J zyk generowany przez UG

Transkrypt

1 Gramatyki unifikacyjne (UG) Gramatyki unifikacyjne (UG), Semantyka j ę zyka naturalnego Wieloznacznoś ć słów Zapis własności języka naturalnego w gramatykach unifikacyjnych. Przykład formalizmu - HPSG. Literatura dodatkowa: Shieber, S. M. An Introduction to Unification-Based Approaches to Grammar, CSLI Stanford, 1986 Pollard, C., I. Sag, Head-Driven Phrase Structure Grammar, The University of Chicago Press, Lista wymaga ć opis wymagań umieszczamy w strukturze atrybutów przypisanej danemu wyrazowi jako wartoś atrybutu arg-st sleep cat v arg-st elist brak dopełnień num pl meet cat v arg-st [cat np ] jedno dopełnienie, NP num pl give cat v dwa dopełnienia: arg-st < [ cat np ], [cat np ]> NP i NP num pl tell cat v dwa dopełnienia: arg-st < [cat np ], [cat s ]> NP i S num pl Realizacja wymaga Realizacja wymagań polegać bę dzie na skracaniu listy arg-st w momencie rozpoznania frazy opisanej przez jej kolejny element [ cat s ] [ cat np ] cat v arg-st elist cat v cat v [ cat X ] arg-st Y arg-st first X rest Y Drzewo wywodu [cat s] cat v arg-st <> [cat s] cat v cat v arg-st <s> arg-st <> [cat np] cat v [cat np] [cat np] cat v arg-st <np, s> arg-st <np> [cat np] J zyk generowany przez UG w = a1... an naleŝ y do ję zyka generowanego przez gramatykę G ( w L(G)) jeŝ eli cią g δ =A1,..., An, otrzymany w wyniku zastą pienia wyrazów a i opisami słownikowymi jest unifikowalny z jakimś cią giem otrzymanym na drodze wywodu z symbolu począ tkowego (jeŝ eli istnieje wywód w G rozpoczynają cy się od symbolu startowego i koń czą cy się formą δ, taką, Ŝ e δ δ ) John told Paul he loved Ann. 1

2 Równowa no UG i maszyny Turinga Gramatyki unifikacyjne są typu 0 - to znaczy moc ich równowaŝ na jest mocy maszyny Turinga (generują ję zyki rekurencyjnie przeliczalne) Oznacza to, Ŝ e nie istnieje procedura, która dla dowolnej gramatyki unifikacyjnej G i cią gu w okreś li, czy cią g ten naleŝ y do ję zyka generowanego przez G. Formalizmy unifikacyjne FUG Functional Unification Grammar LFG Lexical-Functional Grammar GPSG Generalized Phrase Structure Grammar CUG Categorial Unification Grammar HPSG Head-driven Phrase Structure Grammar... HPSG Head-driven driven Phrase Structure Grammar Teoria lingwistyczna (Pollard & Sag, 1987, 1994) o podstawach formalnych (istnieją logiki aksjomatyzują ce teorie HPSG) Teoria oparta na ograniczeniach: wyraŝ enie lingwistyczne jest gramatyczne jeś li spełnia (jednocześ nie) wszystkie nakładane przez gramatykę ograniczenia. Gramatyka HPSG składa się z: sygnatury zawierają ce opis struktury obiektów (typy, atrybuty), teorii składają cej się z ograniczeń nakładanych na obiekty opisywane przez sygnaturę. HPSG, hierarchia typów word sign PHON phon SYNSEM synsem phrase HD-DTR sign NONHD-DTR list(sign) Sygnatura zawiera opis struktury obiektów (typy, atrybuty). Sign - kaŝ dy obiekt lingwistyczny, word -słowo, phrase - fraza Typy w HPSG, cd. Ograniczenia synsem LOCAL local CAT CONTENT category HEAD ARG-ST content head args SUBJ list_of_synsems COMPS list_of_synsems Do ję zyka opisywanego przez gramatykę HPSG naleŝ ą wyraŝ enia, które spełniają jednocześ nie wszystkie ograniczenia nałoŝ one przez tę gramatykę. Brak poję cia wywodu, wszystko dane deklaratywnie. Zasada elementu głównego: phrase SYNSEM LOCAL CAT HEAD 1 HD-DTR SYNSEM LOCAL CAT HEAD 1 2

3 Realizacja wymaga, zasada walencji Phrase SYNSEM LOCAL CAT VAL elist HD-DTR SYNSEM LOCAL CAT VAL 1 NON-HD-DTRS 2 i synsem-signs( 1, 2 ) Zasada walencji mówi, Ŝ e frazy muszą mieć pustą listę VAL, a ich składniki muszą odpowiadać wymaganiom zapisanym na liś cie VAL elementu głównego frazy. Przykład word PHON <daje> SYNSEM synsem LOC local CAT HEAD verb VFORM fin VAL < 1 NP [nom] [3, sing], 2 NP [dat], 3 NP [acc] > ARG-ST args SUBJ 1 COMPS < 2, 3 > PHON <Jan pisze list > SYNS synsem LOC local CAT cat W słowniku w opisie pisze : SUBCAT < 1 NP[nom], 2 NP[acc]> Jan pisze list HEAD 4 SUBCAT <> H NH NH ARG-ST < 11, 12 > pisze Jan list HD-DTR PHON < pisze > SYNS synsem LOC local CAT HEAD 4 verb VFORM fin SUBCAT < 11, 12 > AGR-ST < 11, 12 > NON-HD - -DTRS < PHON <Jan>, PHON <list> > SYNS 11 synsem SYNS 12 synsem LOC local LOC local CAT cat CAT cat HEAD noun HEAD noun CASE nom CASE acc SUBCAT <> SUBCAT <> AGR-ST < > AGR-ST < > Systemy implementuj ce HPSG ALE, The Attribute Logic Engine, Carpernter, efektywny system zachowują cy elementy gramatyki PSG (CFG) LKB - Stanford, efektywny system nieco ograniczają cy moc HPSG ConTRoll - Tuebingen, nieefektywny, idealistyczny system TRALE - Tuebingen, nowa, efektywniejsza wersja ConTrolla (wykorzystanie doć wiadczeń z systemu ALE) Reguły y gramatyczne, ALE schema1 rule % wszystkie wymagania za hd-dtr (hd_val_ph, phon Mphon, synsem:loc:cat:val:(subj: [ ], comps: [ ]), hd_dtr: HDtr, non_hd_dtrs: NHdtr) ===> cat> (HDtr, phon:hphon, synsem:loc:cat:val:(subj:[subj],comps:comps)), goal> ( najwyzej_trzy(comps), synsems_to_signs([subj Comps], Slist), permutation(slist, NHdtr)), cats> (NHdtr), goal> ( wysycone_wym_l(nhdtr), sign_list_phon(nhphon, NHdtr), append(nhphon,hphon, Mphon),case_principle(Hdtr)). Przypadek dopełnie cp_comp((loc:cat:head:major:(nominal_t, agr:case:case)), Neg) if cp_comp_case(case, Neg). cp_comp((loc:cat:head:major:(@not_nominal)), Neg) if true. Przypadkiem strukturalnym dla dopełnień czasownika nie zanegowanego jest biernik: cp_comp_case(acc_t, no_t) if dla dopełnień true. czasownika zanegowanego dopełniacz: cp_comp_case(gen_t, yes_t) if Przypadki leksykalne są cp_comp_case(lex_t, Neg) if true. akceptowane bezwarunkowo: true. 3

4 LKB, hierarchia typów w słów s LKB, hierarchia typów w słów s LKB, prezentacja rozbiorów Semantyka j zyka naturalnego Przypadki głębokie (role semantyczne) Rachunek predykatów I rzędu DRT (Discourse Representation Theory) Literatura dodatkowa: Logic, Language and Meaning, L. T. F. Gamut, The University of Chicago Press, Semantyka czyli znaczenie ustalenie co jest znaczeniem konkretnego wyraŝ enia w ję zyku naturalnym nazwy obiektów, relacji mię dzy nimi,... sieci semantyczne wskazują ce na hierarchię i pokrewień stwo terminów ustalenie sposobu reprezentowania znaczenia okreś lenie niezbę dnego zakresu wiedzy pragmatycznej okreś lenie zasad wnioskowania Zapis znaczenia, przypadki głg bokie Jeś li zbudujemy drzewo budowy syntaktycznej zdania, to moŝ emy pokusić się o przyporzą dkowanie poszczególnych elementów składniowych (wymagań i modyfikatorów) do ról semantycznych (przypadków gł ę bokich), jakie poszczególne obiekty pełnią w sytuacji opisywanej przez czasownik. Liczba przypadków głę bokich i ich nazwy nie są ś ciś le ustalone, a ich uŝ ycie zaleŝ y od konkretnego czasownika. Podstawowe role semantyczne są ustalone (choć czasami inaczej nazywane), ale na potrzeby róŝ nych teorii czy dla konkretnych zastosowań wprowadza się róŝ ne zestawy ról rozróŝ niają cych istotne z punktu widzenia tego zastosowania funkcje. 4

5 Zapis znaczenia, przypadki głg bokie S (Na strychu Jan zobaczył potwora) PP (modyfikator) NP (podmiot) VP Prep NP N V NP (dopełnienie) na N Jan zobaczył potwora strychu predykat: zobaczyć aktor Jan obiekt potwór miejsce strych Zapis znaczenia, przypadki głg bokie Rola znaczenie przykład AGENT wykonawca Kot rozlał mleko. EXPERIENCER doświadczający zdarzenia Jana boli głowa. FORCE siła wywołująca (niecelowo) Wiatr złamał drzewo. THEME obiekt Kiedy rozbił\ lód. RESULT rezultat Wybudował \dom. CONTENT cytat/treść Jan spytał ``Byłeś tam sam?''. INSTRUMENT uŝyte narzędzie Uderzył go kijem. BENEFICIARY ktoś na rzecz kogo Kupił mu dom. or RECIPENT odbyła się akcja SOURCE miejsce początkowe Przyleciał z ParyŜa. GOAL miejsce docelowe Poszedł do kina. Rachunek predykatów w I rz du Naturalną metodą reprezentowania semantyki jest rachunek predykatów I rzędu Nie jest to idealny sposób zapisu, nie pozwala na wyraŝenie wszystkich znaczeń, ale ma wiele właściwych cech: pozwala zapisać czy jakiś fakt jest prawdziwy czy fałszywy pozwala zapisywać pytania (uŝycie zmiennych) są metody wnioskowania Wybór rachunku pred. I rzędu nie jest całkowicie arbitralny czy sterowany konkretnymi aplikacjami. MoŜna zauwaŝyć pewne analogie między językiem naturalnym a językiem rachunku predykatów. Cechy rachunku pred. I rzędu: wprowadzenie zmiennych, uŝycie kwantyfikatorów, częściowo kompozycyjna semantyka Analiza semantyczna Analiza semantyczna to proces przekształcenia wyraŝenia lingwistycznego w zapis jego znaczenia Są miliony sposobów dokonania takiego przekształcenia, od rozwiązań całkowicie ad hoc, opracowanych na potrzeby konkretnych aplikacji do wyrafinowanych metod teoretycznych o często wątpliwym znaczeniu praktycznym Większość metod analizy semantycznej opiera się na wynikach analizy syntaktycznej (albo jest dokonywana równolegle z nią) Semantyka kompozycyjna Większość metod zapisu znaczenia zakłada KOMPOZYCYJNOŚĆ semantyki, tzn. przyjmuje załoŝenie, Ŝe znaczenie większych fragmentów teksu (zdania) moŝe zostać określona jako funkcja znaczeń jego elementów, czyli słów i fraz Na czy polega to w praktyce? PokaŜemy na przykładzie zdania: Filemon pije mleko Przykład Filemon pije mleko S e Isa(e, Picie) Piją cy(e, Filemon) Pity(e, Mleko) NP VP NP Proper-Noun Verb Mass-Noun Filemon pije mleko 5

6 Rozszerzone reguły y syntaktyczne Jak uzyskać znaczenie zdania ze znaczenia elementów? Dołączymy do reguł gramatyki CFG dodatkowe informacje (podobnie jak miało to miejsce przy rozszerzaniu CFG do gramatyk unifikacyjnych) Reguła gramatyki będzie miała teraz postać: A α1... αn { f(αj.sem,..., αk.sem) } W powyŝszym przykładzie: ProperNoun Filemon {Filemon} MassNoun mleko {Mleko} NP ProperNoun {ProperNoun:sem} NP MassNoun {MassNoun:sem} Verb pije { e, x, y Isa(e, Picie) Pijący(e, x) Pity(e, y)} Wyra enia Lambda Jak włączyć semantykę argumentów do semantyki czasownika? WyraŜenia Lambda : λx.p(x) λ x.p(x)(a) P(A) Verb pije {λxλy. { e Isa(e, Picie) Pijący(e, y) Pity(e, x)} S NP VP VP Verb NP {VP:sem(NP:sem)} {Verb:sem(NP:sem)} W restauracji podają mięso. przykład Wydaje się, Ŝe interpretacją powyŝszego zdania powinno być: e,x Isa(e, Serving) Server(e, x) Served(e, Meat) Isa(x, Restaurant) ale, jeŝeli załoŝymy, Ŝe interpretacją wyrazu restauracja jest wyraŝenie: x Isa(x, Restaurant) to jak uzyskać powyŝsze tłumaczenie z: λxλy. e Isa(e, Serving) Server(e, y) Served(e, x) Proste zastąpienie zmiennej wyraŝeniem λ nie prowadzi do właściwego rezultatu. Wynikiem jest: e Isa(e, Serving) Server(e, xisa(x, Restaurant)) Served(e, Meat) niestety powyŝszy zapis nie jest wyraŝeniem rach. pred. I rz. (FOPC) Wprowadzenie termów w złoz onych Rozwiązaniem problemu jest taki zapis semantyki fraz rzeczownikowych, aby jej elementy były dostępne z zewnątrz : Wprowadzenie termów złoŝonych i sposobu ich przekształcania: < Quantifier variable body > np. x Isa(x, Restaurant) e Isa(e, Serving) Server(e, < xisa(x, Restaurant) >) Served(e, Meat) Przekształcenie na wyraŝenie logiki I rzędu: P (< Quantifier variable body >) Quantifier variable body Connective P(variable) Server(e, < xisa(x, Restaurant) >) xisa(x, Restaurant) Server(e, x) Wprowadzenie termów w złoz onych Przekształcenie na wyraŝenie logiki I rzędu: P (< kwantyfikator zmienna treść >) kwantyfikator zmienna treść spójnik_logiczny P(zmienna) P (< zmienna treść >) => zmienna treść P(zmienna) Przykład analizy semantycznej e Isa(e, Picie) Pijący(e, Filemnon) Pity(e, Mleko) S NP Filemon VP λ x. e Isa(e, Picie) Pijący(e, x) Pity(e, Mleko)} P (< zmienna treść >) => zmienna treść P(zmienna) NP Mleko Server(e, < x Isa(x, Restaurant) >) (jakaś restauracja) x Isa(x, Restaurant) Server(e, x) Server(e, < x Isa(x, Restaurant) >) (kaŝ da restauracja) x Isa(x, Restaurant) Server(e, x) Proper-Noun Filemon Verb Mass-Noun Mleko Filemon pije mleko λyx. e Isa(e, Picie) Pijący(e, x) Pity(e, y)} 6

7 Wnioskowanie Nie chcemy tylko kopiować faktów, ale teŝ wyciągać wnioski, np. Jeśli wiemy, Ŝe X dostał Oskara za rolę w filmie Y, to wiemy teŝŝe X jest (dobrym, znanym, uznanym) aktorem, wiemy czym się w przybliŝeniu zajmował w czasie, gdy kręcony był ten film, Ŝe zna reŝysera i aktorów, którzy grali inne główne role... Język reprezentacji wiedzy musi uwzględniać wnioskowanie - mechanizmy wyliczania wartości prawda lub fałsz dla stwierdzeń, które nie pojawiają się bezpośrednio w danych Modus ponens Standardową regułą wnioskowania dla logiki pierwszego rzędu jest modu ponens α, α β β (jeŝeli wiemy Ŝe α oraz Ŝe α β to moŝemy wywnioskować β) np. Mruczek jest kotem, Jeśli x jest kotem, to x lubi mleko Mruczek lubi mleko Forward and backward chaining Modus ponens - wnioskowanie wprzód dodając do bazy nowy fakt wyliczamy wszystkie jego konsekwencje Wnioskowanie wstecz (od pytania do faktów) - mając pytanie, dopasowujemy go do formuł w bazie danych, jeśli uda nam się dowieść wszystkich przesłanek, fakt jest prawdziwy, np. Pytamy czy Mruczek lubi mleko, znajdujemy formułę Jeśli x jest kotem, to x lubi mleko, dokonujemy podstawienia x- Mruczek i otrzymujemy do sprawdzenia przesłankę zdania Mruczek lubi mleko, która jest juŝ w bazie danych, a więc pytanie uznajemy za udowodnione. Rezolucja Wnioskowanie wprzód i wstecz nie są zupełne, tj. są twierdzenia, które są prawdziwe, ale nie mogą być za pomocą tych metod udowodnione Metodą zupełną jest rezolucja (ale jest kosztowniejsza) - aby udowodnić p w ramach teorii T zakładamy, Ŝe prawdziwe jest p i próbujemy dojść do sprzeczności DRT Inne metody reprezentacji semantyki Situation semantics Montague grammar... DRT - Discourse Representation Theory metoda reprezentacji znaczenia wypowiedzi polegająca na konstruowaniu specjalnej struktury, nazwanej DRS (Discourse Representation Structure); Kamp i Reyle (1991); Struktura ta składa się z dwóch części: zbioru obiektów (discourse referents), zwanych uniwersum, zbioru warunków opisujących zaleŝności między obiektami. Przykładowo, zdanie Jones owns Ulysses (Jones posiada Ulissesa) moŝna przedstawić w postaci następującej struktury DRS: x y Jones (x) Ulysses(y) [x owns y] 7

8 Reguły y budowy struktur DRS Budowa reprezentacji semantycznej wypowiedzi w teorii DRT polega na stopniowym przekształcaniu struktury syntaktycznej za pomocą odpowiednich reguł konstrukcyjnych. Reguły mogą zmieniać strukturę oraz rozszerzać uniwersum DRS o nowe zmienne referencyjne. Warunkiem zadziałania reguły jest wykrycie w analizowanej strukturze poddrzewa spełniającego pewne warunki odnoszące się bezpośrednio do jej struktury. Reguły y budowy struktur DRS, cd Kolejność stosowania reguł zaleŝy od miejsca występowania struktur spełniających warunki ich zastosowania - jako pierwszą wybiera się regułę dla której odpowiednia struktura znajduje się najwyŝej w analizowanym drzewie. W przypadku gdy dwie struktury znajdują się na tym samym poziomie naleŝy poprowadzić równolegle dwie analizy, w kaŝdej z nich wybierając inną regułę jako pierwszą. Uzyskanie w wyniku tego róŝnych struktur DRS odpowiada sytuacji niejednoznaczności analizowanego tekstu. CR.PN - reguła a dla rzeczowników własnych konfiguracje wyzwalające regułę: S lub VP NP Gen=b VP V NP Gen=b PN a zmiana uniwersum: dołączenie nowej zmiennej referencyjnej u; (nazwa róŝna od wszystkich juŝ występujących w DRS) zmiana zbioru warunków: dołączenie warunków a(u), Gen(u)= b zmiana struktury : wstawienie węzła u zamiast poddrzewa a PN CR.PN u S a(u) Gen(u) = b NP Gen=b VP S PN a u VP Analiza przykładu 1. Reguła CR.PN ekstrahuje podmiot, tworząc dla niego odpowiednią zmienną referencyjną (x). S x VP V owns VP NP Gen=-hum PN Analiza przykładu, cd 2. Do struktury DRS dołączone zostanie wyraŝenie Jones(x) wiąŝące zmienną x z reprezentowanym przez nią obiektem. Po tym kroku analizy struktura DRS przedstawiać się będzie następująco: x Jones (x) [x owns Ulysses] Ulysses PowyŜsze drzewo jest w sposób skrócony zapisywane jako: [x owns Ulysses] 8

9 Analiza przykładu, 4 3. Kolejnym krokiem jest wyekstrahowanie obiektu posiadania i przypisanie mu takŝe zmiennej referencyjnej (y). W ten sposób uzyskamy pokazany na wstępie wynik: x y Jones (x) Ulysses(y) [x owns y] CR.NEG - reguła a dla negacji konfiguracja g wyzwalająca regułę: VP AUX not VP zamiana struktury zawierającej g na: S u VP VP John owns a car. x,y John(x) car(y) CR.NEG, przykład John does not own a car x John(x) y own(x,y) car(y) own(x,y) y(car(y) ^ own(j,y)) y(car(y) ^ own(j,y)) John owns a car. He likes it. Anafory John does not own a car.?he likes it. x,y x,w,z John(x) John(x) car(y) own(x,y) y likes(x,y) car(y) own(x,y) You can only pick up antecedents from the current DRS or DRSs you're embedded in. z=? w=? likes(z,w) Anafory w zdaniach zanegowanych a. John doesn't own Ulysses. b. He likes it (however). DRS dla (a): x,y John(x) Ulysses(y) DRS dla (a i b): x,y John(x) Ulysses(y) own(x,y) own(x,y) w=?? DRT always puts proper names into the main DRS. z=?? likes(z,w) DRT Motywacja (typowa) : rozwiązanie problemów, z którymi nie radzą sobie inne teorie: interpretacja zaimków, powiązanie fraz rzeczownikowych i zaimków (w ramach zdania i pomiędzy zdaniami) interpretacja informacji o czasie i aspekcie A man walks in a park. He whistles. A man walks in a park and whistles. x(man(x) walk_in_a_park(x) whistle(x)) A man walks in a park. He whistles. Apparently he is in a good mood.... trzeba znać cały tekst 9

10 Semantyka w HPSG Semantyka w HPSG, cd. synsem LOCAL local CAT CONTENT category HEAD head SUBCAT list_of_synsems content content nominal_object INDEX index RESTR list_of_psoa psoa RELN rel_name index gender gender number number person person nominal_object (NP) psoa (p_state_of affairs) (VP) i argumenty zaleŝ ne od relacji, np. INSTANCE index Semantyka w HPSG, przykład PHNON <ksiąŝka> SYNSEM LOCAL CATEGORY HEAD noun CONTENT nominal_object INDEX 1 index gender fem number singular person 3rd RESTR < psoa > RELN ksią ka INSTANCE 1 Semantyka w HPSG, przykład 2 PHNON <Piotr kupił ksiąŝkę> SYNSEM LOCAL CATEGORY HEAD 4 CONTENT psoa RESTR psoa RELN kupić AGENT 2 OBJECT 1 HD-DTR SYNSEM LOCAL CATEGORY HEAD 4 verb NONHD-DTRS < SYNSEM... INDEX 2 SYNSEM... INDEX 1 > Liczne inne problemy.. zaleŝności czasowe aspekt czasowników (idę, poszłam, chadzam) reprezentowanie przekonań (niekonieczne obiektywnie prawdziwych) Ujednoznacznianie słóws (WSD, Word sense disambiguation) 10

11 Powi zania mi dzy słowamis homonimy - jednakowy kształt słowa, róŝne znaczenia np. pokój (pomieszczenie) i pokój (przeciwieństwo wojny) homofony - jednakowe brzmienie słów, róŝna pisownia, znaczenie np. moŝe, morze polisemia - wielość powiązanych znaczeń jednego słowa np. góra (piętro domu, część ubrania...) Synonimy - róŝne leksemy o tym samym (prawie) znaczeniu (mogące się nawzajem zastąpić w pewnym kontekście) hyponimy - leksemy o szerszym znaczeniu np. pojazd mechaniczny vs. samochód, Zadania: ustalenie ile i jakich znaczeń posiada dane słowo rozpoznawanie w jakim konkretnym znaczeniu wystąpiło dane słowo - word sense disambiguation taksonomia, hierarchia pojęć WordNet - baza danych o znaczeniach słóws Utworzona ręcznie baza zawierająca opisy i powiązania semantyczne dla słów danego języka (pierwszy był angielski, nie ma jeszcze dla polskiego) zakres WordNet 1.6 dla angielskiego liczba form liczba znaczeń rzeczowniki czasowniki przymiotniki przysłówki WordNet nie zawiera słów z klas zamkniętych, np. spójników w praktyce mało słów ma wiele znaczeń Przykładowy opis znacze Fragment opisu rzeczownika bass w bazie WordNet: 1. bass - the lowest part of the musical range 2. bass, bass part - the lowest part in polyphonic music 3. bass, basso - an adult male singer with the lowest voice 4. sea bass, bass - flesh of lean-flesh saltwater fish 5. fresh water bass, bass - any of varoius North American lean-fleshed freshwater fishes 6. bass, bass voice, basso bass bass... Rzeczowniki Relacje w WordNet relacja definicja przykład hypernym pojęcie -> pojęcie nadrzędne breakfast->meal hyponym pojęcie-> pojęcie podrzędne meal -> lunch has-member grupa -> członek katedra->profesor member-of członek ->grupa pilot -> załoga has-part ma części stół -> blat part-of jest elementem talerz -> serwis antonym jest przeciwieństwem pierwszy ->ostatni Przykładowy opis hiponimii Sense 3 bass, basso -- (an adult singer with the lowest voice) => singer, vocalist => musician, instrumentalist, player => performer, performing artist => entertainer => person, individual, someone... => life form, organism, being... => entity, something => causal agent, cause, causal agency => entity, something 11

12 Rola AGENT EXPERIENCER FORCE THEME RESULT CONTENT INSTRUMENT BENEFICIARY SOURCE GOAL Role, FrameNet przykład Kot rozlał mleko. Jana boli głowa. Wiatr złamał drzewo. Kiedy rozbił lód. (uczestnik doświadczający skutków) Wybudował dom. Jan spytał Byłeś tam sam?. Uderzył go kijem. Kupił mu dom. Przyleciał z ParyŜa. Poszedł do szkoły. Selekcja znacze - ograniczenia na role eat something *I wanna eat someplace that s close to ICSI. I wanna eat some really cheap Chinese food right now. AGENT I / I THEME *someplace... /...food Czasownik eat wymaga, by w roli THEME występował obiekt jadalny Formułowanie owanie ogranicze Przedmiot dla czasownika eat musi być jadalny: Logika pierwszego rzędu: e,x,y eating(e) Agent(e,x) Theme(e,y) Isa(y,EdibleThing) Hierarchia hiponimii w WordNet Theme {food, nutrient} (jeden z klasyfikatorów, te pojęcia musza znaleźć się w hierarchii) hamburger, beefburger -- (a fried cake of minced meet served on a ban) => sandwich => snack food => dish => nutriment, nourishment, sustenance... =>food nutrient => substance, matter => object, physical object => entity, something Problemy z ujednoznacznianiem RóŜne ograniczenia na typ argumentów mogą pomóc przy ujednoznacznianiu przykładów: Which airlines serve Denver? - Pojedź do serwisu. Which one serves breakfast? - UŜyj tego granatowego serwisu. Ale: niedostateczny kontekst: Jaki serwis polecasz? Sytuacje niecodzienne On naprawdę zjadł szklankę! Przeczenie ale złota nie dało się jeść Bajki dla dzieci, sny...: śnił mi się latający krokodyl, piŝama w róŝowe słonie Ujednoznacznianie Reguły probabilistyczne niczego (prawie) nie wykluczamy całkowicie, podajemy preferencje algorytm podaje to znaczenie, dla którego prawdopodobieństwo jest w danym kontekście największe odpowiednia metoda dla niejednoznacznych czasowników, ale przy jednoznacznych argumentach Metody machine learning uczenie się na podstawie korpusów anotowanych morfologicznie znajdowanie kontekstów uŝycia i wyznaczanie prawdopodobieństw dla poszczególnych znaczeń 12