基于统计中文词自动分类的研究.doc

基于统计的中文词自动分类研究* 973国家重点基础研究项目、国家自然科学基金项目。
赵石顽夏莹马少平
智能技术与系统国家重点实验室清华大学计算机系100084
E-mail: ******@. Tel: 010-62782266
一、引言
基于统计的中文词分类在自然语言处理领域有着重要的应用。机器自动生成的词类可以取代文法的词类;在分类基础上建立的基于类的语言模型可以应用于语音识别、OCR、汉字智能输入等许多领域。众所周知,基于词的语言模型在自然语言处理的许多方面取得了巨大的成功。然而,基于词的语言模型也存在着许多的问题,如参数空间庞大,训练数据不足,数据稀疏等。词的分类可以在一定程度上解决上述问题。在计算语言学方面的应用中,不管是采用统计的方法,还是采用文法的方法,对词类进行处理都比对单个的词进行处理时问题的复杂度要小得多。我们用基于类的语言模型取代基于词的语言模型,可以减小模型的参数空间,减少系统对存储空间的要求。从而可以在小型的系统如掌上电脑、移动电话上建立基于类的语言模型,实现智能输入等。
词的分类是建立基于类的语言模型的基础。无论是针对中文,还是别的语言,人们对词的类算法已经做了许多的研究。
Brown等人提出了两个词的自动分类算法。在他们实现的两个分类算法中,都是利用平均互信息作为评价函数。算法I.(1) 首先将每一个词都当成一个单独的类,然后计算所有相邻类的互信息;(2) 将互信息损失最少的两个类合并;(3) 经过V-C次合并得到C个类;(4) 在得到C个类以后,把词汇表中的每一个词移到一个使得平均互信息最大的类中,重复该步骤直到互信息不再增加为止。然而,他们认为,当词汇表的大小超过5,000时,这个算法是不可行的。,(1) 将C个频度最高的词作为C个单独的类;(2) 将未被分配的词中频度最高的一个词作为第C+1类,然后将这C+1个类中互信息损失最wenjian-3少的两个类合并;(3) 经过V-C步后,词汇表中的V个词被分成C个类。用这个方法,一个有260,741个英文单词的词表被分成了1,000类。
Chang和Chen在他们的论文中,以混乱度作为全局最优评价函数,提出了一个模拟退火的词分类算法:(1) 初始化:将每个词随机分配到一个类中,类的总数是事先定义好的。(2) 移动:随机地选取一个词,将该词重新分配到一个随机选取的类中。(3) 接受或者返回:如果混乱度的改变在控制的范围之内,则接受新的分配,否则,撤销刚才2的操作。(4) 循环:重复上述两个步骤,直到混乱度收敛为止。该算法试图找出一个全局最优的分类方案,但是在训练集比较大的时候,算法的时间复杂度太大。
Gao和Chen提出了一个自顶向下的二叉树分裂的方法,他们利用词的上下文的方向性,同时得到两个分类二叉树。McMahon在他的论文中,提出了一个类似退火的分类算法。李涓子在她的博士论文中,提出了一种聚类的算法。她认为聚类过程主要由三个部分组成:聚类时词分布的描述方法,聚类采用的控制策略以及控制聚类过程的目标函数。她在聚类时是采用自顶向下的方法,词的分布信息用的是词的二元同现关系,利用信息论中的熵作为聚类时的目标函数。
上面描述的自顶向下分裂的方法和从下而上合并的方法,两者具有一定的互补性。在自顶向下