Semantica lessicale - PowerPoint PPT Presentation

1 / 82
About This Presentation
Title:

Semantica lessicale

Description:

Title: Presentazione di PowerPoint Author: Legolas Last modified by: pazienza Created Date: 5/19/2003 1:26:55 PM Document presentation format: Presentazione su schermo – PowerPoint PPT presentation

Number of Views:72
Avg rating:3.0/5.0
Slides: 83
Provided by: Leg67
Category:

less

Transcript and Presenter's Notes

Title: Semantica lessicale


1
Semantica lessicale
  • Maria Teresa PAZIENZA
  • a.a. 2007-08

2

Programma
  • Breve introduzione allNLP
  • Linguaggi Naturali e Linguaggi Formali
  • Complessità
  • Morfologia
  • Teoria Morfologia del Linguaggio Naturale
  • Strumenti Automi e Trasduttori
  • Analisi Morfologica con automi e trasduttori
  • Part of Speech Tagging
  • Teoria Le classi morfologiche
  • Strumenti a Analisi modelli a regole e
    statistici
  • Sintassi
  • Teoria Sintassi del Linguaggio Naturale
  • Strumenti CFG
  • Analisi Sintattica parsing top-down, bottom-up,
    Early
  • Semantica
  • Introduzione
  • Distributional Lexical Semantics
  • Sentence Semantics

Info
3

Analisi semantica
  • FONETICA studio dei suoni linguistici
  • MORFOLOGIA studio delle componenti
    significative di una parola
  • SINTASSI studio delle strutture relazionali
    tra le parole
  • SEMANTICA studio del significato delle parole
    e di come esse si combinano per formare il
    significato delle frasi
  • PRAGMATICA studio di come il linguaggio è
    usato per raggiungere obiettivi
  • ANALISI DEL DISCORSO studio di unità
    linguistiche complesse

4

Lexical Semantics e applicazioni
LEXICAL SEMANTICS E APPLICAZIONI Come può la
semantica lessicale aiutare nelle applicazioni di
NLP ?
  • relazioni tra parole o termini
  • relazioni generiche similarità / correlazione
  • relazioni specifiche iperonimia, meronimia,
    etc.
  • Applicazioni tipiche
  • Costruzione di Thesausus
  • Question Answering, Information Extraction
  • relazioni tra espressioni linguistiche complesse
  • paraphrasing (X wrote Y ? X is the author
    of Y)
  • textual entailment (X kill Y ? Y die)
  • Applicazioni tipiche
  • Question Answering
  • Text Summarization
  • Information Extraction

5

Lexical Semantics e applicazioni
  • Che metodologie utilizzare ?
  • metodologie distribuzionali (basate unicamente
    su corpora)
  • approcci statistici non supervisionati
    (knowledge harvesting)
  • fortemente basate su studi statistico-distribuzio
    nali delle parole
  • uso di nessun o semplici strumenti di NLP (es,
    shallow parsing)
  • adattabili no-cost a differenti lingue
  • non garantiscono una analisi semantica
    approfondita (relazioni semplici)
  • metodologie basate su conoscenza
  • approcci con analisi di strutture ontologiche o
    reti semantiche (es,WordNet)
  • uso di misure di distanza allinterno della rete
  • non portabili a differenti lingue se non esiste
    una rete per essa
  • garantiscono unanalisi semantica approfondita
    e precisa tanto quanto la rete è semanticamente
    espressiva (relazioni complesse)

6
La Repubblica, 29 giugno 2007
  • Il discorso di Veltroni confrontato da un esperto
    con quelli "omologhi" di Berlusconi e Prodi
  • La lunghezza del testo alleggerita da citazioni.
    Due soli "peccati" flat tax e housing sociale
  • La media di parole per periodo è stata di 21,
    ancora meno delle 28 del leader forzista
  • Frasi brevi e pochi "io" ecco i jolly del
    Lingotto
  • di TULLIO DE MAURO (la Repubblica, 29 GIUGNO 2007)

7
La Repubblica, 29 giugno 2007
  • S. Berlusconi
  • Famiglia, libertà, ragionevole, comunismo.
  • R. Prodi
  • Nomi Propri, la politica è scelta, lo possiamo
    fare, bisogna voltare pagina.
  • W. Veltroni
  • Pari opportunità, equità, eguaglianza, sobrio,
    ascolto, scelta, decisione.

8
Analisi semantica
  • Il significato delle frasi viene ricavato a
    partire da
  • i significati delle parole
  • i significati associati alle strutture
    sintattiche
  • la conoscenza della struttura del discorso
  • conoscenza del contesto
  • conoscenza (almeno) di base del dominio

9
Significato delle parole
  • Per lanalisi semantica delle frasi non abbiamo
    finora considerato il ruolo delle parole di per
    sè.
  • Abbiamo considerato i verbi per quanto concerne
    lorganizzazione a template della loro struttura
    predicati/argomenti.
  • Numero di argomenti
  • Posizione e tipo sintattico
  • Nome degli argomenti
  • In tale approccio i nomi sono stati considerati
    praticamente come costanti-senza-significato ,
    mentre cè molto da capire grazie a loro

10
Semantica lessicale
  • Per semantica lessicale facciamo riferimento ad
    un insieme praticamente infinito di fatti casuali
    relativi alle parole
  • In un approccio formale possiamo considerare
  • la struttura relazionale esterna tra più parole
    (paradigmatica)
  • la struttura interna delle parole che determina
    dove esse possono posizionarsi e che cosa possono
    fare (syntagmatica)

11
Applicazioni
  • Ci occuperemo di
  • Alcune risorse
  • WordNet
  • Tecnologie di supporto
  • Word sense disambiguation
  • Applicazioni basate sul significato delle parole
  • Search engines

12
Lessico
  • Il lessico è una struttura linguistica che
    identifica ciò che le parole possono significare
    e come possono essere usate la struttura
    consiste sia di relazioni tra parole e del loro
    significato, che della struttura interna di ogni
    parola.
  • Lexeme/Lessema una qualunque entry di un lessico
    consiste di una coppia (una forma linguistica
    superficiale parola- associata ad un ben
    determinato significato )
  • Lexicon/Lessico una collezione di lessemi

13
Relazioni tra lessemi
  • Consideriamo le relazioni tra lessemi e tra loro
    sensi ed in particolare quelle che assumono un
    ruolo importante in ambito computazionale.
  • Unattività molto importante riguarda la
    possibilità di sostituire sistematicamente un
    lessema con un altro in un qualche contesto
    lanalisi di tale sostituzione permette di
    verificare lesistenza di una relazione specifica
    tra tali lessemi

14
Relazioni tra lessemi
  • Homonymy/omonimia
  • Lessemi diversi che assumono significati
    totalmente diversi ma condividono una stessa
    forma
  • Fonologica, ortografica o entrambe
  • Esempio
  • piano (progetto) vs
  • piano (piano di un edificio) vs
  • piano (pianoforte)
  • Non è esempio di omonimia (bensì di omografia)
  • pesca (frutto)
  • pesca (di pesci)

15
Omonimia
  • La parte problematica dellomonimia non è tanto
    nella identificazione di una forma di tal tipo,
    quanto nella identificazione del suo significato.
  • Influenza applicazioni di information retrieval.

16
Polisemia
  • Polysemy/polisemia
  • Lo stesso lessema che assume più significati
    tra-loro-collegati
  • Moltissime parole, anche di uso comune, hanno più
    significati (es. banca istituto bancario, banca
    dati, banca del sangue, banca del tempo)
  • Lexeme/Lessema una qualunque entry di un lessico
    consiste di una forma linguistica superficiale
    associata ad un insieme di significati tra loro
    collegati -
  • Il numero di significati di una parola dipende
    dal dominio di analisi
  • I verbi tendono alla polisemia

17
Espressioni polisemiche con verbi
  • Which flights serve breakfast?
  • Does America West serve Philadelphia?
  • Does United serve breakfast and San Jose?

18
Sinonimia
  • Synonymy/sinonimia
  • Lessemi diversi che assumono lo stesso
    significato
  • Due lessemi sono considerati sinonimi se possono
    essere sostituiti allinterno di una frase senza
    alterarne il significato o il suo valore (es.
    grande, grosso) (principio di sostituibilità) -
    anche se non vale in tutti i casi -

19
Iponimia
  • Una relazione di iponimia ha luogo tra due
    lessemi laddove il significato dei due sottiene
    una relazione di inclusione (is-a, isa, IS-A,
    ISA,..)
  • iponimia/iperonimia si applica tra nomi di
    entità
  • Poichè i cani sono dei canidi , si può dire che
  • Cane è un iponimo di canide
  • Canide è un iperonimo di cane
  • Poichè i cani sono dei mammiferi , si può dire
    che
  • cane è un iponimo di mammifero
  • mammifero è un iperonimo di cane

20
Meronimia
  • La relazione di meronimia part-of è transitiva e
    riflessiva
  • part-of(Bucarest, Romania)
  • part-of(Romania, EuropaOrientale)
  • part-of(EuropaOrientale, Europa)
  • part-of(Europa, Terra)
  • part-of(x,x)

21
Meronimia
  • Le due relazioni di tassonomia (is-a-kind-of) e
    meronimia (part-of) hanno punti di similarità.
  • Le differenze tra di loro hanno importanti
    riflessi nella organizzazione e rappresentazione
    della conoscenza

22
Relazioni
  • Relazioni paradigmatiche principali (ontologiche)
  • Sinonimia
  • Antonimia
  • Iponimia
  • Meronimia

23
Risorse lessicali
  • Terminologie
  • Dizionari on-line
  • Corpora
  • WordNet, database lessicale per la lingua inglese
    (esistono anche versioni per altre lingue
    Italwordnet, Balkanet, Eurowordnet, )

24
WordNet
  • WordNet consiste di tre distinti database
    rispettivamente per
  • nomi
  • verbi
  • aggettivi ed avverbi
  • ciascuno dei quali consiste di un insieme di
    entries lessicali corrispondenti ad una unica
    forma ortografica a ciascuna forma sono
    associati insiemi di sensi

25
WordNet
  • Laspetto più importante di Wordnet è la nozione
    di synset attraverso il synset si definisce un
    senso (così come un concetto )
  • esempio table usato come verbo per indicare
    defer
  • gt postpone, hold over, table, shelve, set back,
    defer, remit, put off
  • Per WordNet, il significato di questo senso di
    table è esattamente questa lista.

26
WordNet
  • (valori non aggiornati)

27
WordNet
  • La parola bass'' ha 8 sensi in WordNet
  • bass - (the lowest part of the musical range)
  • bass, bass part - (the lowest part in polyphonic
    music)
  • bass, basso - (an adult male singer with the
    lowest voice)
  • sea bass, bass - (flesh of lean-fleshed saltwater
    fish of the family Serranidae)
  • freshwater bass, bass - (any of various North
    American lean-fleshed freshwater fishes
    especially of the genus Micropterus)
  • bass, bass voice, basso - (the lowest adult male
    singing voice)
  • bass - (the member with the lowest range of a
    family of musical instruments)
  • bass -(nontechnical name for any of numerous
    edible marine and
  • freshwater spiny-finned fishes)

28
Gerarchie in WordNet
29
WordNetRelazioni lessicali (tra entries, sensi,
set di sinonimi) indipendenti dal dominio
30
Struttura relazionale esterna delle parole
  • Le relazioni paradigmatiche permettono di
    collegare tra loro dei lessemi in una qualche
    maniera, ma non ci dicono nulla relativamente a
    cosa consiste la rappresentazione del significato
    di un lessema

31
Struttura interna delle parole syntagmatica-
  • Verifichiamo se le rappresentazioni del
    significato associate ai lessemi abbiano
    strutture interne analizzabili, ovvero se queste
    strutture, combinate grazie ad una grammatica,
    determinano le relazioni tra lessemi in una frase
    ben formata (relazioni syntagmatiche).
  • Ruoli tematici suggeriscono similitudini
    allinterno del comportamento dei verbi
  • Qualia theory cosa si può capire nei nomi (che
    non sono solo delle costanti)

32
Comportamento dei Verbi
  • Generalizzazione a livello semantico sui ruoli
    che occorrono insieme a verbi specifici
  • Es. Takers, givers, eaters, makers, doers,
    killers,
  • hanno tutti qualcosa in comune
  • -er
  • sono tutti gli agenti delle azioni che
    rappresentano
  • Alla stessa maniera è possibile generalizzare
    altri ruoli
  • Es. occupazione, amministrazione, composizione,
  • hanno tutti qualcosa in comune
  • -zione
  • sono tutti il risultato delle azioni che
    rappresentano

33
Ruoli tematici Insieme di categorie che
forniscono un linguaggio semantico superficiale
per caratterizzare alcuni argomenti verbali
34
Esempi di ruoli tematici
35
Ruoli tematici
  • I verbi non sono tutti totalmente distinti
    (ciascun verbo non è unico nel suo significato)
    per cui possiamo considerare dei nomi unici per
    ciascun ruolo condivisibile da più di un verbo.
  • I ruoli tematici indicano e specificano un
    insieme finito di ruoli.
  • In tal modo è possibile distinguere tra semantica
    superficiale e semantica profonda.

36
Interrelazioni
  • Ruoli semantici, categorie sintattiche e la
    posizione che esse assumono allinterno di
    strutture sintattiche più ampie sono
    assolutamente intercorrelate in modi a volte
    complessi.
  • Es.
  • AGENTS sono spesso i soggetti
  • In una regola del tipo
  • VP-gtV NP NP
  • la prima NP può essere spesso un GOAL mentre la
    seconda è un THEME

37
Esempio
  • Sally gave Harry a book.
  • Giver(Sally)Givee(Harry)Given(book)
  • Agent(Sally)Goal(Harry)Theme(book)
  • Sally diede un libro ad Harry
  • (ruoli tematici a supporto anche della traduzione
    automatica)

38
Problemi aperti
  • Che cosè esattamente un ruolo tematico?
  • Qual è linsieme completo di ruoli?
  • I ruoli sono degli universali indipendenti da
    lingua e cultura?
  • Esistono dei ruoli atomici?
  • Es. Agente
  • Animate, Volitional, Direct causers, etc
  • E possibile etichettare automaticamente
    costituenti sintattici con ruoli tematici?

39
Shallow semantic analysis
  • Si definisce shallow semantic analysis
  • lassegnazione di nomi opportuni agli argomenti
    di un verbo allinterno di una frase (esempio
    duso di ruoli tematici)
  • Case role assignment
  • Thematic role assignment

40
Rappresentazioni di relazioni
  • ipotesi 1
  • Le relazioni possono essere rappresentate come
    una case grammar (Charles Fillmore) ed offrono
    una prospettiva particolare dellevento descritto
  • Es.
  • colpire (agent, recipient, instrument)
  • collidere (object1, object2)
  • predicati argomenti
  • E necessario definire quali oggetti possano
    corrispondere a ciascun argomento, ovvero
    assumere il caso specifico in una situazione
    specifica

41
Rappresentazioni di relazioni
  • ipotesi 1
  • case grammar (Charles Fillmore)
  • Molte reti semantiche si rifanno alla
    rappresentazione della grammatica dei casi.
  • Le relazioni sono rappresentate da archi
    orientati (ed etichettati) tra i nodi concetto
    della rete (grafo).

42
Rappresentazioni di relazioni
  • ipotesi 2
  • Teoria delle dipendenze concettuali (Roger
    Schank) act
  • Necessità di specificare le primitive semantiche
    sottostanti una particolare relazione.
  • Il significato fondamentale di un set di verbi di
    azione è catturato da 12-15 primitive usate con
    un approccio case-frame

43
Rappresentazioni di relazioni
  • Es. ATRANS descrive un qualunque verbo che
    richiede un trasferimento di proprietà
  • ATRANS
  • Actor person (Mario)
  • Act ATRANS
  • Object physical object (anello)
  • direction-TO person-1 (Maria)
  • FROM person-2 (Mario)
  • Actor, Act,.. sono le variabili di questo schema
    e possono assumere certi valori
  • ES. Mario diede/regalò/vendette un anello a Maria

44
Rappresentazioni di relazioni
  • Teoria delle dipendenze concettuali di Schank
  • Primitive Significato Istanze
  • ATRANS trasf. di proprietà dare, prendere
  • PTRANS trasf. fisico da a muoversi, camminare
  • MTRANS trasf. di informaz. mentali ordinare,
    suggerire
  • ATTEND ricevere impulsi sensoriali vedere,
    sentire
  • PROPEL applic. forza a ogg. fisici spingere,
    colpire
  • INGEST assunzione di cibo o aria respirare,
    mangiare
  • EXPEL inverso di ingest vomitare

45
Esempio semantica profonda
  • Dal WSJ
  • He melted her reserve with a husky-voiced paean
    to her eyes. (sciolse la riservatezza di lei con
    un componimento poetico dedicato ai suoi occhi
    cantato con voce rauca)
  • Se etichettiamo i costituenti He e reserve come
    il Melter e il Melted, allora quelle etichette
    perdono ogni significato che avrebbero potuto
    avere letteralmente.
  • Se li chiamiamo Agent e Theme allora non si hanno
    problemi di disallineamento semantico

46
Selectional restrictions
  • Le selectional restrictions possono essere usate
    per aumentare i ruoli tematici permettendo ai
    lessemi di porre alcune restrizioni semantiche su
    ulteriori lessemi e frasi che possono
    accompagnarli allinterno di un periodo.
  • Le selectional restrictions costituiscono un
    vincolo semantico imposto da un lessema
    relativamente al concetto che può corrispondere
    ai diversi ruoli argomentali a lui associati.
  • Le selectional restrictions possono essere
    associate a qualche senso di un lessema e non al
    lessema in toto.

47
Selection restrictions
  • Consideriamo la frase
  • I want to eat someplace near campus
  • Usando i ruoli tematici possiamo dire che eat è
    un predicato che ha un AGENT e un THEME
  • Qualcosaltro?
  • specifichiamo che l AGENT deve essere capace di
    mangiare e il THEME deve essere qualcosa che può
    essere mangiato

48
dalla logica
  • per eat abbiamo che
  • Eating(e) Agent(e,x) Theme(e,y)Isa(y,
    Food)
  • (con gli opportuni quantificatori e i lambda)

49
da WordNet
  • Uso degli iponimi WordNet (tipi) per codificare
    le selection restrictions

50
Specificità delle restrizioni
  • Consideriamo i verbi to imagine, to lift e to
    diagonalize così come appaiono in questi esempi
  • To diagonalize a matrix is to find its
    eigenvalues
  • Atlantis lifted Galileo from the pad
  • Imagine a tennis game
  • Cosa possiamo dire a proposito del THEME del
    verbo in ciascuna frase?
  • In alcuni casi possiamo utilizzare la gerarchia
    WordNet salendo (generalizzando) di qualche
    livello, in altri non tanto

51
Selection restrictions
  • Concetti, categorie e feature
  • che sono utilizate come selectional restrictions
  • non costituiscono una parte specifica e finita di
    un linguaggio,
  • bensì costituiscono un insieme non finito come lo
    stesso lessico

52
Alcuni problemi
  • Sappiamo che da un lato i verbi sono polisemici,
    dallaltro il linguaggio naturale è creativo
  • Si considerino i seguenti esempi presi dal WSJ
  • ate glass on an empty stomach accompanied only
    by water and tea
  • you cant eat gold for lunch if youre hungry
  • get it to try to eat Afghanistan

53
Soluzioni
  • Eat glass
  • Si tratta in ogni caso di un evento del tipo eat
  • Eat gold
  • Ancora un esempio di eat, anche se il cant crea
    uno scopo che permette che il THEME del verbo sia
    anche non mangiabile (contrariamente alle
    aspettative)
  • Eat Afghanistan
  • Si tratta di un caso sicuramente complesso, non
    ci si riferisce per nulla al mangiare

54
Identificazione delle restrictions
  • Se si dispone di un corpus opportunamente grande
    e si può accedere a WordNet è possibile
    identificare automaticamente le restrizioni di un
    verbo?
  • Analizzare sintatticamente le frasi e trovare le
    heads
  • Etichettare i ruoli tematici
  • Collezionare le statistiche sulle co-occorrenze
    di particolari headwords con specifici ruoli
    tematici
  • Usare la struttura degli iperonimi di WordNet
    per trovare il livello più significativo da usare
    come restrizione

55
Motivazione
  • Trovare lantenato comune più basso (più
    specifico) che copra un numero significativo di
    esempi

56
WSD e Selection Restrictions
  • Word sense disambiguation si riferisce al
    processo di selezione del senso corretto per una
    parola allinterno dei sensi che si conosce
    essere associati alla parola stessa
  • Selection restrictions semantiche possono essere
    usate per disambiguare
  • Argomenti ambigui di predicati non ambigui
  • Predicati ambigui con argomenti non ambigui
  • Ambiguità a tutto campo

57
WSD e Selection Restrictions
  • Argomenti ambigui
  • Prepare a dish
  • Wash a dish
  • Predicati ambigui
  • Serve Denver
  • Serve breakfast
  • Entrambi
  • Serves vegetarian dishes

58
WSD e Selection Restrictions
  • Approccio complementare allapproccio
    dellanalisi composizionale
  • Si parte da un parse tree e da una analisi di
    predicate-argument derivata da
  • lalbero sintattico ed i suoi attachment
  • tutti i sensi delle parole corrispondenti ai
    lessemi delle foglie dellalbero
  • analisi errate vengono eliminate notando le
    violazioni alle selection restriction

59
Problemi
  • In genere, le selection restrictions sono
    costantemente violate (vedasi esempi precedenti),
    anche se ciò non implica che le frasi siano, mal
    formate o meno, usate in tali casi
  • Si possono usare i corpora per fare analisi ad
    ampio spettro (qualche forma di categorizzazione)
    ed analizzare nello specifico i casi di
    violazione delle selection restrictions

60
Supervised ML
  • Negli approcci di supervised machine learning,
  • si può usare un training corpus di parole taggate
    allinterno di un contesto con i loro sensi
    specifici,
  • allo scopo di addestrare un classificatore che
    possa, quindi,
  • taggare nuove parole in un nuovo contesto (che
    rispecchi ovviamente le caratteristiche del
    corpus di addestramento training)

61
WSD Tag
  • Che cosè il wsd tag per una parola?
  • Il senso di un dizionario?
  • per esempio, in WordNet la voce bass ha 8
    possibili tag (o labels).

62
WordNet Bass
  • La parola bass'' ha 8 sensi in WordNet
  • bass - (the lowest part of the musical range)
  • bass, bass part - (the lowest part in polyphonic
    music)
  • bass, basso - (an adult male singer with the
    lowest voice)
  • sea bass, bass - (flesh of lean-fleshed saltwater
    fish of the family Serranidae)
  • freshwater bass, bass - (any of various North
    American lean-fleshed freshwater fishes
    especially of the genus Micropterus)
  • bass, bass voice, basso - (the lowest adult male
    singing voice)
  • bass - (the member with the lowest range of a
    family of musical instruments)
  • bass -(nontechnical name for any of numerous
    edible marine and
  • freshwater spiny-finned fishes)

63

Similarità VS Correlazione
  • Che tipo di relazioni possono esistere tra due
    parole ?
  • Semplici correlazione, similarità
  • Complesse is-a, part-of, causa,
  • RELAZIONI SEMPLICI

Correlazione (C) Due parole w1 e w2 si dicono
semanticamente correlate se sono legate da una
qualsiasi relazione semantica
  • Esempio
  • delfino-mare vive_in(delfino,mare)
  • uomo-testa part_of(testa,uomo)

Similarità (S) Due parole si dicono
semanticamente simili se sono vicine in una
gerarchia IS-A
  • Esempio
  • gatto-cane is_a(cane,anim_dom) ,
    is_a(gatto,anim_dom)
  • gatto-mammifero is_a(gatto,mammifero)

64
Co-occorrenza
CO-OCCORRENZA
  • Le parole che si trovano in una certa finestra
    di una target word t sono dette co-occorrenze
  • la finestra può comprendere un dato numero di
    parole vicine, una frase, un paragrafo, un
    documento
  • Linsieme delle co-occorrenze di t è detto
    contesto C(t)
  • nozioni più complesse di contesto possono
    comprendere co-occorrenze che sono in una certa
    relazione sintattica con la target word (es.
    verbo della target word, ecc) oppure solo parole
    appartenti ad un certa Part of Speach (es. Nome,
    verbo)
  • ESEMPIO

Finestra di 4 parole ? C(dugongo) ?fortunati,
vedrete, anche, il, vero, tormentone, della,
nostra? Relazione V-ogg ? C(dugongo)
?vedrete?
se sarete fortunati vedrete anche il Dugongo,
vero tormentone della nostra compagnia.
t
W-4 W-3 W-2 W-1
W1 W2 W3 W4
65
Pointwise Mutual Information
MISURE DI ASSOCIAZIONE TRA PAROLE
  • Pointwise Mutual Information (I) (PMI)
  • Due parole x e y che co-occorrono spesso
    rispetto alle loro occorrenze in un corpus D,
    hanno un alto grado di associazione
  • Vantaggio rispetto a F Due parole che
    co-occorrono spesso ma che sono molto frequenti
    hanno associazione minore rispetto a parole che
    co-occorrono lo stesso numero di volte ma che
    sono meno frequenti
  • Definita originariamente in Information Theory
    Fano,1961 come verifica della null hypothesis
    of independence

P(x) probabilità dellevento x P(y) probabilità
dellevento y P(x,y) probabilità congiunta
degli eventi x e y
66
Pointwise Mutual Information
MISURE DI ASSOCIAZIONE TRA PAROLE
  • Pointwise Mutual Information (I) (PMI)
  • La definizione di I viene adattata allNLP da
    Church and Hanks, 1989, considerando
  • P(x) probabilità della parola x nel
    linguaggio
  • P(y) probabilità della parola y nel
    linguaggio
  • P(x,y) probabilità che x co-occorra con y
  • e stimando le probabilità utilizzando MLE
    (Maximum Likelihood Estimation)

ci numero di occorrenze di i in un corpus
D cij numero di occorrenze della co-occorrenza
ij in un corpus D N numero di occorrenze
totale di tutte le parole di un corpus D
67

Distributional Hypothesis
DOMANDA Il significato di una parola è contenuto
nella parola stessa, oppure nelle parole con cui
occorre ?
Differenti filosofi, semiotici e linguistici
darebbero ognuno una risposta opposta allaltro
ma per noi ingegneri ?
ESEMPIO
DUGONGO
  • soluzione 1 guardo in un dizionario!
    ma se il dizionario non cè, o non
    contiene la parola?
  • soluzione 2 proviamo qualche acrobazia
    morfologica
  • du gongo una band formata da due
    gonghisti? poco probabile

68

Distributional Hypothesis
DUGONGO
  • soluzione 3 vado su Internet e guardo il
    contesto in cui si trova la parola
  • Le informazioni raccolte in queste pagine
    derivano dall'osservazione diretta di due
    esemplari di Dugongo che ho avuto la fortuna di
    incontrare in Mar Rosso
  • Bella la spiaggetta con il dugongo e bella
    l'escursione con i delfini.
  • se sarete fortunati vedrete anche il
    Dugongo,vero tormentone della nostra compagnia,
    che si può osservare in una escursione che costa
    circa 15 euro
  • il dugongo vive quasi esclusivamente in mare.
  • Quali altre parole occorrono con mare,
    escursione, esemplare, spiaggia?
  • Foca
  • Traghetto
  • Leone marino
  • Focena
  • Quindi forse il dugongo è una sorta di mammifero
    marino

69

Distributional Hypothesis
DUGONGO
  • Mammifero marino erbivoro dei Sireni, con largo
    muso a setole intorno alla bocca (Dugong dugong)

70

Distributional Hypothesis
DISTRIBUTIONAL HYPOTHESIS Parole che occorrono
nello stesso contesto tendono ad avere un
significato simile (Harris,1968)
  • La definizione è molto potente, ma per questo
    anche molto generica
  • Cosa si intende per significato simile ?
  • parole che hanno qualche relazione tra loro?
    (correlazione)
  • parole sinonimi o quasi-sinonimi? (similarità)
  • Cosa si intende per contesto ?
  • un documento? Un paragrafo? Una frase?
  • una particolare struttura sintattica ?
  • Perché limitarsi a parole, invece di
    espressioni linguistiche più complesse?

71

Distributional Hypothesis
CORRELAZIONE DISTRIBUZIONALE Due parole w1 e w2
si dicono distribuzionalmente correlate se hanno
molte co-occorrenze comuni, e queste
co-occorrenze non hanno nessuna restrizione
sintattica sulla loro relazione con w1 e w2
. Due parole w1 e w2 distribuzionalmente
correlate sono semanticamente correlate.
  • Parole dello stesso dominio sono
    distribuzionalmente correlate, in quanto
    occorrono negli stessi contesti (stessi
    documenti, pagine web, ecc.)
  • Parole relazionate che non fanno parte dello
    stesso dominio non sono distribuzionalmente
    correlate

Distrib. Hyp.
72

Distributional Hypothesis
SIMILARITA DISTRIBUZIONALE Due parole w1 e w2 si
dicono distribuzionalmente simili se hanno molte
co-occorrenze comuni, e queste co-occorrenze sono
relazionate a w1 e w2 dalla stessa relazione
sintattica. Due parole w1 e w2
distribuzionalmente simili sono semanticamente
simili.
  • Parole dello stesso dominio e con le stesse
    proprietà sintattiche, sono distribuzionalmente
    simili
  • generalmente stessa Part Of Speech
  • stesse relazioni sintattiche
  • ESEMPIO
  • simili dottore, infermiere correlate
    e non-simili dottore, guarire
  • co-occorrenze comuni
    co-occorrenze comuni (paziente,ospedale)
  • X lavora in ospedale (lavora , V-Sog, X)
    il paziente guarisce in ospedale
  • X cura paziente (cura, V-Sog, X) il
    paziente del dottore è nellospedale
  • la prognosi di X (prognosi, NP-PP, X)

73
Rappresentazioni
  • La maggior parte degli approcci supervisionati di
    ML richiede una rappresentazione molto semplice
    relativamente ai dati di addestramento (input
    training data).
  • Vettori di insiemi di coppie feature/value
  • ovvero files di valori separati da virgole
  • Compito primario è quello di estrarre dei dati di
    addestramento da un corpus rispetto ad una
    particolare istanza di parola taggata
  • Ovvero bisogna appropriatamente definire una
    finestra di testo attorno allobiettivo (parola
    da taggare)

74
Rappresentazioni superficiali
  • Informazioni sulle collocation e sulle
    co-occurrence
  • Collocational
  • Codifica le features delle parole che appaiono in
    posizioni specifiche a destra ed a sinistra della
    parola da taggare
  • Spesso limitate alle parole stesse come part of
    speech
  • Co-occurrence
  • Features che caratterizzano le parole che
    occorrono in una posizione qualunque nella
    finestra senza tener conto della posizione
  • Tipicamente relative a conteggi di frequenza

75
Esempi
  • Esempio testo dal WSJ
  • An electric guitar and bass player stand off to
    one side not really part of the scene, just as a
    sort of nod to gringo expectations perhaps
  • Si consideri una finestra di /- 2
    dallobiettivo

76
Esempi
  • Esempio testo dal WSJ
  • An electric guitar and bass player stand off to
    one side not really part of the scene, just as a
    sort of nod to gringo expectations perhaps
  • Si consideri una finestra di /- 2
    dallobiettivo

77
Collocational
  • Informazioni specifiche sulle parole allinterno
    della finestra
  • guitar and bass player stand
  • guitar, NN, and, CJC, player, NN, stand, VVB
  • ovvero un vettore consistente in
  • position n word, position n part-of-speech

78
Co-occurrence
  • Informazioni sulle parole che co-occorrono alla
    parola, allinterno della finestra.
  • dapprima si identifica un insieme di termini da
    porre nel vettore.
  • quindi si calcola quante volte ciascuno di
    questi termini occorre in una data finestra

79
Esempio di co-occorrenza
  • Assumiamo di disporre di un vocabolario di 12
    parole che comprenda guitar e player ma non and
    e stand si avrà, ad esempio,
  • guitar and bass player stand
  • 0,0,0,1,0,0,0,0,0,1,0,0

80
Classificatori
  • Una volta definito il problema di WSD come un
    problema di classificazione, allora si può usare
    un qualunque approccio possibile
  • Naïve Bayes (da cui è sempre bene cominciare)
  • Decision lists
  • Decision trees
  • Neural nets
  • Support vector machines
  • Nearest neighbor methods

81
Argomenti trattati in questa lezione
  • Semantica lessicale
  • Paradigmatica / syntagmatica
  • Relazioni paradigmatiche (ontologiche)
  • Ruoli tematici
  • Shallow semantic analysis
  • Case grammar
  • Teoria delle dipendenze concettuali
  • Selectional restrictions
  • Word sense disambiguation (wsd)
  • Similarità, correlazione, co-occorrenza, mutual
    information, distributional hpothesis, collocation

82
Elaborazione del linguaggio naturale
  • Le presentazioni sugli argomenti di elaborazione
    del linguaggio naturale fanno in alcuni passi
    riferimento ad alcune presentazioni dei colleghi
    prof. Fabio Massimo Zanzotto e dottor Marco
    Pennacchiotti, del dottor Patrick Pantel
    (ISI-USC), oltre che ad alcune parti del libro
    Speech and Language Processing, Prentice Hall,
    2000, autori D.Jurafsky, J. H. Martin.
Write a Comment
User Comments (0)
About PowerShow.com