Statistische Verfahren zur Bestimmung von Kollokationen

Präsentation zum Thema: "Statistische Verfahren zur Bestimmung von Kollokationen"—  Präsentation transkript:

1 Statistische Verfahren zur Bestimmung von Kollokationen
LV Sprachverarbeitung WS 02/03 H. Schweppe Literatur: C. Manning, H. Schütze, Foundations of Statistical NL Processing, ch. 5 ff, MIT Press, 2002

2 "The notion of collocation may be confusing to readers without a background in linguistics"
(C.M.)

3 Nicht substituierbare Bestandteile:
Kollokationen Allgemein: Sprachliche Ausdrücke, die aus zwei oder mehr Wörtern bestehen und einen Inhalt ausdrücken. Beispiele: starker Tobak, steife Brise, Big Blue, internationale Spitze Nicht substituierbare Bestandteile: starker Mann - kräftiger Mann, aber: starker Tobak – kräftiger Tobak ? Im Deutschen oft Komposita: Weltstandard vs. international best practice Große Ähnlichkeit zu "terminologische Phrase", "Terminus Technicus", "Namen"

4 Typische Eigenschaften
Kollokationen Typische Eigenschaften Nicht kompositionell "Neue Schuhe" versus "Neuer Markt" Nicht substituierbar "white wine" , "yellow wine" Nicht modifizierbar "Neuer dynamischer Markt" aber "dynamischer Neuer Markt" ( Adj, Nomen) Erweiterte Definition schließt ein: Eigennamen Terminologische Ausdrücke ("test set", "program specification") Assoziative Kollokationen ("Krankenhaus – Schwester") Verb / Substantiv – Kollokationen ("Entscheidung treffen")

5 Kontext und Anwendungen
Keine Bedeutung in strukturalistischer Linguistik à la Chomsky Anwendungen: Spracherzeugung … also auch maschinelle Übersetzung stiff breeze = starke Brise?? steifer Wind?? Korpus-Linguistik (besonders Wörterbücher) Parsen Terminologie Extraktion (in technischer Literatur) "Projektbeginn" : " Projektbeginn ist am...", "Projekt beginnt am..."

6 Einfachstes Verfahren:
Frequenzanalyse Einfachstes Verfahren: Worthistogramm erstellen die Wörter, die häufig gemeinsam (z.B. in einem Satz, "in der Nachbarschaft" vorkommen), bilden Kollokation Unbrauchbar: C(w1,w2) w1 w2 of the … to be … New York Nach Manning, New York Times Korpus, 115 MB Text C(w1,w2): Häufigkeit des gemeinsamen Vorkommens.

7 A = Adjektiv, N = Nomen, P = Präposition
Frequenzanalyse Wesentliche Verbesserung durch einfache Syntaxmuster (Justeson, Katz, 1995) Voraussetzung: Wörter sind markiert ("tag") Muster Beispiel A N linear function NN regression coefficient (im D Kompositum!) NAN mean square error (mittlerer quadr. Fehler) NPN degrees of freedom (Freiheitsgrade) A = Adjektiv, N = Nomen, P = Präposition

8 Frequenzanalyse mit Syntaxfilter
NYT-Korpus (wie oben) mit Justeson / Katz Filter

9 Nicht substituierbare Adjektive: "strong" vs "powerful"
Fast disjunkte Listen => Differenzierung der Semantik

10 Verbesserungen leicht möglich durch
Fazit Einfache quantitative Technik (hier Frequenzfilter) kombiniert mit einfachem linguistischen Wissen liefert erstaunlich gute Ergebnisse Verbesserungen leicht möglich durch Stoppwort-Filter Lemmatisierung (Reduktion auf Stammformen) Aber: Große Trainingsmenge Bisher nur auf n-Gramme, n klein

11 Mittelwert und Standardabweichung
Bisher: n-Gramme Syntaxmuster sonst kaum sinnvoll anwendbar(?) (oder auch reguläre Ausdrücke sinnvoll??) Alternative: Fenster der Breite b zulassen b im allgemeinen klein (5 … 10), da Kollokationen lokales Phänomen sind. Beispiel : "Projektbeginn" "Das Projekt beginnt am " "Nach Verzögerungen beginnt das Projekt…" "Das Projekt, an das keiner mehr geglaubt hat, beginnt am…" "Das Projekt mit der knappsten Personalausstattung beginnt.."

12 Mittelwert und Standardabweichung
Berechne Mittelwert und Standardabweichung der Wortabstände Im Beispiel: d = ¼ *( ) = 4,0 s = Ö S (di-d)2 /(n-1) = 5,1… Frequenz/Abstands-Histogramme von zu untersuchendem Wort w und anderen x,y,z sind Indiz für Kollokationen w x, w y, w z (Abb.) Hypothese - nur in homogenem Textmaterial anwendbar "Die Klasse beginnt mit einem import-…" (ok) "Die Aufführung beginnt …" (disjunkte Korpora?)

13 Frequenzhistogramm eines Wortes rel. zu anderen
flach: keine Kollokation opposition - strong support - strong zwei Maxima: keine Kollokation for - strong

14 Varian und Mittelwert von Wortändenabst
Mittelwert und Standard- abweichung Interpretation Kleiner mittlerer Abstand d und kleine Standardabweichung entspricht Syntaxmustern. Großer Abstand und kleine Standardabweichung -> interessant, Kollokation? Hohe Standardabweichung -> nicht interessant.

15 Typisches statistisches Problem: Hypothesentests
Wie lassen sich zufällige Ergebnisse vermeiden? Beispiel: zufällig häufiges Auftreten von "neue" und "Firmen" , etwa in Wirtschaftsartikeln. Typisches statistisches Problem: Hypothesentests Nullhypothese: z.B. zwei zufällige Ereignisse sind unabhängig. Bestimme Wahrscheinlichkeit p, dass sie beide eintreffen, wenn Nullhypothese zutrifft. Nullhypothese zurückweisen, wenn p zu klein z.B. p <= 0,05.

16 Statistische Testverfahren z.B. t-Test :
Hypothesentests Beispiel Hypothese: Die Wörter "new" und "companies" kommen unabhängig in Texten vor (keine Kollokation): P(w1 w2) = P(w1) P(w2) Statistische Testverfahren z.B. t-Test : Gegeben N Messungen, errechneter Mittelwert x und Varianz s2. Zu testen die Nullhypothese: Daten sind aus einer Menge mit gegebene Verteilung und Mittelwert m. Technisch: berechnen des t-Wertes: t = (x – m) /( Ö s2/N ) t-Verteilung liefert Konfidenzniveau, auf dem Nullhypothese verworfen oder akzeptiert wird.

17 Hypothesentest: Beispiel
Beispiel wie oben: " new", "companies".... Experimentelle Daten Anzahl Wörter im Korpus: N= Anzahl Vorkommen: "new": "companies": 4675 Maximum Liklihood Schätzungen P("new") = 15828/N, P("companies") = ... Nullhypothese: "new" und "companies" sind unabhängig: H0: P("new companies") = P("new")*P("companies")  3,6 * 10 -7

18 Hypothesentest: Beispiel
Interpretation der Nullhypothese als Bernoulliprozess: zufällige Auswahl von Wortpaaren (w1,w2) mit (w1,w2) = ("new companies") = 1, 0 sonst, p = 3,6 * 10 –7 Mittelwert m = 3,6 * 10 –7 Varianz für Binominalverteilung: p(1-p)  p . 8 mal kommt das Bigramm "new companies" tatsächlich unter den Bigrammen auf: x = 8 /  5,5* 10-7 t berechnen: t  0,999.

19 Beispiel: Hypothesentest
Kritischer Wert für Konfidenz p = 0,995 , dass Nullhypothese zutrifft ist t0 = 2,576. Nullhypothese ist für t > t0 zurückzuweisen. Trifft hier NICHT zu => "new companies" keine Kollokation (Bestätigung der Null-Hypothese)

20 Kritik Hier gute Ergebnisse (Tabelle), aber viele Bi-Gramme sind nach dem Modell Kollokationen (falsches Modell?) => statistische Hypothesentests nur interessant für Rangordnung möglicher Kollokationen. Signifikanzlevel eher uninteressant.

21 Andere Verfahren Relative Frequenzen:
Mehre Korpora Erwartet: Verhältnis der Frequenzen nahe 1 Aber: Sprachentwicklung "Prager Fühling", "east Berliners",... Interessant, um Fachterminologie von anderen Kollokationen zu trennen. D Informationstheoretisches Maß I(w, v) = log ( P(w v) / (P(w)P(v)) ) = log (P( w|v) / P(w)) = ... "Welche Information liefert w über v bzw. v über w" Brauchbares Maß für Unabhängigkeit von w, v, aber insgesamt für Kollokations-Analyse wenig geeignet.

22 Allgemeines zu probabilistischen Sprachmodellen
Jeder Wortfolge t = w1w2…wn wird Wahrscheinlichkeit p(t) zugeordnet Verkettung und bedingte Wahrscheinlichkeiten für Text t: p(t) = p(w1…wn) = p(w1) … p(wn|w1,…wn-1) mit p(wk | w1…wk-1) = p(w1…wk) / P(w1…wk-1)  C(w1…wk) / C(w1…wk-1) (C: Empirische Frequenzen der Folgen) Diese "Verkettungsregel" führt zu einem Historien-basierten Modell´. Historien clustern, um riesige Parametermenge zu reduzieren.

23 Klassische statistische Sprachmodelle
n-gram Modelle Klassische statistische Sprachmodelle Jedes Wort wird in einem begrenzten Kontext entsprechen einer bedingten Wahrscheinlichkeit vorhergesagt. Tabellen… P(of|both) = 0,066 P(to|both) = 0,041 P(in|both) = 0,038 w1 w2 w3 wn n klein, lokaler Kontext.

24 n-gram -Modelle Fragwürdig, weil Distanz von aufeinander Einfluß habenden Wörtern SEHR groß ist. "Der Politiker, wohl wissend, dass seine anstehende Entscheidung zur Reform des Arbeitsmarktes erhebliche Auswirkung auf das Leben des Einzelnen, besonders des gering Verdienenden, haben würde, liess sich in seinem Vorhaben nicht beirren." Nützlich… … weil solche Sätze selten sind Empirische Untersuchungen: 74% Abhängigkeit zwischen benachbarten Wörtern (einfache Nominalphrasen als Wörter gezählt), 95% innerhalb 1…5 Wörtern.