1 Automatische Klassifikation von Nomen nach Begriffstyp Christof Rumpf Heinrich-Heine-Universität
2 Gegenstand des Projekts Problem – Automatische Klassifikation von Nomen nach Begriffstyp aufgrund morphosyntaktischer Kontextmerkmale. Methode –Erlernen eines statistischen Modells für die Klassifikation mit handannotierten Korpora, in denen die Kontextmerkmale vermerkt sind.
3 Begriffstypen
4 Kontextuelle Merkmale Morphologische Eigenschaften –Deadjektivische Nomen sind haüfig relational oder funktional: Grösse, Intelligenz, … –Deverbale Nomen: Krümmung, Dauer, … –Komposita: -wert, -grad, -grösse, … Grammatische Besonderheiten –Possessivkonstruktionen: seine Mutter –Definitheit: Vohandensein definter Artikel –Subkategorisierung: bestimmte Verben verlangen FB als Komplement
5 Annotierung von Korpora Automatische Annotierung kontextueller Merkmale durch –Part-of-Speech-Tagging –Morphologische Analyse Manuelle Annotierung von Begriffstypen Dieses PDAT Lehr- und Lernbuch NN_SB ist VAFIN der ARTDEF Versuch NN_RB1, $, eine ARTUNDEF Einführung NN_RB1 in APPR die ARTDEF Semantik NN_FB1 zu PTKZU bieten VVINF, $, die PRELS einerseits ADV die ARTDEF wichtigsten ADJA Themen NN_RB1
6 Bayessche Disambiguierung Wort w hat n Lesarten. Lerne mittels Trainings- korpus, welche Wörter v im Kontext von w mit Les- art k auftreten. Die Lesarten für ein Wort sind verschieden häufig, bzw. wahrscheinlich. Bestimme die Lesart k von Wort w aufgrund der Wahrscheinlichkeit von k und den Wörtern im Kontext von w. Die Lesart mit der höchsten Wahrschein- lichkeit gewinnt.
7 Maximum Entropy Model Definiere kontextuelle Features, die zur zur Disambiguierung beitragen können Lerne anhand eines annotierten Korpus die Gewichte (Evidenz) der Features Verwende den Algorithmus Generalized Iterative Scaling zum Annotieren neuer Korpora, sodass die Gewichte genauso verteilt sind, wie im Trainingskorpus
8 Ratnaparkhi (1996) context feature constraint model
9 Feature Templates
10 Features