基于特征自动选择方法的汉语隐喻计算.doc

基于特征自动选择方法的汉语隐喻计算收稿日期：2015-11-17 录用日期： 收稿日期：2015-11-17 录用日期：2016-04-06 基金项目：国家自然科学基金；国家科技支撑计划课题（2012BAH14F03）；教育部博士点基金博导类项目（20） *通信作者：dozero@xmu.edu.cn 曾华琳，周昌乐*，陈毅东，史晓东 （厦门大学信息科学与技术学院，福建省仿脑智能系统重点实验室，福建 厦门 361005） 摘要：汉语隐喻计算是中文信息处理中的棘手难题之一。已有的隐喻识别研究多以人工方式分析和抽取隐喻特征，存在着主观性强，难以扩充的缺点，并且对于专业背景知识要求比较严格。本文基于大规模语料库的机器学习，利用最大熵分类模型，提出了一种最优特征模板自动抽取的隐喻识别算法，讨论了三种不同层次的特征模板，既包含了经典的简单特征，又将跨多个词的远距离上下文信息，以及描述语义信息的词语相似性引入特征模板进行考察。实验结果证明，该算法提高了隐喻识别准确率，是一种对于隐喻计算行之有效的机器学习方法。 关键词：汉语隐喻计算；隐喻识别；机器学习；自动特征选择 中图分类号：TP 391.1 文献标识码：A 隐喻，广泛的存在于人类的语言生活中。从先古哲学家亚里士多德的修辞学，到现代莱可夫的认知语言学，无论是在中文语言学，抑或是在西方语言学研究中，隐喻一直是处于前沿探索阶段的项目[1-7]。在语言学与计算机科学的交叉学科--中文信息处理中，隐喻则属于语义级别的范畴，至今仍然是亟待解决的棘手难题之一。 汉语隐喻的研究，主要集中在两大方面：隐喻识别和隐喻理解，统称为隐喻计算。隐喻识别旨在从上下文环境中判断隐喻现象的存在，而隐喻理解则需要给出对于隐喻意义的推理。从方法论而言，分别有规则、统计和逻辑的方法。长期以来，在隐喻计算研究中，规则和逻辑的方法占据了主流地位。已有的研究中[8-15]，无论是纯规则，或者是规则和统计相结合的方法，规则都是由人工整理和编写的，建立在人工收集和定义描述的基础上。而通过人工进行收集和编写的规则，规模有限，主观性强，不易于扩充，这是规则方法（rule-based）的通病，也是阻碍隐喻计算实用化的症结所在。近年来，机器学习方法[17,21]运用到计算语言学的各个领域，都获得了很好的效果，特别是在大语料环境下的机器学习方法的成功使用。隐喻计算中也曾有机器学习方法的尝试，王治敏[10,14]利用最大熵模型研究了名词性汉语隐喻短语的识别，贾玉祥[13,16]则提出了基于实例的隐喻理解与生成，而在他们的研究中，特征的选取仍然是人工进行的，对每个单独的隐喻候选词，每个特殊隐喻现象的特征都进行详细考察，这要求特征的选取者对于隐喻计算模型有着深刻的认识，终究逃脱不了人工方式所带来的困境，无法将隐喻计算做到一般化的过程。 为了避免人工方法所带来的缺陷，消除主观性及隐喻特征选择的不一致性，本文提出了一种基于大规模语料库的汉语隐喻的特征自动抽取方法，将机器学习中的特征选择思想引入到汉语隐喻计算中，分析汉语隐喻在词、句法结构以及语义层面上的不同特点，给出3种不同类型的特征模板描述，并利用最大熵模型构建汉语隐喻特征模板库，以无监督学习方式处理汉语隐喻计算。 1 汉语隐喻计算的机器学习分类模型 分类是机器学习算法中的典型任务，基本思想是训练分类函数，然后将待分类对象以特征序列表示进行输入，通过计算分类函数得到的数值给出分类结果。隐喻计算属于典型的机器学习分类问题。本文提出一种适用于汉语隐喻计算的机器学习分类模型,用于构建隐喻计算的两个基本任务。 1.1 隐喻计算中的分类 隐喻计算的不同阶段都可以建立分类模型，其理论依据在于隐喻的本质--“同从异出”，即在识别出隐喻的存在,并确定本体和喻体之后，在概念系统中，把比较具体的喻体（相当于源域）的知识，与比较抽象的本体（相当于目标域）的知识进行比较，通过动态的互动过程描述，用喻体（源域）知识来“认识”本体（目标域）对象。在这个过程中，作为本体和喻体，都有许多不同的意义描述。隐喻计算分为两个阶段进行。第一阶段，隐喻识别。从表面上看，喻体的概念范畴与本体差别较大，引起强烈的冲突感，这所谓“异出”。正确感知这种冲突感，实现隐喻识别，这是个二值分类问题。第二个阶段，隐喻理解。本体的理解，是一个依赖于喻体特征的有选择性的部分映射，这种映射过程并不是随意的，而是根据其上下文环境的限制聚焦后而得的映射结果。于是，隐喻识别和理解可以看作是在上下文环境中，本体受喻体概念聚焦后对于意义再次分类而确定相似点的过程，一旦能够正确地选定相似点，隐喻理解就完成了，这所谓找到了“同从”。隐喻的