Corpora e linguistica computazionale Cristina Bosco Corso di Informatica applicata alla...

Corpora e linguistica computazionale

Cristina Bosco

Corso di Informatica applicata alla comunicazione multimediale

2013-2014

Elaborare il linguaggio naturale

Il problema della comprensione del linguaggio naturale è molto complesso per un computer.

Lo è anche per gli esseri umani, in cui l’apprendimento della lingua madre è un processo lungo e articolato.


Da un lato, esiste il problema di dotare il computer di tutta la conoscenza necessaria (acquisendola e rappresentandola).

Assumendo che un linguaggio sia trattabile da un computer che contiene la conoscenza posseduta da un parlante di quella lingua.


Dall’altro lato, esiste il problema di dotare il computer di algoritmi adeguati.

Assumendo che le operazioni da fare sull’input siano ben definibili.

SoluzioniSi divide il problema generale della

comprensione del linguaggio in sottoproblemi, quindi:

• si adottano delle astrazioni per limitare a determinati livelli la comprensione

• si eseguono dei task in cui si ottiene una comprensione parziale

Soluzioni?L’utilizzo delle astrazioni e

la scomposizione in subtask portano vantaggi

sia nell’acquisizione/rappresentazione della conoscenza

sia nella costruzione degli algoritmi.

Ma non risolvono del tutto il problema.

Soluzioni?

Utilizzare le astrazioni nell’acquisizione/rappresentazione

della conoscenzasignifica rappresentare il linguaggio

con formalismi adatti ai vari livelli distinti.

Ad es. definire chiaramente quali sono le informazioni morfologiche e

quali quelle sintattiche.

Soluzioni?

testo

rappresentazione morfologica del testo

rappresentazionesintattica del testo

Soluzioni?

Utilizzare le astrazioni nella costruzione degli algoritmi significa

dividere il trattamento del linguaggio in livelli diversi.

Ad es. definire algoritmi che trattano solo la morfologia ed altri che

trattano solo la sintassi.

Soluzioni?

testo

rappresentazione morfologica del testo

rappresentazionesintattica del testo

PoS tagger

Parser

Problemi

Anche assumendo le astrazioni, tuttavia il linguaggio resta difficile da trattare perchè:

• è ricco di ambiguità• è usato in modo non corretto• è in continua espansione

Problemi

Le diverse soluzioni adottate per acquisire/rappresentare il linguaggio e per costruire gli algoritmi tengono conto dei problemi intrinseci al linguaggio.

Astrazioni e rappresentazioni

In questo corso ci focalizziamo sull’acquisizione e rappresentazione della conoscenza pertinente a 2 livelli di astrazione, fondamentali per la maggior parte dei task:

• morfologia• sintassi

Acquisizione della conoscenza

Un sistema che tratta il linguaggio deve avere a disposizione la conoscenza linguistica necessaria.

Ma come si mette la conoscenza dentro un sistema?


Esempio: che conoscenza occorre a un PoS tagger (analizzatore morfologico) per prendere in input

“il cane dorme in giardino”e restituire in output “il ART, cane NOUN, dorme VERB,

in PREP, giardino NOUN” ?


output = il ART, cane NOUN, dorme VERB, in PREP, giardino NOUN

conoscenza = ART (il), NOUN (cane, giardino),

VERB (dorme), PREP (in)


Esempio: che conoscenza occorre a un parser (analizzatore sintattico) per prendere in input

“il cane dorme in giardino”e restituire in output “[S [NP (il – cane)] [VP (dorme) [PP (in –

giardino)]]]” ?


output = [S [NP (il – cane)] [VP (dorme) [PP (in – giardino)]]]

conoscenza = art + noun = NPverb + PP = VPprep + noun = PP NP + VP = S


Dove si trova la conoscenza?Le soluzioni sono 2:1) conoscenza dentro il sistema –

rule-based2) conoscenza dentro un corpus

di dati linguistici – corpus-based

Corpus versus rule-based

grammatica

lessico

…

SISTEMA


grammatica

lessico

…

CORPUS

SISTEMA

apprendimento


In entrambi i casi si presuppone che il linguaggio sia governato da regole (da conoscere per trattarlo)MA:• nei sistemi corpus-based le regole sono apprese, nei rule-based sono date• nei sistemi corpus-based le regole sono probabilistiche, nei rule-based sono deterministiche


Se le regole variano, ad es. da una lingua all’altra, da un genere testuale ad un altro, devono essere riscritte in un sistema rule-based, ma non in uno corpus-based.

Approccio corpus-based

• Utilizzato dai linguisti dalla fine dell’800 e tutt’ora molto diffuso

• Consiste nell’apprendere dal linguaggio le regole ed irregolarità del linguaggio


• Si basa sull’idea che le co-occorrenze sono fonti importanti di informazioni sulla lingua

• Si ispira all’idea di apprendimento linguistico umano, tramite esposizione a esempi e basato su criteri statistici


Esempio: Nell’analisi sintattica (parsing), di

fronte all’ambiguità e quindi generazione di più strutture, per una singola frase, si ricavano dai dati linguistici i CRITERI per scegliere la migliore delle strutture generate


L’approccio corpus-based assume che buona parte del successo del linguaggio umano nella comunicazione dipende dall’abilità che gli esseri umani hanno nel gestire ambiguità ed imprecisione in modo efficiente.


Gli esseri umani riescono infatti a cogliere la corretta interpretazione di un messaggio da un insieme di stimoli di varia natura (ad es. contestuali ed emotivi) oltre che dalle parole e strutture che compongono il messaggio stesso.


L’approccio corpus-based offre inoltre la possibilità di sfruttare la conoscenza che va al di là delle parole e delle strutture che compongono il linguaggio.

È quindi un modo efficiente di acquisire la conoscenza sul linguaggio.


Si assume che un CORPUS C di un linguaggio L possa contenere (~tutta) la conoscenza necessaria a trattare L, e si acquisisce la conoscenza da esso


Il processo di apprendimento offre come risultato•la conoscenza delle regole ed irregolarità del linguaggio (non-ristretto)•MA SOPRATTUTTO la percezione della frequenza delle strutture linguistiche


In pratica per acquisire la conoscenza:

si prende un campione di linguaggio, cioè un insieme di frasi = CORPUS

si cercano nel corpus le strutture linguistiche e le loro probabilità = BASE di CONOSCENZA


In pratica un sistema corpus-based:

se incontra una struttura ambigua cerca nella base di conoscenza l’informazione utile per costruire la rappresentazione più probabile della struttura


Ma come funziona un sistema statistico?

ad ogni struttura S del linguaggio il sistema associa un valore di probabilità

il valore di probabilità di S è dato dalla composizione delle probabilità delle parti di S


Esempio:“il cane dorme in giardino”P(il–cane: NP) = 95%P(in-giardino: PP) = 95%P(cane-dorme: VP) = 5%…



la probabilità di ogni parte di una frase analizzata dipende dalla sua frequenza in un CORPUS di riferimento e dal modello statistico utilizzato



Cosa è un modello probabilistico ?

Serve a determinare come calcolare la probabilità di ogni risultato ottenuto dal sistema



Esempio di un modello probabilistico molto usato:

i bi-grammi:- per ogni coppia <a,b> di parole avremo una stima della probabilità che a e b siano associate sintatticamente (a=il e b=cane ha maggiore probabilità di occorrere che a=il e b=gatta)


i bi-grammi di “il cane dorme in giardino”:

1-il cane2-cane dorme3-dorme in4-in giardinoLa probabilità di 1 sarà maggiore di

quella di 2, quindi il sistema propone la costruzione di 1 invece che di 2.


A partire dagli anni ‘90 si sono sviluppati sistemi che apprendono la conoscenza da corpora di dati linguistici per moltissimi linguaggi.

Si è progressivamente affermata anche la necessità di ANNOTARE i dati linguistici e si sono costruiti i TREEBANK.


Attualmente i TREEBANK sono le risorse linguistiche più utilizzate nel NLP.


Perché annotare i dati ?

L’informazione è presente in forma implicita anche nei dati non annotati.

Ma introdurre l’informazione in forma esplicita semplifica il processo di apprendimento, inoltre rende possibile la correzione.

Annotazione e treebank

Come annotare i dati ?

Solitamente si annotano le informazioni di tipo morfologico e sintattico, più raramente quelle semantiche


Come annotare i dati ?

Per ogni livello di annotazione vengono fatte delle scelte sia sulla teoria linguistica da prendere come riferimento sia sul modo in cui fisicamente mostrare i dati.


Quali dati annotare ?

Occorre scegliere i testi da introdurre nel corpus in modo che siano rappresentativi del linguaggio che si vuole trattare.


Quali dati annotare ?un corpus é un campione significativo

e rappresentativo di un linguaggio SE:

• contiene frasi non ristrette • è “bilanciato” rispetto al genere,

alla collocazione geografica e sociale, al tempo

• MA non rappresenta mai TUTTO il linguaggio nel suo complesso

Un progetto reale: Turin University

Treebank

• Obiettivo: sviluppare una risorsa

linguistica, una banca di alberi sintattici per l’italiano

Fasi di sviluppo del progetto

• Selezione dei testi da annotare

• Definizione dello schema di annotazione

• Applicazione dello schema al corpus di testi (validità e consistenza)

Selezione di testi in TUT

• Giornali quotidiani (1.100 frasi = 18,044 tokens)

• Codice civile (1.100 frasi = 28,048 tokens)

• Acquis (201 frasi = 7,455 tokens)• Wikipedia (459 frasi = 14,746 tokens)• Costituzione Italiana, intera (682 frasi

= 13,178 tokens)• Totale 3.452 frasi = 102.000 token

TEXTS fromPRAGUE newspapers, scientific and

economic journals

NEGRA newspaper Frankfurter Rundschau

PENN IBM manuals, nursing notes, newspapers (Wall Street Journal), telephone conversations

Selezione in altri treebank

Definizione dello schema di

annotazione• Scelta del formalismo

• Scelta delle informazioni e strutture da rappresentare

Struttura sintattica: scelta tra 2 aspetti

• L’organizzazione delle unitá della frase (sintagmi e constituent structure)

• La funzione degli elementi della frase (relazioni grammaticali e relational structure)

Relational structure• Le parole della frase

svolgono funzioni diverse

• Le funzioni sono espresse in termini di relazioni grammaticali

Giorgio

ama

Maria

SUBJ OBJ

Relational structure

Constituent structure

Le parole della frase sono organizzate in unità (costituenti) che a loro volta sono oggetto di una organizzazione (constituent structure) in unità più grandi

ES: constituents

Giorgio ama Maria

Nome-pr Nome-pr Verbo

VP

S

NP NP


(S(NP ( NOME Giorgio))(VP (VERBO ama)

(NP (NOME Maria))

))


Le relazioni tra le parole non sono tutte uguali:

“Maria leggeva un libro in biblioteca”

ES: Penn annotation

( S

( NP - SBJ (PRP I) )

( ADVP - TMP ( RB never) )

( VP (VBD had)

( NP (JJ many) (NNS clients) )

( NP - ADV (DT a) ( NN day) ))

))

NP

VP

NP

ADVP

NP

S

SBJ

TMP

PRP

RB

VBD

NNSDT

NNDTADV

ES: NEGRA annotation

S

VP

HD SB NG

MO HD OA

OC

ADV VVPP VAFIN NE NE ADV

Costituenti e relazioni

• La struttura relazionale include le informazioni relative all’

organizzazione della frase in unità

• La struttura a costituenti non include le informazioni relative alla funzione delle parole

• La struttura relazionale è più compatta

• Sia le relazioni che i costituenti sono realizzati in modo diverso nelle diverse lingue

• La struttura relazionale include la struttura argomentale

Costituenti e relazioni

La struttura argomentale

• relazioni grammaticali

• ruoli semantici

• uguali o distinti?

Le relazioni grammaticali

• Identificabili da varie proprietà

• Diverse nelle varie lingue

Le relazioni grammaticali

• Le relazioni sono realizzate diversamente nelle varie lingue, a seconda dell’uso di casi, inflessioni

give someone something dare a qualcuno qualcosa

MORPHO SYNT SEM

PRAGUE semi-automatic

semi-automatic

semi-automatic

NEGRA automatic interactive(probabilistic)

PENN automatic automatic (skeletal)

Processo di annotazione

Processo di annotazione in TUT

• Part Of Speech tagging automatico

• Correzione manuale del tagging

• Parsing interattivo

• Verifica e revisione

Costruire un treebank

Per costruire validi sistemi di analisi del linguaggio occorrono i treebank.

Infatti è dimostrato che i sistemi di NLP che ottengono i migliori risultati sono quelli che prendono le informazioni da treebank)


Per costruire dei treebank occorrono validi sistemi di analisi del linguaggio.

È impossibile costruire treebank in modo esclusivamente manuale per motivi di tempo e di correttezza.


In pratica l’annotazione dei treebank è prodotta da

sistemi automatici di analisi morfologica (-4%) e sintattica (-10%)

+annotatori umani che correggono le analisi prodotte in modo automatico

Ogni relazione di TUT può essere composta di 3 elementi:

• Morfo-sintattico: features che esprimono la categoria grammaticale Verb, Noun, …

• Funzionale-sintattico: relazioni sintattiche come Subject, Object

• Semantico: relazioni semantiche come Location, Time, Cause

Turin University Treebank (2)Relazioni in TUT

1 In (IN PREP MONO) [7;PREP-RMOD-TIME]2 quei (QUELLO ADJ DEMONS M PL) [1;PREP-

ARG]3 giorni (GIORNO NOUN COMMON M PL)

[2;DET+DEF-ARG]4 Sudja (|Sudja| NOUN PROPER) [7;VERB-

SUBJ]5 la (IL ART DEF F SING) [4;APPOSITION]6 zingara (ZINGARO NOUN COMMON F SING)

[5;DET+DEF-ARG]7 annunciava (ANNUNCIARE VERB MAIN IND

IMPERF TRANS 3 SING) [0;TOP-VERB]8 il (IL ART DEF F SING) [7;VERB-OBJ]9 fallimento (FALLIMENTO NOUN COMMON M

SING FALLIRE INTRANS) [8;DET+DEF-ARG]

La nazione sogna ricchezza

I sogni di ricchezza della nazione

Velocemente / in modo veloce

VERB-SUBJ

NOUN-OBJ NOUN-SUBJ

VERB-OBJ VERB

NOUN

ADV-role ADV-role

TUT Componente morfo-sintattica

• Dati 944 differenti Verbi per un totale di 4.169 occorrenze nel corpus di TUT

• Il 30% di questi Verbi (e le strutture predicative argomentali ad essi associate) risulta presente anche in forma nominale


Egli non è stato visto da nessuno

Egli non è stato visto da ieri

ARG

MOD

TUT Componente funzionale-sintattica

TUT Componente funzionale-sintattica

Da qui è partito l’assalto

Succedeva dall’altra parte del mondo

I miliardi stanziati dal 1991

Era impazzito dal dolore

Trarrà beneficio dalla bonifica

LOC+FROM

LOC+IN

TIME

REASONCAUSE

SOURCE

TUT Componente semantica

• Dati 600 sintagmi preposizionali introdotti dalla preposizione DA e che svolgono il ruolo di modificatori

• È stato rilevato che essi possono assumere i seguenti 7 differenti valori semantici: LOC+FROM, LOC+IN, LOC+METAPH, TIME, THEME, REASONCAUSE, SOURCE


1 In (IN PREP MONO) [7;PREP-RMOD-TIME]2 quei (QUELLO ADJ DEMONS M PL) [1;PREP-

ARG]3 giorni (GIORNO NOUN COMMON M PL)

[2;DET+DEF-ARG]4 Sudja (|Sudja| NOUN PROPER) [7;VERB-

SUBJ]5 la (IL ART DEF F SING) [4;APPOSITION]6 zingara (ZINGARO NOUN COMMON F SING)

[5;DET+DEF-ARG]7 annunciava (ANNUNCIARE VERB MAIN IND

IMPERF TRANS 3 SING) [0;TOP-VERB]8 il (IL ART DEF F SING) [7;VERB-OBJ]9 fallimento (FALLIMENTO NOUN COMMON M

SING FALLIRE INTRANS) [8;DET+DEF-ARG]

Applicare lo schema di annotazione a TUT significa che ogni sua frase:

•viene parsificata in modo automatico dal parser TULE, sviluppato in parallelo con TUT•corretta da almeno 2 annotatori umani•verificata da tool automatici appositi•sottoposta a conversioni e applicazione di altri sistemi

Ricadute del progetto TUT

Utilizzo in 3 diverse direzioni:• Come raccolta di dati linguistici• Come banco di prova per sistemi

di NLP• Come modello per lo sviluppo di

altre risorse

• Come raccolta di dati linguistici TUT ha consentito

• Studi sul comportamento dei verbi della lingua italiana (estrazione di conoscenza)

• Studio dell’ordine delle parole nella lingua italiana


(in 3500 sentences)


• Come banco di prova per sistemi di NLP TUT ha consentito di raggiungere i risultati allo stato dell’arte per il parsing dell’italiano, errore intorno al 10%

• TUT è il treebank di riferimento nelle competizioni per parser di italiano (Evalita 07, 09, 11)


• Come modello per lo sviluppo di altre risorse, TUT è utilizzato in:

• in prospettiva cross-linguistica, è in corso di sviluppo un treebank parallelo per le lingue italiano, francese e inglese (ParTUT)

• per lo studio di fenomeni legati all’espressione di sentimenti, opinioni ed emozioni, è in corso di sviluppo un corpus di testi di Twitter annotato morfologicamente (SentiTUT)


• INOLTRE: TUT è stato tradotto in formati di altri treebank grazie a tool di conversione automatica

• Questo ha reso possibile l’applicazione di strumenti sviluppati per tali formati ed il confronto tra paradigmi e modelli linguistici differenti nell’ambito del dibattito su quale formato si rivela più adeguato per il NLP in generale e per le diverse lingue naturali


Il Turin University Treebank (TUT), ParTUT e SentiTUT sono tutti progetti

dell’Interaction Models Group (L. Lesmo, C. Bosco, A. Mazzei, V. Lombardo, L. Robaldo, M. Sanguinetti)

del Dipartimento di Informatica dell’Università di Torino

Per ulteriori informazioni:

http://www.di.unito.it/~tutreeb

http://www.di.unito.it/~tutreeb

Corpora e linguistica computazionale Cristina Bosco Corso di Informatica applicata alla...

Documents

Transcript of Corpora e linguistica computazionale Cristina Bosco Corso di Informatica applicata alla...