基于层叠隐马模型的汉语词法分析.doc

基于层叠隐马模型的汉语词法分析
基于层叠隐马模型的汉语词法分析

基于层叠隐马模型的汉语词法分析?
刘群1,3张华平1,2俞鸿魁1程学旗1
1中国科学院计算技术研究所北京100080
2中国科学院研究生院北京100039
3北京大学计算语言学研究所北京100871
E-mail:{liuqun,zhanghp,yuhongkui,cxq}@ict.ac.cn
摘要:本文提出了一种基于层叠隐马模型的汉语词法分析方法，旨在将汉语分词、词性标注、切分排歧和未登录词识别集成到一个完整的理论框架中。在分词方面，采取的是基于类的隐马模型，在这层隐马模型中，未登录词和词典中收录的普通词一样处理。未登录词识别引入了角色HMM：Viterbi算法标注出全局最优的角色序列，然后在角色序列的基础上，识别出未登录词，并计算出真实的可信度。在切分排歧方面，作者提出了一种基于N-最短路径的策略，即：在早期阶段召回N个最佳结果作为候选集，目的是覆盖尽可能多的歧义字段，最终的结果会在未登录词识别和词性标注之后，从N个最有潜力的候选结果中选优得到。不同层面的实验表明，层叠隐马模型的各个层面对汉语词法分析都发挥了积极的作用。作者实现了基于层叠隐马模型的汉语词法分析系统ICTCLAS，该系统在2002年的973专家组评测中获得第一名，在2003年汉语特别兴趣研究组(theACLSpecialInterestGrouponChineseLanguageProcessing,SIGHAN)组织的第一届国际汉语分词大赛中综合得分获得两项第一名、一项第二名。这表明：ICTCLAS是目前最好的汉语词法分析系统之一，层叠隐马模型能够解决好汉语词法问题。
关键词:汉语词法分析;分词;词性标注;未登录词识别;层叠隐马模型;ICTCLAS
中图法分类号:TP391.2文献标识码:A
ChineseLexicalAnalysisUsingCascadedHiddenMarkovModel

LIUQun1,3ZHANGHua-Ping1,2YUHong-kui1CHENGXue-Qi1
1InstituteofComputingTechnology,TheChineseAcademyofSciences,Beijing,100080CHINA
2GraduateSchooloftheChineseAcademyofSciences,Beijing,100039CHINA
3Inst.ofComputationalLinguistics,PekingUniversity,Beijing,100871CHINA
Email:{liuqun,zhanghp,yuhongkui,cxq}@ict.ac.cn
Abstract:ThispaperpresentsanapproachforChineselexicalanalysisusingCascadedhiddenMarkovmodel(CHMM),whichaimstoincorporateChinesewordsegmentation,Part-Of-Speechtagging,disambiguationandunknownwordsrecognitionintoanintegratedtheoreticalframe.Aclass-basedHMMisappliedinwordsegmentation,andinthismodelunknownwordsaretreatedinthesamewayascommonwordslistedinthelexicon.UnknownwordsarerecognizedwithreliabilityonrolessequencetaggedusingViterbialgorithminrolesHMM.Asfordisambiguation,theauthorsbringforthann-shortest-pathstrategythat,intheearlystage,reservesthetopNsegmentationresultsascandidatesandcoversmoreambiguity.VariousexperimentsshowthateachlevelintheCHMMcontributestoChineselexicalanalysis.AnCHMM-basedsystemICTCLASwasaccomplished.Thesystemrankedtopintheofficialopenevaluation,whichwasheldby973projectin2002.AndICTCLASachieved2firstranksand1secondrankinthefi