PA153 Počítačové zpracování přirozeného ja
11 - Znalosti, parafráze, odvozování
Karel Pala, Zuzana NevěTilová
Centrum ZPJ, Fl MU, Brno
4. prosince 2014
Q Znalosti
Q Parafráze
Q) Přirozená logika 01 Rozpoznávání témat
Znalosti a odvozování
• znalosti o jazyce (lexikon, gramatické kategorie, syntax) a znalosti o světě
Znalostní báze (knowledge base, KB): obsahuje fakta, která jsou
premisami v deduktivním odvozování
lidmi čitelné KB: how-to, FAQ, recepty, návody, diagramy
strojově čitelné KB: ontológie (SUMO-MILO), sémantické sítě (WordNet),
dbPedia, ConceptNet
Reprezentace znalostí (knowledge representation): znalostní báze + odvozovací pravidla
Deklarativní vs. procedurální znalost
Deklarativní (formálně verifikovatelná, obecně platná) vs. proceduráln (implicitní, méně obecná)
Příklad: robot, který se umí pohybovat po budově procedurální znalost: ,,dojdi do místnosti" deklarativní znalost: mapa objektu + základní kroky
Deduktivní odvozování: monotónní a nemonotónní odvozování [Allen, 1995]
KB: Ptáci létají. Vrabec je pták. Pštros je pták. Pštros nelétá. Vrabec létá. Pštros létá. Pštros létá.
Znalosti o světě
• encyklopedické (Jaké je hlavní město ČR?)
• common-sense (Jak je vhodné obléci se 4. prosince 2014?)
neostrá hranice
počítačově zpracovatelné zdroje encyklopedických znalostí:
• encyklopedie
• znalostní hry
• dbPedia: strojově zpracovaná Wikipedie
Common sense a odvozování
common sense: sdílená znalost, ne vždy v souladu s (vědeckými) fakty (V noci nesvítí slunce.)
Cheap apartments are rare. Rare things are expensive. Cheap apartments are expensive.
Deduktivní odvozování není možné použít vždy (ve skutečnosti skoro nikdy).
Common sense: nejznámější projekty
• CyC: vývoj od r. 1985(1), reprezentace pomocí vlastního jazyka CyCL, mikroteorie
• ConceptNet: syntaktická analýza OpenMind, propojení s Wiktionary
• Never-ending Language Learning (NELL): prochází web a odvozuje, občas nutný lidský zásah ("I deleted my Internet cookies", "I deleted my files" =4> soubor je stejná kategorie jako pečivo)
Parafráze
Parafráze: promluva x je parafrází promluvy y, pokud x a y mají stejný nebo podobný význam.
Tento most postavila Nejlepší firma s.r.o. Nejlepší firma s.r.o. postavila tento most. Stavitelem tohoto mostu je Nejlepší firma s.r.o.
Presnejší definice
Textové vyplývaní 7^ logické vyplývaní
Z text ŕ textově vyplýva hypotéza h (ŕ =4> h), pokud lidé, kteří přečtou ŕ, odvodí, že h }e nejspíš pravda. [Dagan et al., 2007] parafráze = h^tAt^h
Rozpoznávaní textových vyplývání/parafrází
hledání podobností:
• na řetězcích (např. Levenshteinova vzdálenost)
• na slovech
• na slovech s použitím znalostní báze (např. slovník synonym)
• na syntaktických stromech
• kombinace předchozích
Rozpoznávaní textových vyplývání/parafrází
využití:
• odpovídání na otázky
• chatbots
• detekce plagiátů
• výuka
• automatická sumarizace textu
• doplnění implicitní znalosti
► logická analýza textu
► znalostní modely v umělé inteligenci
«...
Korpusy parafrází
• Microsoft Research Paraphrase Corpus
• The Boeing-Princeton-ISI (BPI) Textual Entailment Test Suite2
• Multiple Translation Chinese Corpus3
• The SEMILAR Corpus: The SEMantic SimlLARity Corpus4
• Paraphrase Discovery5
http://research.microsoft.com/en-us/downloads/ 607dl4d9-20cd-47e3-85bc-a2f65cd28042/
2 http://www.cs.utexas.edu/users/pclark/bpi-test-suite/ 3https://catalog.ldc.upenn.edu/LDC2002T01 4http:
//deeptutor2.memphis.edu/Semilar-Web/public/semilar-api.html 5http://nip.cs.nyu.edu/paraphrase/
Paraphrase Discovery
vztahy mezi pojmenovanými entitami v korpusových datech: [lemma="Hannibal"]   []* [lemma="Hopkins"] within <s/>
ztvárnit jako
hrát odmítnout
s na roli
si hrající
/ se objevil
v podání představoval
alias působí v roli se svým přítelem
(
po boku
Generovaní parafrází
Základní způsoby parafrázování:
• aktivní-pasivní větná konstrukce: Tento most byl postaven Nejlepší firmou s.r.o.
• synonyma: Tuto lávku postavila Nejlepší firma s.r.o.
• hyperonyma: Tuto stavbu postavila Nejlepší firma s.r.o.
• substantivizace, deverbalizace: Stavitelem tohoto mostu je Nejlepší firma s.r.o.
a kombinace: Tento most byl vytvořen Nejlepší firmou s.r.o. Podrobněji v [Bhagat and Hovy, 2013].
Přirozená logika [Lakoff, 1970]
nástrojem této logiky je přirozený jazyk
• monotonicita (monotonicity): víc než tisíc je hodně Mám víc než tisíc knih. Mám hodně knih. Nemám víc než tisíc knih. Nemám hodně knih.
• obsažení/omezení (containment): červené auto je auto Po ulici jelo červené auto. Po ulici jelo auto.
Po ulici nejelo červené auto. Po ulici nejelo auto.
• exkluze (exclusion): pes není kočka
Na dvorku seděl pes. Na dvorku seděla kočka. Na dvorku neseděl pes. Na dvorku neseděla kočka.
odvození vs. presupozice:
Mark David Chapman zastřelil Johna Lennona. =4> John Lennon nežije. Mark David Chapman nezastrelil Johna Lennona. 7^ John Lennon nežije. Brazílie vyhrála mistrovství světa. =4> Brazílie hrála na mistrovství světa. Brazílie nevyhrála mistrovství světa. =4> Brazílie hrála na mistrovství světa.
PA153 Zpracování přirozeného jazyka — Přirozená logika
'—Přirozená logika [Lakoff, 1970]
«™n«=ni^[m=n=«ni=^:vfcntíti,fcj.l N.mim»k.n.i,i,l= knih. N.mím hcd* knih
V přednášce jsem se spletla, šipky na snímcích jsou dobře.
Analýza textu „bez analýzy"
Z textu můžeme získat dost informací bez analýzy obsahu textu (kódování nebo jazyk, délka textu, počet odstavců, počet slov ...).
Můžeme získat informace o obsahu bez analýzy obsahu? Ano, ale ...
jazykově nezávislé metody jsou založeny na faktu, že některé části textu jsou důležitější než jiné pokud ty důležitější identifikujeme, můžeme dále pracovat jen s nimi
Odbočka k PageRank: důležité jsou odkazy 6
PA153 Zpracování přirozeného jazyka 11 - Parafráze, odvozování        18 / 26
Ôiäýzisk erergäické spotečnôšíi ČĚŽlza tri čtvrtletí letošního roku meziročně klesl o 4,7 procenta na 31,7 miliardy korun. Tržby se meziročně snížily o 0,3 procenta na 161^9_mi_liard_y_ korun.Hlavnim důvodem pokleku byly_odjD[sy_alrtjy_kyůli regulacím evropského [energetického sejrtoru] a související snižování Velkoobchodních cen ejektřjnyj, sdělila iflrmai. Výsledeicje tak výrazně ^odočekáváním. Analytici "totiž předpokládali, že čistý zisk ČĚŽ stoupne o víc než ^/i_procertai_na 3_4J8 miliardy korun. Společnost také oznámila, že kvůli sniženj___ y~e Iko iq b chod n ich cen e I _e_ ktři ny a re g u I at o r n irn zá s ah ům do _eyrap s ké h o fen erg etické ho seírtoruj snížila celoroční výhled čistéha zjskujna_35 mjNArď.karun^^ Půy_oďnĚ_p_oč|ta[a s výsledkem o 2,5 miliardy vyšším. "Oč odrážejí současný stav energetiky V Evropě. Fakt", že na naše výsledky "tato krize doléhá později a výrazně méně než na naše evropské konkurenty, reflektuje zejména naši úspěšnou strategii předprodejů elektřiny na roky dopředu a důraz na vnitřní úspory," uvedl k výsledkům předseda představenstva a generální ředitel Daniel Beneš.
Rozpoznávaní témat (topic recognition)
• extrakce klíčových frází (key p hra ses)
• klasifikace textu do kategorií (sport, fotbal, finance, půjčky, ekonomie, energetika...)
Extrakce klíčových frází (key phrases) obecně
• podobný úkol jako extrakce klíčových slov
• klíčové n-gramy (slovo = unigram)
• zkoumaný korpus a referenční korpus
• potřebujeme (předpočítané) frekvence n-gramů
• frekvence n-gramu není srovnatelná s frekvencí m-gramu pro n ^ m
Extrakce klíčových frází (key phrases), projekt To|P|icks
• zkoumaný korpus je (krátký) text
• referenční korpus je (velký) korpus
• text rozdělíme na možné fráze (pomocí regulární gramatiky)
• každá fráze získá skóre: frekvence n-gramů v textu / frekvence n-gramů v korpusu
• vyhledáváme základní tvary n-gramů (např. energetický společnost ČEZ)
• skóre fráze posiluje, pokud má podfráze také nějaké skóre
• skóre fráze posiluje, pokud fráze obsahuje pojmenovanou entitu
• skóre fráze oslabuje, pokud je fráze krátká nebo pokud je číslo
Projekt To|P|icks: analýza „bez analýzy"
• pracujeme s tokeny (použili jsme tokenizaci)
• pracujeme s n-gramy lemmat (použili jsme lemmatizaci)
a počítame poměr frekvencí (používame korpus konkrétního jazyka)
• extrahujeme kandidáty pomocí regulární gramatiky (používáme parciální syntaktickou analýzu)
• rozpoznáváme pojmenované entity
• neprobíhá úplná analýza
• nepracujeme s lexikálním významem
Iŕjstý.zisk energetické společnosti CĚŽ za tri čtvrtletí letošního roku meziročně klesl o 4,7 Iprocenta na 31,7 miliardy korun, tržby se meziročně snížily o 0,3 procenta na 161L9_miJiardy_ Ikorun.Hlavním důvodem poklesu _byl¥_odj3[sy_alrtjy_kyúli regulacím evropského ie n e rg eti cké h a_ I Isektoru] a související snižování Velkoobchodních cen , sdělila firma]. Výsledekje tak '
lyýraznějíodočekáváním. Analytici "totiž předpokládali, že čistý zisk ČEŽ stoupne o víc než
l^/j .Pípcentalna p^^S milj ard^ korun. Společnost také oznámila, že kvůli snížení.......
I^ikpqbch^ních cen ejektřjnj: a regulatorním_zásahů_m_do_ey_rqpského Lene/getičitého Isektoru] snížila celoroční výhled čistéhci ziskujna_35 mjHACď.karuni_-_ Půy_oďné_p_oč|ta[a s [výsledkem o 2,5 miliardy vyšším "Ďče odrážejí ■současný stav energetiky V Evropě]. Fakt", že na naše výsledky "tato krize doléhá později a Ivýrazně méně než na naše evropské konkurenty, reflektuje zejména naši úspěšnou strategii [předprodejů elektřiny na roky dopředu a důraz na vnitřní úspory," uvedl k výsledkům předseda| Ipředstavenstva a generální ředitel Daniel Beneš].
obecnější otázka: dává program správný výstup?
je třeba stanovit přesně cíl > je třeba stanovit vzdálenost (nejlépe metriku) mezi výstupem a cílem
Karel Pala, Zuzana Nevěřilová
PA153 Zpracování přirozeného jazyka
11 - Parafráze, odvozování        24 / 26
Rozpoznávaní témat
. . .je zatím velmi vágně definovaný problém, tudíž má jen omezeně dobrá řešení.
Odkazy I
Q Allen, J. (1995).
Natural Language Understanding (2nd ed.).
Benjamin-Cummings Publishing Co., Inc., Redwood City, CA, USA.
H Bhagat, R. and Hovy, E. (2013). What is a paraphrase? Computational Linguistics, 39(3):463-472.
H Dagan, I., Roth, D., and Zanzotto, F. M. (2007). Tutorial notes.
In 45th Annual Meeting of the Association of Computational Linguistics, Prague, Czech Republic. The Association of Computational Linguistics.
1 Lakoff, G. (1970).
Linguistics and natural logic. Synthese, 22(1-2):151-271.