- 1、本文档共20页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
结合长词优先与序列标记之中文断词研究A Simple and Effective
Computational Linguistics and Chinese Language Processing
Vol. 15, No. 3-4, September/December 2010, pp. 161-180 161
© The Association for Computational Linguistics and Chinese Language Processing
結合長詞優先與序列標記之中文斷詞研究
A Simple and Effective Closed Test for Chinese Word
Segmentation Based on Sequence Labeling
*
∗ ∗
林千翔 、張嘉惠 、陳貞伶
∗ ∗ ∗
Qian-Xiang Lin , Chia-Hui Chang , and Chen-Ling Chen
摘要
中文斷詞在中文的自然語言處理上,是個相當基礎且非常重要的工作。近年來
的斷詞系統較傾向於機器學習式演算法來解決中文斷詞的問題。但使用傳統的
作法,如隱藏式馬可夫模型在解決中文斷詞的問題上,無法達到較好的斷詞效
能(F-measure 約 80% ),所以許多研究都是使用外部資源或是結合其他的機
器學習演算法來幫助斷詞。然而當外部資源不易取得時,如何以簡易的方式達
到準確的斷詞,則是本研究的目標。在本篇論文中我們以訓練資料所提供的詞
彙建構一個辭典,並以長詞優先比對(Maximum Matching )提供正向及反向
的斷詞結果做為應用序列標記之機器學習特徵函數,用以提升隱藏式馬可夫模
型(HMM )及條件隨機域(CRF )序列標記的準確率。我們發現,藉由長詞
優先比對,得以在完全不修改模型之訓練及測試過程的前提下,透過辭典的遮
罩(Mask )及特製化(Specialized )方式,改善斷詞的效能。實驗結果顯示,
長詞優先可大幅改善馬可夫模型的斷詞效能(F-measure: 0.812→0.948 );而
利用 Mask 方式則可將斷詞效能提升至 0.953;另挑選高錯誤率的字元做為特製
詞,則可再次提升斷詞效能至 0.963 。若採用條件隨機域做為序列標記模型,
則僅需透過辭典遮罩,即可將系統斷詞效能提升至 0.963 。
關鍵字: 自然語言處理,隱藏式馬可夫模型,中文斷詞,條件隨機域
∗國立中央大學資訊工程學系
E-mail: chia@.tw
The author for correspondence is Chia-Hui Chang.
162 林千翔 等
Abstract
In many Chinese text processing tasks, Chinese word segmentation is a vital and
required step. Various methods have been proposed to address this problem using
machine learning algorithm in previous studies. In ord
文档评论(0)