Elaborazione del linguaggio naturale automi, trasduttori & morfologia Maria Teresa PAZIENZA a.a. 2007-08

Elaborazione del linguaggio naturaleautomi, trasduttori & morfologia

Maria Teresa PAZIENZAa.a. 2007-08

Programma

Breve introduzione all’NLP Linguaggi Naturali e Linguaggi Formali Complessità

Morfologia Teoria: Morfologia del Linguaggio Naturale Strumenti: Automi e Trasduttori Analisi Morfologica: con automi e trasduttori

Part of Speech Tagging Teoria: Le classi morfologiche Strumenti a Analisi: modelli a regole e statistici

Sintassi Teoria: Sintassi del Linguaggio Naturale Strumenti: CFG Analisi Sintattica: parsing top-down, bottom-up, Early

Semantica Lexical Semantics Sentence Semantics

Info

Sommario

Strumenti per la Morfologia

• Automi a stati finiti (FSA)• FSA deterministici• FSA non-deterministici (NFSA)• Introduzione alla Morfologia• FSA e Morfologia: riconoscimento

• Trasduttori a stati finiti (FST)• Cosa sono• FST e Morfologia: parsing

FSA: semplice esempio

FSA per riconoscere e generare sequenze di simboli appartenenti al linguaggio (regolare) delle caprette, descritto dall’espressione regolare: /baa+!/

STATO INIZIALE

TRANSIZIONE STATO STATO FINALE

SIMBOLO

FSA : il suo comportamento durante la fase di riconoscimento è totalmente determinato

1. dallo stato in cui si trova e

2. dal simbolo in arrivo. FSA

FSA non-deterministici (NFSA)

Un automa è detto non-deterministico se ha due archi uguali uscenti dallo stesso stato.

Quindi:

- Deterministico vuol dire che ad ogni stato può essere presa una sola decisione- Non-Deterministico vuol dire che ad ogni stato si può scegliere tra più decisioni

Equivalenza tra FSA e NFSA

- Un NFSA può essere sempre convertito in un FSA equivalente (che definisce cioè lo stesso linguaggio)

- NFSA e FSA hanno quindi lo stesso potere di riconoscimento/generazione

- L’FSA equivalente di un NFSA ha sempre più stati dell’NFSA

NFSA


Un tipo particolare di non-determinismo è quello causato dalla presenza di ε-transizioni (o jump arcs) ovvero da archi/transizioni non legati ad alcun simbolo ingresso.

Una ε-transizione corrisponde ad un passaggio di stato che non influenza la stringa in esame:

- in riconoscimento: non viene letto il simbolo corrente della stringa-in generazione: non viene prodotto alcun simbolo

In questo caso si introduce una forma di non determinismo in quanto non si sa se seguire la transizione ε oppure l’arco !

ε

NFSA


Un tipo particolare di non-determinismo è quello causato dalla presenza di ε-transizioni (o jump arcs) ovvero da archi/transizioni non legati ad alcun simbolo ingresso.

Possibili soluzioni:

1. Backup: inserire un marker per indicare un punto su cui siamo già passati

2. Look-ahead: guardare avanti per decidere quale percorso scegliere

3. Parallelismo: in uno stato con più scelte, verificare in parallelo percorsi alternativi

NFSA


Algoritmo di backup:quando si raggiunge un punto con nessuna

possibilità di andare avanti (no input oppure nessuna transizione legale), si ritorna al precedente punto di decisione , si selezione una delle alternative ancora non esplorate, e si continua da quella fase.

In questo NFSA, per ciascun punto di scelta, bisogna solo ricordare lo stato in cui ci si trova (nodo) e la posizione corrispondente sul nastro in input.

La combinazione di stato e posizione del nastro corrispondente (search-state)

nel suo insieme costituisce lo spazio di ricerca

FSA non-deterministici: ricerca

Riconoscimento: negli stati non-deterministici l’FSA può seguire strade diverse, ovvero prendere decisioni errate. In tal caso deve essere in grado di:

- Riconoscere la soluzione errata;- Cercare altre soluzioni prendendo strade diverse;- Ricordare quali sono le strade diverse

L’automa deve quindi effettuare una ricerca nello spazio delle soluzioni (state-space search)

Ad ogni bivio (choice point) devono quindi essere memorizzate in una agenda tutte le coppie di stati alternativi e la posizione nella stringa dopo la transizione δ (search-states)

q2, [b,a,a,a,a]

q3, [b,a,a,a,a]

q2, [b,a,a,a,a]

STATO CORRENTE

SEARCH STATES

NFSA

b a a a ! \

q0 q1 q2 q2 q3 q4

Ricerca in NFSA: esempio

NFSA

Ricerca in Profondità NFSA: esempio

NFSA


NFSA


NFSA


NFSA


NFSA


NFSA


NFSA


NFSA

Ricerca in Ampiezza NFSA: esempio

NFSA

Ricerca in NFSA: algoritmo di ricerca

NFSA

Ricerca in NFSA: algoritmo di ricerca

L’algoritmo produce in uscita un reject solo quando l’agenda diventa vuota (quindi non alla fine del nastro in uno stato di non-accettazione, nè per affermare che il nastro non può avanzare in un nuovo stato).

Essendo in una situazione di non-determinismo, si indica un errore in un dato percorso, non un insuccesso totale.

Si rigetta una stringa solo quando tutte le scelte possibili sono state prese in esame e si è arrivati ad un insuccesso. Lo spazio degli stati consiste di tutte le coppie possibili (stato, posizione); la ricerca avverrà navigando attraverso questo spazio cercando una coppia con stato accept e posizione fine nastro.

Ruolo dell’ordine con cui avviene la ricerca (si possono esaminare molte situazioni non utili prima di incontrare quella corretta).

(profondità verso ampiezza, stack verso coda)

Sommario




Morfologia: definizioni

La morfologia (morphology) è lo studio di come le parole sono costruite a partire da unità atomiche dette morfemi.

I morfemi (morphemes) sono le più piccole unità linguistiche che possiedono un significato. Possono essere divisi in due classi:

- Radice (stem) il morfema che dà il significato principale alla parola

- Affisso (affix) particelle apposte alla radice che ne completano il significato e la funzione grammaticale

gatt-o gatt-i buy-s buy - er

ESEMPIO

radice

affisso Morfologia

Morfologia: definizioni

- Inflectional Morphology: combinazione di una radice con un affisso che risulta in una parola (forma flessa) della stessa classe (nome, verbo, aggettivo, ecc..) con una funzione grammaticale specifica

cat (nome sing) cat-s (nome plur) cut (verbo base) cut-ting (verbo progressivo)

La morfologia può essere divisa in due parti principali

- Derivational Morphology: combinazione di una radice con un affisso che risulta in una parola di una classe diversa. Il significato della nuova parola non è facilmente prevedibile

trasporto (nome) trasport-abile (aggettivo) computerize (verbo) computeriz-ation (nome)

Morfologia

Quante morfologie ?

Ogni linguaggio naturale ha una sua morfologia (affissi, regole, ecc.)

Due classi principali:

- Concatenative morphology: una parola è composta da morfemi concatenati insieme

Italiano, Inglese: gatt-o, cat-s, buy-er

- Non-concatenative morphology: le parole sono composte in maniera complessa

Ebraico: lamad (radice: lmd; affissi: a-a pass.rem.attivo)

Lingue agglutinanti: le parole sono formate da molti affissi

Turco: uygarlaştiramadiklarimizdanmişsinizcasina (“comportarsi come se fossi tra quelli che non possono civilizzare”)

Morfologia

Morfologia inglese

Caratteristiche:

- Concatenative morphology

- Non-agglutinative (al più 4 o 5 affissi)

- Una parola può avere più affissi:- Prefissi: un-certain

- Suffissi: eat-s

- Combinazioni: un-clear-ly

- Inflectional morphology: semplice, applicata solo a nomi, verbi e aggettivi

- Derivational Morphology: complessaMorfologia

Inflectional Morphology

NOMI:

Due solo inflessioni:- Plurale: cat cat-s thrush thrush-es- Possessivo: dog dog’s children childrens’

VERBI:

Quattro forme morfologiche:- stem: walk- s form: walk walk-s- past form: walk walked- ing form: walk walking

- Irregolari: (ca. 250) Parole che non seguono le regole morfologiche (Esempio:mouse mice go goes, going, went). La maggior parte dei nomi e verbi inglesi sono regolari

- La classe dei verbi regolari è produttiva : una nuova parola della lingua è automaticamente inclusa nella classe (Esempio: fax faxes,faxing, faxed )

Morfologia

-ation computerize computerization

-ee appoint appointee

-er kill killer

-ness fuzzy fuzziness

Derivational Morphology

nominalizzazione (verbo, aggettivo nome)

nome, verbo aggettivo

-al Computation Computational

-able Embrace Embraceable

-less Clue Clueless

Morfologia

A cosa serve l’analisi morfologica automatica?

- Stemming in Information Retrieval

Data una parola della query, cercare le pagine che contengano anche le sue forme flesse

- Spell Checking

Riconoscere quali forme flesse sono ammissibili in una lingua e quali no (ad esempio gatt-o e gatt-are)

- Traduzione Automatica

Ricondurre parole diverse a una stessa radice e quindi alla stessa traduzione (ad esempio amatore, amare love)

Morfologia & FSA

Quali strumenti usare ?

- Lessico esteso

Un lessico (lista di parole) che contiene tutte le parole della lingua in tutte le forme flesse

Spreco di spazio e non è produttivo!

- Lessico ridotto + Automi

La morfologia è generalmente produttiva (gran parte delle parole segue le regole morfologiche per formare le forme flesse)

Conviene quindi utilizzare:

Lessico contenente solo radici e affissi (ed eventualmente irregolarità)

Implementazione delle regole morfologiche in un dispositivo

FSA sono semplici dispositivi per implementare tali regole

Morfologia & FSA

Sommario




FSA: riconoscimento

Un FSA può essere utilizzato per riconoscere se una parola è ammissibile in una lingua - Cosa serve?

Lessico: lista di radici ed affissi della lingua (invece di lista di tutte le parole della lingua – troppo lunga e non esaustiva)

Esempio: [cat,dog,cut,go,…,-s,-ed,-ation,-able,…,un-,dis-]

1. Regole Morfologiche (morphotactics): le regole di costruzione dei morfemi che spiegano come classi di morfemi possono seguire altre classi di morfemi in una parola

Esempio: Plurale inglese: radice + -s

2. Regole Ortografiche: cambiamenti che occorrono in una parola quando due morfemi si combinano

Esempio: city citiesMorfologia & FSA

NOMI: regole morfologiche

FSA per modellare l’inflessione plurale per nomi regolari ed irregolari

Come modellare i nomi (regolari ed irregolari) nell’FSA?

Ovvero: Come si può integrare il lessico?Morfologia & FSA

NOMI: regole morfologiche + lessico

Integrazione del lessico dei nomi regolari ed irregolari

REGOLARI

IRREGOLARI

Morfologia & FSA

Sommario




Dal Riconoscimento al Parsing

RICONOSCIMENTO : indica se una data parola in input è morfologicamente corretta oppure no (ad esempio gatti è corretta, gattare è scorretta)

PARSING/GENERAZIONE :

- parsing: produce un’analisi morfologica della parola in input: data la parola in input viene restituita la sua struttura

cats cat +N +PL

- generazione: data una struttura morfologica in input, produce una forma superficiale (parola)

cat +N +PL cats

FSA

FSTFST

Trasduttori a Stati Finiti (FST)

I Trasduttori sono automi a stati finiti con due nastri A e B

Ad es, può leggere da un nastro (ad es. “cats”) e scrivere sull’altro (“cat + N + PL”)

Quattro modalità di utilizzo dell’ FST:

riconoscitore: riceve in input una coppia di stringhe su A e B, e restituisce accept se essa appartiene al linguaggio delle coppie (una stringa per nastro)

cats, cat+N+PL accept

produttore: restituisce coppie di stringhe appartenenti al linguaggio su A e B Output: tutte le parole del lessico con la loro struttura

traduttore: riceve in input una stringa su A (o B) e ne restituisce un’altra su B (o A)

cats cat+N+PL (PARSING) cat+N+PL cats (GENERAZIONE)

correlatore: correla set di stringhe in A e BFST

FST: definizione formale

Un FST è definito dai seguenti parametri:

- Q : un insieme finito di N stati q0….qN

- Σ : un alfabeto finito di simboli complessi. Ogni simbolo complesso è una coppia (uno

per nastro) di simboli i:o appartenenti rispettivamente agli alfabeti I e O (Σ I x O)

- q0 : lo stato iniziale

- F : un insieme di stati finali FQ

-δ(q,i:o) : funzione di transizione tra stati (relazione da Q x Σ a Q) che restituisce un nuovo stato a partire da un dato stato e un simbolo complesso in input

: - riconosce tutte le coppie di stringhe in cui una ha tutte a e l’altra uno stesso numero di b

- produce stringhe di a su un nastro e stringhe di b sull’altro, con la stessa lunghezza

- traduce stringhe di a in input in stringhe di b della stessa lunghezza in output, e viceversa

ESEMPIO di utilizzo di un FST

FST


Un FSA definisce un linguaggio formale attraverso la definizione di un insieme di stringhe – un FSA è isomorfo ai linguaggi regolari

Un FST definisce una relazione tra insiemi di stringhe – un FST è isomorfo alle relazioni regolari

Ovvero l’FST esprime il concetto della relazione tra due entità formalmente definite


Un FST gode delle proprietà di

Inversione: l’inversione di un transducer T (T -1) cambia l’input in output - se T correla l’input I all’ouput O, T -1 correla l’input O all’ouput I

Composizione: se T1 è un transducer da I1 ad O1 ,

e T2 è un transducer da I2 ad O2,

allora T1 ◦T2 correla I1 ad O2

La proprietà di inversione inverte i ruoli di input ed output, facendo passare il FST da un ruolo ad un altro (da parser a generatore)

La proprietà di composizione permette di porre più transducer in serie ed ottenere un transducer più complesso

FST: -transizioni

- riconosce tutte le coppie di stringhe in cui quella sul primo nastro ha tutte a e quella sul secondo un numero doppio di b

- produce le coppie di stringhe …

- traduce stringhe di a in input in stringhe di b di lunghezza doppia

ESEMPIO

Come gli FSA, anche gli FST possono avere ε-transizioni (o jump arcs)

::

:ε

Σ = {a:b,:b}

L = {0,abb,aabbbb,aaabbbbbb…}

FST

Sommario




FST e morfologia: parsing

OBIETTIVO:

Passare da un livello superficiale ad un livello lessicale e viceversa, utilizzando un FST in funzione di traduttore:


Livello Superficiale

Livello Lessicale

Morfologia & FST

FST e morfologia: parsing

OBIETTIVO:

Passare da un livello superficiale ad un livello lessicale e viceversa, utilizzando un FST in funzione di traduttore:


c:c a:a t:t N:ε PL:s

Morfologia & FST

Analisi morfologica a due stadi

Dal livello superficiale al livello lessicale (PARSING)

Sono necessari due stadi ( due trasduttori)

1. IDENTIFICAZIONE DEI MORFEMI: Data la parola in input sul nastro A, il trasduttore la divide su B nei morfemi costituenti (radice + affissi)

2. IDENTIFICAZIONE DELLA STRUTTURA: Dati i morfemi costituenti sul nastro A, il trasduttore identifica la categoria della radice e il significato degli affissi

Livello Lessicale


Livello Intermedio

PARSING

Morfologia & FST

Stadio 1: Identificazione dei morfemi

ESEMPIO: nomi singolari/plurali

Obiettivo

Rappresentare con un FST le regole ortografiche della lingua per i nomi regolari e irregolari

Input: cats Output: cat+s

s:s, z:z, x:x

s:s, z:z, x:x

+ s:s

+

s:s

Regola e-insertion cats cat+s

foxes fox+s

kisses kiss+s

Morfologia & FST

Stadio 1: non è così facile …

Problemi

Il trasduttore gestisce solo la regola della e-insertion, e non altri casi:

Regola y-replacement: berries berry +s (berrie +s)

Regola raddoppio consonanti: beg begging

Ecc. ecc.

Bisogna quindi implementare più regole ortografiche, nello stesso trasduttore, o in trasduttori paralleli!

Ambiguità locale: foxes produce due forme di cui solo la prima è corretta: fox+s , foxe+s, foxes.

Morfologia & FST

Stadio 2: Identificazione della struttura


Obiettivo

Rappresentare con un FST le regole morfologiche della lingua per i nomi regolari e irregolari

Input: cat+s, mouse, mice Output: cat N PL, mouse N SG, mouse N PL

reg:reg

irr_sing:irr_sing

irr_plur:irr_sing

Bisogna aggiungere il lessico !Morfologia & FST

Stadio 2: Identificazione della struttura


Stadio 1+2: Combinare lessico e regole

E’ possibile combinare i due stadi mettendo in cascata (serie) i due trasduttori: l’output dell’uno sarà l’input dell’altro (bottom-up parsing, top-down generazione)

Livello Lessicale


Livello Intermedio

Oppure, è possibile fondere i due trasduttori, attraverso un’operazione di intersezione

in serie o in

parallelo

Morfologia & FST

Vantaggi e problemi

Vantaggi degli FST

Computazionalmente efficienti

Semplici

Doppio uso: parsing e riconocimento Qual’è la morfologia di foxes ? foxes fox+N+PL

Qual è il plurale di fox ? Fox+N+PL foxes

Problemi

Laborioso costruire e codificare un trasduttore per gestire ogni regola ed eccezione: Soluzione: Tool automatici di traduzione regolaFST

Ambiguità globale: kisses può essere sia verbo che nome kisses kiss+N+PL kisseskiss+V+3SG

Per disambiguare sono necessarie risorse esterne (non morfologiche), ad esempio il contesto sintattico

Morfologia & FST

Argomenti trattati in questa lezione

• DFSA, NFSA• ε-transizioni (o jump arcs)

• state-space search• Morfologia (derivazionale/inflezionale,

concatenativa/non-concatenativa, FSA e riconoscimento, FST e loro proprietà)

Elaborazione del linguaggio naturale

Le presentazioni sugli argomenti di elaborazione del linguaggio naturale fanno in alcuni passi riferimento ad alcune presentazioni dei colleghi prof. Fabio Massimo Zanzotto e dottor Marco Pennacchiotti, oltre che ad alcune parti del libro: Speech and Language Processing, Prentice Hall, 2000, autori D.Jurafsky, J. H. Martin.

Documents

Elaborazione del linguaggio naturale automi, trasduttori & morfologia Maria Teresa PAZIENZA a.a. 2007-08