулу Мандельброта для закона частот слов.
Определите значения коэффициентов в формуле Мандельброта.
Получите (выведите) статистическое распределение «ранг-частота».
Перечислите методы построения ядра ЕЯ описания ПОРМ.
Перечислите этапы построения ядра ЕЯ описания ПОРМ на основе эталонного текста.
Опишите линейную схему построения ядра ЕЯ описания ПОРМ.
Опишите полносвязную схему построения ядра ЕЯ описания ПОРМ.