汉语关联结构的资源建设和自动分析模型研究

Chinese connective structure contains rich and complex semantic information. For a long time, Chinese information processing focus on the representation and analysis of single sentence, and neglects modeling and analysis of complex sentences. The project aims to establish a Chinese connectives ontology, study semantic dependency structure of connectives, propose mechanism based on the semantic dependency graph, build large-scale annotation resources and explore the analysis strategy based on discriminative model. Semantic dependency structure avoids the limitations of syntactic dependency, allowing multi-parent node and the cross dependency relations. We will built a Chinese connectives ontology and 20000 complex sentences from a real corpus. The feature design can characterize structured information. This project will help to explore the semantic representation mechanism for actual Chinese characteristics, enrich Chinese semantic resources and semantic analysis strategy, and improve the performance of Chinese automatic parsing, textual entailment, information extraction and discourse understanding.

汉语的关联结构（由连词构成的复句）包含着丰富而复杂的语义信息。长期以来中文信息处理比较专注于单句的表示和分析，复句的建模和分析处于较忽略的地位。本项目旨在建立一个完整的汉语关联词语本体，研究关联结构的语义依存结构，提出基于语义依存图（有向图）的表示机制，建设大规模标注资源并探讨基于判别性模型的分析策略。语义依存结构跳脱句法依存的限制，允许多父节点和交叉依存。所建资源包含一个汉语关联词语本体和2万个从真实语料中选取的例句，基于对数线性的二阶段区分性分析模型用以分析关联结构的语义依存，其特征设计可刻划局部和全局性的结构化信息。本项目有助于探讨适合汉语实际特点的语义描写机制，丰富汉语语义资源和语义分析策略，对提高汉语自动分析、文本蕴含、信息抽取和篇章理解等技术的性能有一定意义。

本项目旨在研究面向语义的汉语关联结构，建立汉语关联词语本体以及语篇级大规模关联结构语义标注资源，并探讨基于语义依存图（有向图）的表示机制和基于判别性模型的分析策略。汉语语篇级的关联结构包括显性结构（有关联词语为标志）和隐性结构（无关联词语为标志，仅以句子间的标点符号为标志）两类，本项目在显性结构和隐性结构两个方面均建构了语义资源。所建资源包括三个部分：第一，包含1291个汉语关联词语本体集。第二，建构了2万句的大规模关联结构语义标注资源。标注语料来源于宾州中文树库CTB6.1生语料和国内近三年的中文新闻语料，具有通用性、典型性、时效性和代表性。在标注过程中全程采用手工标注的方法，以确保资源标注的准确性。制定了语料的标注标准。第三，为便于下一步的自动分析，又增加了汉语关联结构模板集的建设。整体建构关联结构模板集的框架为：汉语关联结构的模板集由每种语篇关系的模板集组合而成，每种语篇关系的模板集由有限的“类模板”构成，“类模板”由若干“子模板”构成。汉语关联结构本体可以形式化为若干个关联结构模板的集合，该模板集便于进一步对关联结构引导的每个分句之间逻辑语义关系的自动分析。在自动分析方面，由于语义依存图是一个带标记的有向图，为保证分析效率，我们应用对数线性模型并将语义依存结构的分析分为两个阶段，整个分析过程分为两个阶段，Phase 1为无向树分析，Phase II为有向图分析。并运用条件随机场方法对关联结构的隐性关系（如：以顿号、逗号为关联结构标记）进行自动识别。本项目有助于探讨适合汉语实际特点的语义描写机制，丰富汉语语义资源和语义分析策略，对提高汉语自动分析、文本蕴含、信息抽取和篇章理解等技术的性能有一定意义。