结合长词优先与序列标记之中文断词研究A Simple and Effective .PDF

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