mbt: a memory-based part of speech tagger-generator konstanze pfüll uds 16.06.2011
Post on 05-Apr-2015
122 Views
Preview:
TRANSCRIPT
MBT: A Memory-Based Part of Speech Tagger-Generator
Konstanze Pfüll
UdS
16.06.2011
Überblick
POS-Tagger
IGTree
Experimente
Tagger-Architektur (1)
Konstruktion eines POS-Taggers: Gegeben: neues annotiertes Korpus 3 Datenstrukturen werden automatisch extrahiert:
Lexikon Fallbasierung für known words Fallbasierung für unknown words
(beide Fallbasierungen als IGTree implementiert)
Tagger-Architektur (2)
Ablauf des Taggen: Jedes Wort wird im Lexikon nachgeschaut Wird es gefunden:
lexikalische Repräsentation wird abgefragt
Kontext wird bestimmt
resultierendes Muster wird in der known words - Fallbasierung nachgeschlagen
Tagger-Architektur (3)
Wird es nicht gefunden:
lexikalische Repräsentation wird auf Grundlage seiner Form berechnet
Kontext wird bestimmt
resultierendes Muster wird in der unknown words Fallbasierung nachgeschlagen.
Erstellung des Lexikons (1)
Für jedes Wort in T wird die Anzahl der Auftreten mit jeder Kategorie berechnet.
Beispiel
Wall Street Journal Corpus Ersten 2 Mio Wörter = T Wort: once RB = 330 (330 mal als Adverb getaggt) IN = 77 ( 77 mal als Präposition)
Alle Kategorien mit weniger als 10% der Wörter wurden ignoriert
Wert wurde benutzt um Generalisierungs accuracy zu maximieren
Erstellung des Lexikons (2)
Für jedes Wort in T wird die Anzahl der Auftreten mit jeder Kategorie berechnet.
Unter Verwendung der erhaltenen lexikalischen Definierung, wird ein neuer (möglicherweise ambiger) Tag für jede Wortart erstellt
Beispiel
Once:
Kategorie, die alle Wörter repräsentiert, die sowohl Adverbien als auch Präpositionen sein können (RB-IN)
Frequentieller Ablauf wird berücksichtigt: Below:sowohl RB als auch IN aber häufiger IN als RB
-> (IN-RB)
Known Words
Ein Fall besteht aus Information über ein Wort das getaggt werden soll, seinem linken und rechten Kontext und einer dazugehörigen Kategorie für das Wort in diesem Kontext
Es gibt verschiedene Typen von Information: vom Wort selbst Bis zu den komplexen lexikalischen Repräsentationen
Beispiel
Fallbasierung für den ersten Satz im Korpus Pierre Vinken, 61 years old, will join the board as a
non execuive director nov. 29
Beispiel
Pierre Vinken, 61 years old, will join the board as a non execuive director nov. 29
Problem:
Speicherbasierte Ansätze sehr teuer
Warum? Jedes neue Wort im Kontext, das getaggt werden soll,
muss mit jedem Muster, das im Speicher ist, verglichen werden
Durch Verwendung von IGTree wird der Ansatz … rechnerisch billiger schneller
Was ist IGTree?
IGTree = eine effiziente Repräsentation von Trainingsdaten für Memory-based Learning
großer Vorteil: optimale Kontextgröße für Disambiguierung wird dynamisch berechnet
Wie funktioniert‘s? (1)
IGTree kombiniert 2 Algorithmen: Einen für das Komprimieren von Fallunterscheidungen in
Bäumen Einen für das Zurückholen von Klassifikationsinformationen aus
diesen Bäumen
Während der Konstruktion von IG-Entscheidungsbäumen, werden Fälle als Wege von verbundenen Knoten gespeichert.
Alle Knoten beinhalten einen Test und ein Klassenlabel (repräsentiert die Default-Klasse an diesem Punkt)
Wie funktioniert‘s? (2)
Mithilfe des Information Gain wird die Reihenfolge, in der die Eigenschaften als Test im Baum genutzt werden, bestimmt.
Information Gain ‚size‘ : 0,75 ‚shape‘ : 0,9 ‚number of holes‘ : 1,10
Komprimierung
ähnliche Fälle teilen sich teilweise Wege
nur die Eigenschaftswerte, die seine Klassifikation eindeutig machen, werden im Baum abgespeichert
Pruning (Entfernung von Redundanz)
(Komprimierung beeinflusst Performance der IGTrees nicht)
Wie funktioniert‘s? (4)
Blätterknoten: umfassen das eindeutige Klassenlabel, das mit einem Weg im Baum übereinstimmt.
Nicht-Terminale Knoten: umfassen Infos über Wahrscheinlichste Klassifikation oder Default-Klassifikation
die vom Weg bis jetzt durch den BaumKonstruktions-Algorithmus gegeben wird.
Wie funktioniert‘s? (5)
Finden der Klassifikation eines neuen Falls bedingt Durchlaufen des Baumes und entweder...
Das Abfragen einer Klassifikation wenn ein Blatt erreicht ist, oder
Das Verwenden der Default-Klassifikation des letzten abgefragten nicht-terminierenden Knotens, falls eine feature-value-Abfrage fehlschlägt
Algorithmus (1)
Algorithmus (2)
Komplexität (1)
Suchen eines Abfragemusters im Baum ist proportional zu F*log(V) (F= Anz. von features, V= das Mittel der Anzahl von Werten pro
feature, d.h. das Mittel der Verzweigungszahl des Baumes)
Komplexität (2)
Suche im Baum ist unabhängig von Anzahl der Trainingsfälle
besonders nützlich für große Fallbasierungen
In der Praxis:Für die durchgeführten Part-of-Speech-tagging-Experimente ist die IGTree-Abfrage 100-200 mal schneller als eine normale speicherbasierte Abfrageund nutzt über 95% weniger Speicher
Architektur eines Tagger-Generators
Experiment 1
Vergleich von 3 speicherbasierten Lernalgorithmen: IB1 IB1-IG IG-Tree
Verwendung eines ddfat-Musters 100.000 Wörter im Trainingsset 10.000 Wörter im Testset Accuracy nur auf known words getestet
Experiment 1
IGTree: Besser bzw. gleich gut bezüglich Generalisierungs-
accuracy 100 mal schneller im Tagger von neuen Wörtern Komprimiert die Fallbasierung auf 4% der
ursprünglichen Fallbasierung
Experiment 2 - Lernkurve
Experiment 3 - Gesamtgenauigkeit
Trainingsset: 2 Mio Wörter Testset: 200.000 Wörter
Vorteile beim speicherbasierten Taggen mit IGTree
Performance von kleinen getaggten Korpora (300.000 - 400.000 getaggten Wörter): gut
Erklärung des Klassifikationsverhaltens des Systems
Flexible Einbindung der Informationsquellen
Vorteile beim speicherbasierten Taggen mit IGTree
Automatische Auswahl des Kontextes
Relativ gute Auswirkungen auf unknown words ohne morphologische Analyse
Schnelles Lernen und Taggen
(Tagging-Geschwindigkeit in der derzeitigen Implementierung: über 1000 Wörter pro Sekunde)
Referenzen
MBT: A Memory-Based Part of Speech Tagger-GeneratorWalter Daelemans, Jakub Zavrel Peter Berck, Steven Gillis
Workshop On Very Large Corpora (1996)
IGTree: Using Trees for Compression and Classification in Lazy Learning Algorithms
Walter Daelemans, Antal van den Bosch, Ton Weijters
Artificial Intelligence Review 11, 407-423, 1997
www.stackoverflow.com/questions/1833252/java-stanford-nlp-part-of-speech-labels
Vielen Dank für Eure Aufmerksamkeit!
top related