周强

(清华大学 信息技术研究院语音和语言技术中心 北京 100084)

汉语谓词组合范畴语法词库的自动构建研究

周强

(清华大学 信息技术研究院语音和语言技术中心 北京 100084)

谓词词库是深层语法模型分析和理解的核心资源。近年来的常规方法是人工构建或从标注语料库中自动获取，标注规模和信息容量的扩大受制于巨大的人工投入量和标注库体系设计。该文提出了一种多资源融合自动构建汉语谓词组合范畴语法(CCG)词库的新方法。从知网、北大语法信息词典和大规模事件句式实例中提取汉语谓词的不同句法语义分布特征，融合形成CCG原型范畴表示，将它们指派给各资源信息完全重合的谓词形成核心词库。然后通过自动分类和隶属度分析相结合方法对其他谓词的CCG范畴进行预测，并对两者结果进行融合得到扩展词库，最终合并形成包含约15,000个词条的汉语谓词CCG词库。通过在随机均匀抽样的1000个谓词上通过多人独立标注形成的标准测试库上进行不同角度的性能分析实验，表明该词库的预期准确率达到了96.3%。

组合范畴语法；汉语谓词词库；多资源融合

1 引言

对文本内容的深度理解一直是自然语言处理研究的核心课题。在句子分析层面，随着一些浅层句法分析(如层次结构树和依存树)和浅层语义分析(如语义角色标注)方法的不断发展和完善，近年来的研究工作开始转向深层语法理论和相关资源研究方面。

深层语法……