Например, слово собака в предложении имеет два зависимых отношения с двумя словами слева ( a и коричневый ), без зависимых справа от него, но одна голова слева от него ( видел ).Слово park , будучи заключительным предложением, не имеет никаких ссылок справа, но у него есть одна голова ( в ) и одна зависимая ( ) слева. С нейробиологической точки зрения предполагается, что все отношения зависимости имеют одинаковую стоимость. Согласно нашей гипотезе, каждое отношение порождает эквивалентный ЖИРНЫЙ ответ независимо от его типа и расстояния между главой и иждивенцами.

Что касается синтаксического анализа фразовой структуры, тексты трех рассказов, представленных участникам, были загружены в набор инструментов ALPINO для обработки естественного языка голландского языка, чтобы на этот раз сгенерировать синтаксический анализ фразеологической структуры для каждого предложения (van Noord, 2006) .

Чтобы количественно оценить количество синтаксических операций на слово, необходимых для построения синтаксического анализа структуры фразы входного предложения, мы измерили количество структур закрытых фраз, разрешенных после введения каждого нового слова (PSxps). Такая мера вычисляется путем рассмотрения того, является ли слово или фраза правым или левым потомком своего родительского фразового узла. В случае, если рассматриваемое слово является правым потомком, родительский фразовый узел считается завершенным и, следовательно, закрытым.Это происходит рекурсивно, оценивая, является ли закрытый фразовый узел, в свою очередь, правым потомком родительского фразового узла более высокого порядка, что позволяет ему закрыться. Например, согласно синтаксическому анализу фразовой структуры предложения 1 (рисунок 1), первый экземпляр слова The является левым дочерним элементом структуры NP; по этой причине данная НП не является полной и не может быть закрыта. Следовательно значение PSxps для равно 0. С другой стороны, man является правым потомком того же NP, и поэтому эта структура фразы может быть закрыта в этой позиции слова, что позволяет присвоить значение от 1 до . человек .Следуя тем же рассуждениям, dog является левым потомком другого NP, допускающего его закрытие. Эта последняя NP, в свою очередь, является левой частью более высокой структуры NP. Следовательно, слову собака присваивается значение 2, потому что его представление позволяет завершить две вложенные структуры фраз. Таблица 2 содержит значения PSxps для всего предложения 1.

Чтобы контролировать другие факторы, которые, как известно, влияют на активацию мозга во время понимания речи, мы добавили преобразованные в логарифмическую форму лексическую частоту и неожиданность в качестве ковариант в анализ (Lopopolo, Frank, van den Bosch, & Willems, 2017; Willems et al., 2016). Преобразованная в Log2 лексическая частота на слово была вычислена с использованием корпуса SUBTLEX NL (Keuleers et al., 2010). Сюрприз был вычислен на основе модели Маркова второго порядка, также известной как модель триграммы, обученной на случайном выборе 10 миллионов предложений (включая 197 миллионов токенов слов; 2,1 миллиона типов) из голландского корпуса Интернета (NLCOW2012; Schäfer & Bildhauer). , 2012). Сюрприз слова w _t — отрицательный логарифм условной вероятности встречи w _t после чтения последовательности w _{t −2} , w _{t −1} , или −log P ( w _t | w _{t −2} , w _{t −1} ).Расчет был выполнен с помощью набора инструментов SRILM (Stolcke, 2002).

Мы выбрали шесть отдельных анатомических ROI для левого полушария, чтобы выборочно проверить вклад двух наших синтаксических показателей в качестве предикторов активности BOLD. Этими областями были STG (включая область Вернике), средний височный полюс (mATP), верхний височный полюс (sATP), IFG pars opercularis (IFG_oper), IFG pars triangularis (IFG_tri) и IFG pars orbitalis (IFG_orb). ).Области определены в соответствии с атласом автоматической анатомической маркировки (AAL) (Tzourio-Mazoyer et al., 2001), реализованным в SPM12. Затем мы вычислили средний BOLD-сигнал для каждого из наших 24 участников и шести ROI.

Для каждой из шести областей интереса мы подобрали три модели LME, предсказывающие средний жирный сигнал. Первая модель (Базовая, 2 ниже) содержит в качестве предикторов только вероятностную информацию (лексическую частоту и неожиданность) относительно каждого слова.Оценки алгоритма коррекции движения (три поворота и три перевода за прогон) были дополнительно добавлены как регрессоры, не представляющие интереса. Чтобы оценить влияние показателей зависимости и фразовой структуры на BOLD-сигнал каждого ROI, модели 3 и 4 были оснащены одним из наших синтаксических показателей (DSlrels, PSxps) в дополнение к тем же ковариатам базовой модели. Кроме того, мы включили случайные перехваты по субъекту, а также случайные наклоны по субъекту для неожиданной и логарифмической частоты слов.

• (2)

  Базовая модель: BOLD 1 + lexf req + Surprise + m 1 + m 2 + m 3 + m 4 + m 5 + m 6 + (1 | subject ) + (1 + Surprise | subject ) + (1 + lexf req | subject )

• (3)

  Модель DSlrels: BOLD 1 + lexf req + Surprise + DSlrels + m 1 + m 2 + m 3 + m 4 + m 5 + m 6 + (1 | subject ) + (1 + Surprise | subject ) + (1 + lexf req | subject )

• (4)

  Модель PSxps: BOLD 1 + lexf req + isal + P Sxps + м 1 + м 2 + м 3 + м 4 + м 5 + м 6 + (1 | предмет ) + (1 + сюрприз | предмет ) + (1 + lexf req | предмет )

Мы сравнили синтаксические модели (DSlrels и PSxps) с базовой моделью, чтобы проверить, улучшило ли введение синтаксической меры достоверность данных.Мы также напрямую сравнили модели DSlrels и PSxps, чтобы проверить избирательность конкретной синтаксической структуры в наших шести ROI. Сравнение моделей проводилось с использованием критерия отношения правдоподобия. Модели подошли по максимуму правдоподобия.

Анализ ROI, представленный выше, был направлен на определение вклада наших структурных показателей в активность левой нижней лобной, верхней височной и передневисочной областей мозга — областей, которые, как утверждается, отвечают за структурный анализ языковых стимулов.Чтобы изучить взаимодействие между этими (и другими) областями мозга, мы дополнительно исследовали ИЦП. PPI — это метод анализа функциональной связи мозга, разработанный для оценки контекстно-зависимых изменений функциональной связности кортикальных областей (Friston, 2011; Friston, Büchel, et al., 1997). Он моделирует то, как активность мозга определяется активностью предварительно выбранной семенной области при модуляции экспериментальными условиями или параметрами (модулятор). Анализ берет активность начальной области (физиологический компонент ) и модулятора (психологический компонент ) и соответствует воксельной линейной модели с использованием в качестве предиктора представляющего интерес продукта этих двух компонентов (психофизиологический компонент ). взаимодействие).Таким образом, PPI идентифицирует области мозга, активность которых зависит от взаимодействия между психологическим контекстом (задачей) и физиологическим состоянием (временным ходом активности мозга) семенной области (O’Reilly et al., 2012).

Активность каждой исходной области была рассчитана путем подбора общей линейной модели, содержащей в качестве предикторов наши структурные меры и в качестве ковариат лексическую частоту, неожиданное и параметрическое движение головы.Собственное значение вокселей внутри ROI, показывающее надпороговую активацию для интересующего регрессора, использовалось для вычисления физиологического компонента PPI. Это было проведено на уровне отдельных субъектов с уровнем значимости p <0,05. Интересующий регрессор, используемый для выбора вокселей по ROI, действовал также как психологический модулятор для собственно последующих анализов PPI, который заключался в подгонке другой общей линейной модели всего мозга на субъектном уровне с использованием в качестве интересующего регрессора продукта исходной активности и модулятор измеряет и как коварирует активность затравки и сам модулятор.Затем цель состояла в том, чтобы определить те вокселы (как на уровне отдельного субъекта, так и на уровне группы), которые в значительной степени реагируют на взаимодействие между активностью семян и модулятором.

На уровне отдельного субъекта наблюдаемый ЖЕЛТЫЙ временной ход в каждом вокселе был подвергнут регрессионному анализу, тестированию на вокселы, в котором интересующие ковариаты (DSlrels, PSxps) объясняют значительную долю дисперсии этого временного графика вокселя (Friston , Холмс и др., 1995). Перед фактическим анализом для каждой истории был создан один регрессор, моделирующий продолжительность каждого отдельного слова. Этот регрессор был свернут с функцией гемодинамического ответа, чтобы учесть задержку активации BOLD, соответствующую предъявлению стимула. Помимо представляющих интерес ковариат, были введены преобразованные в логарифм лексическая частота на слово — вычисленная с использованием корпуса SUBTLEX-NL (Keuleers et al., 2010) — и на каждое слово сюрприз. Они использовались как регрессоры, не представляющие интереса, для статистического исключения эффектов стохастических свойств слов.Оценки по движению алгоритм коррекции (три поворота и три перевода за прогон) были дополнительно добавлены как регрессоры, не представляющие интереса.

Нас интересовало, какие воксели более чувствительны к DSlrels по сравнению с PSxps и наоборот. Для этого мы сопоставили эти два интересующих нас регрессора, чтобы определить вокселы, которые являются селективными для каждого из регрессоров сверх вклада другого (DSlrels> PSxps, PSxps> DSlrels).Значимость этих контрастов оценивалась путем вычисления статистики t для участников этого разностного балла для каждого вокселя в мозге. Полученная проблема множественного сравнения была решена путем объединения p <0 . 05 порог вокселей с пороговым значением протяженности кластера, определенным с помощью 1000 симуляций Монте-Карло, после оценки гладкости данных (Slotnick et al., 2003), примененной для каждого отдельного контраста как для отдельной, так и для общей модели.Кластеры размером, превышающим количество вокселей пороговые значения соответствовали статистически значимым эффектам (уровень p <0,05, скорректированный на множественные сравнения).

Результаты, представленные в предыдущем разделе, подчеркивают предпочтительную избирательность структуры зависимостей в левом ATP и IFG и избирательность структуры фразы в левом STG.

В этом разделе мы представляем результаты анализа PPI, нацеленного на оценку взаимосвязи между активностью в наших ROI, модулируемой обработкой либо структуры фразы, либо структуры зависимостей. Поскольку STG показал избирательность в отношении структур фраз, а IFG и ATP — в отношении структур зависимостей, мы провели три отдельных анализа PPI для всего мозга. Сначала мы проверили области мозга, в которых активность была обусловлена ​​активностью STG (физиологическое семя), модулированной структурной мерой PSxps (психологический модулятор).Затем мы использовали активность IFG или ATP в качестве физиологических семян и DSlrels в качестве модулятора, чтобы оценить вклад этих областей и структуры в активность остальной части мозга во время обработки речи. В таблице 5 и на рисунке 5 представлены результаты анализа PPI с использованием STG в качестве физиологического затравки и PSxps в качестве модулятора активности. Результаты выделены большие скопления в двусторонних центральных бороздах (CS) и прецентральных извилинах (PCG), охватывающие как двустороннюю первичную моторную, так и премоторную коры.Активация наблюдалась также для двусторонней задней височной и перисильвиальной коры. Интересно, что активность в левом IFG также определялась взаимодействием между активностью в левом STG и показателем PSxps. В таблицах 6 и 7 и на рисунках 6 и 7 представлены результаты использования DSlrels в качестве модулятора и АТФ и IFG в качестве физиологических семян соответственно. Эти результаты показывают, что активность левого АТФ, модулируемая DSlrels, объясняет активность ограниченного набора кластеров, расположенных в двусторонней префронтальной коре (PFC).

Области результатов всего мозга, которые более чувствительны к DSlrels по сравнению с PSxps (DSlrels> PSxps)

Контрастные PSxps и DSlrels (PSxps> DSlrels, 8) подчеркивают роль IFG (orbitalis), AG, веретенообразной формы и гиппокампа в левом полушарии и двусторонней затылочной коры.

С другой стороны, контрастирование DSlrels и PSxps в другом направлении (Dslrels> PSxps, 9) указывает на вовлечение левой верхней лобной извилины (SFG) и правой хвостатой части.

Целью нашего эксперимента было выяснить, чувствительны ли части мозга, ранее задействованные в синтаксисе, к различным типам синтаксических операций, участвующих в синтаксическом разборе предложений.Мы исследовали, лучше ли объяснить активность мозга шести областей левого полушария с помощью DG или PSG. Две грамматики не были предназначены для представления противоположных гипотез, и наша цель не состояла в том, чтобы доказать, что одна формализм лучше, чем другой. Наши результаты показывают, что обе грамматики могут объяснить различия в областях коры, предположительно участвующих в синтаксической обработке, и что они, по-видимому, делают это для разных областей мозга.

Эти результаты частично отличаются от результатов, представленных Ли и Хейлом (2019).Их показатель структурного расстояния объясняет активность в правой передней и левой задней височной коре. Принимая во внимание, что PSxps вместо этого объясняет активацию в левом STG, тогда как DSlrels объясняет активацию в левом АТФ, их наблюдение, что структурное расстояние показывает активацию как в передней, так и в задней верхней височных областях, может быть связано с тем фактом, что оно неявно содержит информацию, объединяющую зависимость и фразовый состав раздражителей. Мы полагаем, что эти различия вызваны разным использованием информации из грамматик зависимостей и фразеологической структуры в двух исследованиях.С другой стороны, контекстно-зависимая грамматическая мера Ли и Хейла (сопоставимая с нашим PSxps) действительно объясняет активность в левой задней височной доле, что, по нашему мнению, согласуется с нашими результатами, показывающими, что PSxps объясняет активность в левом СТГ.

Наши результаты указывают на связь между активностью АТФ и количеством отношений зависимости левой стороны на уровне слов, что было принято как количественная оценка операции, которую человеческий мозг должен выполнять, чтобы интегрировать каждое слово в зависимость. синтаксический анализ предложения, в которое он встроен.Таким образом, это, по-видимому, указывает на то, что АТФ действует как комбинаторный узел, который связывает слова воедино в соответствии с отношениями, аналогичными тем, которые характеризуют анализ зависимостей. Эти результаты согласуются с предыдущими исследованиями, описывающими эту область как центр композиции во время понимания предложения (Friederici et al., 2000; Humphries et al., 2006, 2007; Mazoyer et al., 1993; Stowe et al., 1998). ).

Структура зависимости, составленная бинарными типизированными отношениями, также может быть близка к стимулам из двух слов, которые, как было обнаружено Baron et al., Вызывают активацию в АТФ.(2010) и Westerlund et al. (2015). Барон и др. (2010) наблюдали модуляцию активности в этой области при представлении пар прилагательное – существительное. Отношения прилагательных и существительных напрямую фиксируются отношениями модификации в типе синтаксического анализа зависимости, который мы использовали в этом исследовании. Точно так же интересный параллелизм между типизированными отношениями, которые составляют графы зависимостей, и типами стимулов, состоящих из двух слов, представленных в Westerlund et al. (2015) могут помочь понять, почему структура зависимостей может быть правильным способом характеристики типа работы, выполняемой ATP.Отношения зависимости напрямую связывают пары слов в соответствии с типом роли, которую они играют в сентенциально-семантических отношениях. В широком смысле они могут быть сгруппированы в отношения глагол-аргумент (то есть отношения, установленные между предикатом и его субъектом, объектом, дополнением или модификатором).

Отношения зависимости типа модификатора могут быть проиллюстрированы связью между прилагательным и существительным, наречием и глаголом, определителем и существительным и т. Д.Вестерлунд и др. (2015) продемонстрировали, что широкий спектр «композиционных режимов» влияет на активность левого АТФ. Эти способы состоят из последовательностей из двух слов, классифицируемых как модификация (прилагательное-существительное-наречие-глагол-наречие-прилагательное) или насыщение аргументов (глагол-существительное, предлог-существительное-определитель-существительное). Эти режимы (за исключением того факта, что они включают пары слов) напоминают классификацию типов отношений зависимости. Поэтому кажется естественным предположить, что на основе наших результатов и результатов, найденных в литературе, DG предлагает разумную формализацию типа структуры, используемой (или созданной) в левом АТФ.

Таким образом, наши результаты подтверждают, что левый ATP может служить локусом, где вычисляются семантические представления на уровне предложения, и что эти представления могут быть получены путем объединения слов, составляющих предложение, следуя структуре, указанной способом, сопоставимым с анализом зависимостей.

Анализ ROI показывает небольшое влияние показателей структуры зависимостей на активность левой IFG (pars opercularis).Эта область занимает центральное место в нескольких исследованиях языка и синтаксической обработки и часто связана с активностью левой pSTG (Caramazza & Zurif, 1976; Friederici et al., 2005; Pallier et al., 2011; Snijders et al. , 2008; Tyler et al., 2008; Zaccarella & Friederici, 2015; Zaccarella et al., 2015). Наши результаты, кажется, указывают на то, что эта область может работать совместно с левым ATP при построении представлений на уровне предложений, которые следуют структуре, описываемой отношениями зависимости слово-слово.Это потенциально совместимо с структура памяти, унификации и контроля (Hagoort, 2013), которая предсказывает роль IFG в интеграции слов в их смысловой и дискурсивный контекст.

Помимо анализа ROI, PPI и анализ всего мозга дают несколько более сложную картину. Активность в части левой части треугольной части объясняется активностью левой STG, модулируемой структурой фразы, тогда как активность в другой части того же субрегиона связана с активностью в части оболочки, которая модулируется структурой зависимости.Вместо этого анализ всего мозга указывает на участие левой части орбитальной части в обработке фразеологической структуры.

В свете этих наблюдений возможно, что разные подобласти левой IFG поддерживают анализ различных синтаксических структур, согласованных либо с левым ATP, либо с левым STG. В частности, pars opercularis может работать совместно с левым ATP при построении представлений зависимостей на уровне предложения, тогда как pars orbitalis выполняет операции, связанные с теми, которые выполняются в левой STG, имея дело с иерархическими фразовыми представлениями предложения.Треугольник pars, по-разному связанный с вычислением структуры зависимостей в ATP и фразовым анализом в STG, может — это очень условно — действовать как буфер между этими двумя областями и их синтаксическими операциями.

Эти объяснения все еще находятся на уровне предположений, и мы откладываем дальнейшие исследования, прежде чем делать какие-либо более убедительные выводы.

Анализ всего мозга выявил дополнительный набор областей, которые более чувствительны к структуре зависимостей по сравнению с показателями структуры фраз.Помимо результатов ROI, мы наблюдали вовлечение других структур мозга: левой АГ, правой задней поясной коры и левой верхней лобной извилины.

Эти шаблоны активации могут указывать на то, что структуры зависимостей коррелируют с механизмами рабочей памяти, обслуживающими синтаксический анализ. PFC упоминается как центральный игрок в исследованиях рабочей памяти, в том числе в области языковой обработки и понимания предложений (D’Esposito & Postle, 2007; Nee & D’Esposito, 2016).Кроме того, Bonhage et al. (2014) сообщили об участии также нижней теменной коры (включая АГ) и областей, граничащих с поясной корой и предклиньем во время кодирования в рабочей памяти фрагментов коротких предложений (4 или 6 слов).

Кто-то может возразить, что количество DSlrels, управляющих каждым словом в стимуле, просто моделирует нагрузку на ресурсы рабочей памяти, необходимые для пословной обработки предложений.Другими словами, получив предложение, мозг должен сохранять в памяти каждое слово постепенно, пока получатель отношения зависимости с каждым словом не будет представлен — и в конечном итоге интегрирован. В этом смысле DSlrels фиксируют только количество слов, которые нужно помнить, пока не будет прочитан или услышан подходящий иждивенец или руководитель.

Тем не менее, эта интерпретация не объясняет всей картины в отношении обработки структуры зависимостей.Как указывалось выше, существует значительная связь между DSlrels и левым ATP, областью, которая традиционно не считается частью сети рабочей памяти. Следовательно, вместо того, чтобы интерпретировать эти результаты как предполагающие, что меры зависимости просто фиксируют нагрузку на рабочую память, вызванную количеством слов, которые необходимо интегрировать в синтаксический анализ, было бы более правильным утверждать, что, хотя связанная с зависимостью активность в левом ATP действительно вычисляет предложение На уровне структурного анализа активность в таких областях, как поясная извилина, лобная и нижняя теменная кора, может быть хорошо объяснена с точки зрения обработки памяти, поддерживающей активность в передней височной и нижней лобных областях.Необходима дальнейшая работа, чтобы пролить свет на эту возможность.

Анализ PPI был проведен, чтобы увидеть, какой тип взаимодействия существует между этими областями обработки синтаксиса (левый ATP, IFG и STG) и остальной частью мозга.

Тот факт, что активность в левой STG, модулируемая PSxps, по-видимому, управляет активацией в небольшой части левой IFG, помимо большой сети двусторонних центральных и прецентральных областей, может указывать на взаимодействие между фразами-структурой. и области обработки структуры зависимостей.Это может быть подтверждено также наблюдением, что активность IFG, модулируемая DSlrels, объясняет активность в левой задней перисильвиевой коре (т.е. AG) ​​и в небольшой части правой средней STG. Тем не менее, эти результаты не могут позволить нам твердо заявить о причинном взаимодействии между этими наборами областей.

Частично расхождения между анализом рентабельности инвестиций, с одной стороны, и анализом вокселей, с другой стороны, вероятно, вызваны статистическим пороговым значением в последнем, что во многих отношениях является статистически нечувствительным методом (по сравнению с к анализу ROI).В анализе ROI мы оцениваем, улучшает ли добавление синтаксического предиктора соответствие линейной модели средней активности в анатомически определенной области мозга. Анализ всего мозга проверяет, соответствует ли бета-коэффициент регрессора активности отдельного вокселя статистически значимым образом. Учитывая, что это делается сразу на многих вокселях, существует значительный риск ложноотрицательных результатов. Анализ PPI исследует коэффициенты синтаксического регрессора, свёрнутого с ЖИРНОЙ активностью исходной области, при этом контролируя ЖИРНУЮ активность самой области.Как по духу, так и по реализации, это дополняет подход, основанный на активации, используемый в анализе ROI и анализе всего мозга. Следовательно, различий следовало ожидать.

В этой статье мы исследовали, чувствительны ли разные области мозга к разным видам синтаксических операций. Для этого мы оценили дескрипторы зависимости и фразовой структуры предложений как предикторы активности мозга в левом АТФ, левом IFG и левом STG — областях, задействованных во время языковой обработки.

Мы обнаружили, что активность в левом АТФ лучше объясняется показателями зависимости по сравнению с показателями фразовой структуры. Эти результаты отличаются от предыдущих исследований, в которых структуры фраз использовались в качестве предпочтительного формализма для характеристики синтаксиса естественного языка (Nelson et al., 2017). Наши результаты связаны с результатами, представленными Brennan et al. (2016). Они предсказали данные фМРТ как в левой передней, так и в задней частях височной коры во время нарративного прослушивания, используя синтаксические показатели, полученные из фразовой структуры стимулов.В более позднем исследовании Ли и Хейл (2019) отметили, что мера, сочетающая зависимость и фразовую информацию, значительно объясняет активность в правой передней и левой задней височной коре. Тем не менее, наше исследование отличается от исследований Brennan et al. (2016) и Ли и Хейл (2019). Во-первых, в нашем исследовании мы намеренно решили разделить фразовые показатели и показатели зависимости, предполагая, что их структурные различия могут объяснять активность в разных областях, составляющих языковую сеть в мозгу.Фактически, наши результаты показывают, как левый АТФ и левый STG избирательны в отношении одного или другого. Во-вторых, наши результаты, полученные на голландском языке, а не на английском, можно рассматривать как подтверждение кросс-лингвистической достоверности этих наблюдений, учитывая, тем не менее, что голландский и английский языки тесно связаны.

Наши наблюдения относительно роли левого АТФ также согласуются с такими исследованиями, как Westerlund et al.(2015), которые показывают, насколько эта область чувствительна к широкому спектру композиционных структур, включая пары глагол-аргумент и предлог-аргумент. Мы думаем, что наши результаты подтверждают идею о том, что ATP работает как центр семантической композиции на уровне предложений, где слова комбинируются в соответствии с аргументной структурой предложений, зафиксированной при синтаксическом анализе зависимостей.

Мы также провели анализ PPI, исследуя, как взаимодействие между каждой из наших ROI и остальной частью мозга модулируется предпочтительным структурным описанием, как в предыдущем lme-анализе.Мы наблюдали, что активность левого STG, модулируемая количеством структур закрытых фраз, может управлять активностью левого АТФ. Эти результаты, подтверждая разделение труда между областями мозга, по-видимому, указывают на вспомогательную роль STG и построение фразеологической структуры, поддерживающей анализ стиля зависимости, который, по-видимому, выполняет такая область, как АТФ. Для изучения этого взаимодействия необходимы дальнейшие исследования. Решающим моментом будет оценка, проявляется ли чувствительность левого STG к PSG в более ранние латентные периоды по сравнению с чувствительностью ATP к DG.

% PDF-1.3 % 6 0 объект > ручей / CIDInit / ProcSet findresource begin 12 дикт начать begincmap / CIDSystemInfo 3 dict dup begin / Реестр (Adobe) def / Заказ (SI- * Minion Pro-Bold-88462) def / Дополнение 0 def конец определения / CMapName / Adobe-SI- * Minion Pro-Bold-88462-0 def / CMapType 2 def 1 начало кода endcodespacerange 100 beginbfchar endbfchar 100 beginbfchar endbfchar 100 beginbfchar endbfchar 100 beginbfchar endbfchar 100 beginbfchar endbfchar 100 beginbfchar endbfchar 100 beginbfchar endbfchar 100 beginbfchar endbfchar 100 beginbfchar endbfchar 100 beginbfchar endbfchar 64 beginbfchar endbfchar endcmap CMapName currentdict / CMap defineresource pop конец конец конечный поток эндобдж 9 0 объект > ручей

Что такое морфемный разбор — Языкознание 2021

В процессе морфемного разбора слова проводится анализ морфем, их компонентов: какие именно морфемы присутствуют в слове, как с их помощью формируется слово.Морфемный анализ позволяет лучше понять структуру данного слова и связанных с ним слов, а также проанализировать и научиться применять на практике механизмы словообразования в русском языке.

Морфема — минимальная неделимая значимая часть слова, служащая для образования новых слов и форм. Морфемный анализ позволяет проанализировать состав и назначение морфем в составе того или иного слова.

Порядок морфемного анализа

1. Морфемический анализ проводится по форме слова, присутствующей в тексте задания.Слово пишется без изменений, определяется, к какой части речи оно относится, изменчива эта часть речи или неизменна.

2. Если слово изменяемое, определяется склонение или окончание слова. Для определения концовки нужно изменить слово (с учетом склонения, спряжения). Необходимо помнить, что окончание — это вариативная часть слова, неизменные части речи, такие как наречие, наречие, некоторые существительные и прилагательные, а также официальные части речи не могут иметь окончания!

3.Определяется и выделяется основа слова — часть слова без окончания.

4. Корень слова выделен. Кстати, отбираются однокорневые (родственные) слова. Следует помнить, что корни могут быть одноименными, и нужно внимательно следить за тем, что именно имеет слово. Так, слово «коса» в значении «женская прическа» не может быть обозначено как родственные слова, такие как «косить» и «косить». В этом смысле корневыми словами будут «коса», «косичка» и даже «космос».

5. Выделяют другие словообразовательные и образующие части слова: приставки (префиксы), суффиксы (аффиксы и постфиксы), соединительные гласные (интерфиксы). С каждым из них подбираются слова, образованные одинаково.

Разница между морфемным синтаксическим анализом и синтаксическим анализом слов в составе

Некоторые источники указывают, что морфемный синтаксический анализ и анализ слов по составу идентичны. Но это не так. В этих двух анализах есть ряд существенных различий.

— Для морфемного разбора словоформа берется без изменений; для разбора в композиции используется исходная словоформа. Например, для глагола «сделал» начальная форма — «делать».

— В случае деривационного анализа указывается, является ли слово производным, т.е. образованным от другого, или нет, это не требуется для морфемного анализа.

— В случае словообразовательного анализа необходимо указать способ образования слова, а не отбирать слова, образованные с использованием тех же префиксов и суффиксов, что и в морфеме.

Границы | От редакции: Морфологически сложные слова в сознании / мозге

В большинстве языков предложения могут быть разбиты на слова, которые сами могут быть далее разложены на единицы, содержащие собственное значение, так называемые морфемы (например, « play» или множественное число «- s ») . Морфемы — это основные строительные блоки и инструменты, которые мы используем для создания и изменения слов. Представление морфологически сложных слов (изменяемых, производных и составных) в ментальном лексиконе и их нейрокогнитивная обработка были активно исследуемой темой в психолингвистике и когнитивной нейробиологии языка.Морфологически сложные слова, такие как « player » и « plays », разложены на их составные части (т. Е. На их основу « play » и суффикс множественного числа «- s » или суффикс агента «- er ») ) или они обрабатываются и представляются целостно (« игроков, » и « играет, »)? Несмотря на обширные исследования, многие важные вопросы остаются без ответа. Наша тема исследования посвящена нескольким нерешенным в настоящее время темам, касающимся динамики морфологического анализа и взаимосвязи между формой и смысловой информацией при морфологическом анализе.Исследования также ищут ответы на вопросы о том, как флексии и деривации различаются по тому, как они обрабатываются ментальным лексиконом, как распознаются и производятся составные слова, а также как морфологически сложные слова обрабатываются в двуязычном ментальном лексиконе. как разными клиническими группами.

Что касается временного хода морфологической обработки и , взаимодействия между формой и значением , многие современные модели предполагают, что морфологическая обработка происходит путем анализа формы сначала на самых ранних стадиях обработки, после чего осуществляется доступ к значению морфем ( е.г., Растл, Дэвис, 2008). Напротив, Feldman et al. представили доказательства того, что значимая информация вступает в игру даже на самых ранних стадиях морфологически сложного распознавания слов. Два исследования (Estivalet и Meunier; Smolka et al.), Посвященные роли семантической прозрачности и регулярности в производных и изменяемых словах, указывают на декомпозицию семантически и фонологически непрозрачных и прозрачных слов на двух разных языках. То есть было обнаружено, что как семантически прозрачные, так и непрозрачные производные представлены и обрабатываются аналогичным образом на немецком языке (Smolka et al.), и все флективные глагольные формы во французском языке демонстрировали эффекты декомпозиции во время визуального распознавания (Estivalet и Meunier), независимо от их регулярности и фонологической реализации, таким образом поддерживая модели обязательной морфологической декомпозиции (например, Taft, 2004). Два нейровизуализационных исследования в этой теме исследования выявили нейронные корреляты обработки регулярных и нерегулярных перегибов, что является очень обсуждаемым вопросом. Используя магнитоэнцефалографию с временным разрешением (МЭГ) с английскими глаголами, Fruchter et al.обнаружили эффекты прайминга для визуально представленных нерегулярных стимулов, довольно рано в обработке, в левой веретенообразной и нижних височных областях. Результаты были интерпретированы как предпочтение единого механизма, описывающего прошедшее время английского языка, в котором даже нерегулярные формы разлагаются на основы и аффиксы до лексического доступа (Stockall and Marantz, 2006), в отличие от модели двойного механизма, в которой нерегулярные формы являются признаются как целые формы (например, Pinker, 1991). С другой стороны, с русским, языком, который до сих пор очень мало изучен и относительно новым анализом функциональной связи фМРТ, Киреев и др.сообщили, что функциональная связь между левой нижней лобной извилиной (LIFG) и двусторонней верхней височной извилиной (STG) была значительно выше для правильных настоящих глаголов, чем для неправильных во время производства. Результаты проливают новый свет на функциональное взаимодействие в сети языковой обработки и подчеркивают роль функциональной височно-фронтальной связности в сложных морфологических процессах. Эти два исследования с возможно разными результатами предполагают, что споры о регулярном и обычном методахобработка нестандартной формы продолжается. Однако они также указывают на потенциально критическое влияние модальности обработки (письменной или устной), а также задачи (понимание или производство) на механизм морфологической обработки.

Обращаясь к вопросу о преобразованных и производных текстовых процессах , где в нескольких предыдущих исследованиях наблюдались различия в поддерживающих нейронных механизмах (например, Leminen et al.; Leminen et al., 2013; Leminen et al., Обзор см. В е.г., Bozic, Marslen-Wilson, 2010). Сервис и Мори сообщают о различиях между производными и перегибами в рабочей памяти (измеряемыми простыми и сложными задачами диапазона), предлагая разные уровни лексической конкуренции и, следовательно, различное лексическое хранилище. Используя комбинированную магнито- и электроэнцефалографию (М / ЭЭГ), Whiting et al. определили пространственно-временные паттерны деятельности, которые поддерживают распознавание разговорных английских флективных и словообразовательных слов. Результаты показали, что сложная устная обработка текста задействует лобно-височную языковую сеть левого полушария и, что важно, не требует сосредоточенного внимания на лингвистическом вводе (Whiting et al.). Используя аналогичную парадигму слухового пассивного чудака и ЭЭГ, Ханна и Пульвермюллер заметили, что обработка произнесенных производных слов регулируется распределенным набором двусторонних височно-теменных областей, что согласуется с предыдущей литературой (Bozic et al., 2013; Leminen et al. .). Кроме того, было обнаружено, что производные слова имеют полноценные следы памяти в нейронном лексиконе (см., Например, Clahsen et al., 2003; Bozic and Marslen-Wilson, 2010; Leminen et al.), Активируемые автоматически (см. Также Leminen et al. al., 2013).

В области когнитивной нейробиологии языка малоизученной темой была нейронная обработка составных слов . Таким образом, статья Брукса и Сида да Гарсиа вносит важный вклад в разъяснение этого вопроса. Их задача по именованию слов выявила эффекты разложения при доступе как к прозрачным, так и к непрозрачным соединениям. В результатах МЭГ левая передняя височная доля (LATL), а также левая задняя верхняя височная извилина показали повышенную активность только для прозрачных соединений.Было сделано заключение, что эти эффекты связаны с композиционными процессами и лексико-семантическим поиском, соответственно. В нашей теме исследования также представлены новые данные о письменном производстве соединений, в которых Бертрам и др. вводит подход, который редко используется с морфологически сложными словами. В частности, они исследовали взаимодействие между центральной лингвистической обработкой и периферическими двигательными процессами во время машинописного текста. Бертрам и др. пришел к выводу, что сложные слова, кажется, извлекаются как целые слова до начала письма и что лингвистическое планирование не полностью завершено перед написанием, а переходит в фазу моторного исполнения.

Что касается важной темы двуязычной морфологической обработки , наша тема исследования представляет три исследования и один комментарий. Lensink et al. использовали парадигму прайминга, чтобы показать, что как прозрачные (например, лунный свет, ), так и непрозрачные (например, медовый месяц ) соединения второго языка (L2) подвергаются морфологическому анализу в процессе производства. Во втором исследовании (De Grauwe et al.) Использовалась фМРТ для оценки обработки производных слов с голландскими префиксами, демонстрируя эффект прайминга для говорящих на L2 в LIFG, области, которая была связана с морфологической декомпозицией.De Grauwe et al. пришли к выводу, что говорящие на L2 разлагают прозрачные производные глаголы, а не обрабатывают их как единое целое. В своем комментарии к статье Де Грауве и др. Джейкоб обсуждает конкретный аспект разложения, который может отражать открытие LIFG, а также степень, в которой результаты могут быть обобщены на все производные, а не на один конкретный класс глаголов. . В третьей статье Mulder et al. изучили роль орфографии и связанных с задачами механизмов обработки в активации морфологически связанных сложных слов во время двуязычной обработки текста.Их исследование показывает, что объединенный морфологический размер семьи является лучшим показателем времени реакции (RT), чем размер семьи отдельных языков. Это исследование также демонстрирует, что эффект морфологического размера семьи чувствителен как к семантическим, так и к орфографическим факторам, и что он также зависит от требований задачи.

И последнее, но не менее важное: два исследования были нацелены на изучение морфологической обработки путем анализа проблем пренебрежения и расположения букв у людей с дислексией. Резник и Фридманн предположили, что влияние морфологии на модели чтения при неглексии является убедительным доказательством того, что морфологическая декомпозиция происходит до лексики, на ранней стадии орфографическо-визуального анализа.Используя другую популяцию с дислексией, дислексики с буквенным расположением, Friedmann et al. пришли к аналогичному выводу, что морфологический анализ имеет место на ранней, долексической стадии и что декомпозиция является структурной, а не лексической.

Подводя итог, данная тема исследования представляет собой обзор широкого круга вопросов, которые в настоящее время решаются в области морфологической обработки. В нем подчеркивается важность морфологической информации в языковой обработке, как письменной, так и устной, которая оценивается с помощью множества представленных здесь методов и подходов.Частично несовпадающие результаты некоторых статей, представленных в нашей теме исследования, также подчеркивают необходимость усиления перекрестного общения между исследователями, использующими разные методы, модальности и парадигмы.

Авторские взносы

AL написал основную статью, ML и MB отредактировали рукопись, HC предоставил концептуальные рекомендации.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Мы хотели бы поблагодарить всех авторов и рецензентов, которые внесли свой вклад в эту тему исследования. AL финансируется Lundbeck Foundation (ИП Юрия Штырова) и Kone Foundation. ML финансируется Академией Финляндии (грант № 288880), а HC имеет профессуру Александра-фон-Гумбольдта.

Список литературы

Божич, М., и Марслен-Уилсон, В. Д. (2010). Нейрокогнитивный контекст для морфологической сложности: диссоциация перегиба и деривации. Lang.Линг. Компас 4, 1063–1073. DOI: 10.1111 / j.1749-818X.2010.00254.x

CrossRef Полный текст | Google Scholar

Божич, М., Шлахта, З., и Марслен-Уилсон, В. Д. (2013). Кросс-лингвистические параллели в деривационной морфологии обработки: данные с польского. Brain Lang. 127, 533–538. DOI: 10.1016 / j.bandl.2013.09.001

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Clahsen, H., Sonnenstuhl, I., and Blevins, J.P. (2003). «Деривационная морфология в немецком ментальном лексиконе: описание двойного механизма», в Morphological Structure in Language Processing , ред.Х. Баайен и Р. Шройдер (Берлин: Mouton de Gruyter), 125–155.

Леминен А., Леминен М., Куяла Т., Штыров Ю. (2013). Отчетливая нейронная динамика обработки флективной и деривационной морфологии в человеческом мозге. Cortex 49, 2758–2771. DOI: 10.1016 / j.cortex.2013.08.007

CrossRef Полный текст | Google Scholar

Растл, К., и Дэвис, М. Х. (2008). Морфологическая декомпозиция на основе анализа орфографии. Lang. Cogn.Процесс. 23, 942–971. DOI: 10.1080 / 016

802069730

CrossRef Полный текст | Google Scholar

Stockall, L., и Marantz, A. (2006). Единый маршрут, полная модель декомпозиции морфологической сложности: свидетельство МЭГ. Ment. Lexicon 1, 85–123. DOI: 10,1075 / мл.1.1.07sto

CrossRef Полный текст | Google Scholar

Процесс синтаксического анализа — обзор

9.4 Практическое использование KM

Рассмотрим возможное использование KM в его роли помощника интеллектуального работника, изобретателя в научной области или математика.Такой KM может раскрыть объекты существительных и глагольные функции в существующих банках знаний аналогичных предметов в соответствии с классификацией DDS (OCLC, 2003) или LoC путем анализа научных статей, патентов, книг и т. Д. Обратите внимание, что первоначальный анализ выполняется для символы и операторы являются стандартными процедурами при компиляции компьютерной программы на любом языке более высокого уровня (Aho et al., 2007). Во время синтаксического анализа атрибутов он будет генерировать список атрибутов каждого анализируемого объекта. Он также может анализировать отношения между анализируемыми объектами, а также первичные и вторичные отношения между объектами и их атрибутами.Процесс синтаксического анализа устанавливает структуру предшествующих знаний в данной области.

На рис. 9.5 представлен систематический подход к обработке знаний, а на рис. 9.6 изображена исчерпывающая методология обработки проектирования КМ. Этот рисунок разделен на две части (рис. 9.6a и b) с программным переключателем шины посередине.

Рисунок 9.5. Разбор и анализ объектов, ориентированных на знания (KCO) в существующих базах знаний, для создания синтезированных KCO, оптимизированных для соответствия текущим социально-экономическим условиям.НЕТ, существительное объект; VF, глагольная функция, R, отношения между NO, VF, а также NO и VF; Атр., Атрибуты NO, а также наречия VF.

Рисунок 9.6. (A и B) Архитектурная конфигурация системы обработки знаний с несколькими KPU, которые воссоздают встроенные объекты-существительные, их функции, отношения в соответствии с приложением и дисциплиной.

Эта машина собирает, анализирует и оптимизирует синтезированные знания, поскольку они получены из существующих знаний из местных баз знаний и баз данных в Интернете (Ahamed, 2007).Синтаксические правила вывода новых существительных объектов, глагольных функций и отношений основаны на научных данных, логическом выводе и математических рассуждениях. Семантические правила для установления отношений между NO , VF и между NO и VF обоснованы на основе локальных и глобальных баз знаний.

Все четыре процедуры компиляции (синтаксический анализ, лексический, синтаксический и семантический анализ, которые хорошо известны в теории компиляторов) выполняются программным обеспечением компилятора знаний для KM.Традиционные концепции проектирования компиляторов и соответствующие им процедуры становятся применимыми при составлении программ знаний.

В принципе, KM будет выполнять программы знаний так же эффективно, как компьютер выполнял бы любые языковые программы более высокого уровня в любой компьютерной системе. Мы утверждаем, что хорошо сконструированные HW и KW (программы знаний) будут выполнять функции знаний так же эффективно, как числовые, логические, AI и объектно-ориентированные функции, как существующие компьютерные системы.Кроме того, у КМ есть полу-человеческая способность изобретать, поскольку она обрабатывает знания.

Эта врожденная способность изобретать и вводить новшества встроена в KM, поскольку она постоянно проверяет оптимальность каждого встроенного объекта-существительного (EO или NO ) и глагольной функции ( VF ), к которым он обращается и выполняет. Свертка между ними исследуется так тщательно из-за сетевого доступа к базам знаний в Интернете.

На рисунке 9.6 изображена вычислительная структура для обработки знаний с использованием нескольких блоков процессора знаний (KPU).Эти KPU воссоздают объекты, подчиненные им объекты, отношения между такими объектами более низкого уровня, которые подходят для решения социальных и человеческих проблем. Новые KCO также могут быть созданы с помощью соответствующим образом разработанного программного обеспечения с собственной операционной системой. Встроенные объекты существительных ( EO s), связанные с ними глагольные функции ( VF ), их отношения ( R ), смежные EO s ( VF и NO ) и VF каждый из них анализируется KPU, работающими параллельно.Аналогичным образом анализируются атрибуты (Атр.) NO и прилагательные VF для повышения оптимальности любого решения или нового объекта, который должен быть изобретен КМ.

Группы объектов-существительных со встроенным подчиненным ( NOs ), их глагольные функции ( VFs ), отношения ( Rs ), атрибуты ( Atrs .), Атрибуты атрибутов и т. Д. (Рисунок 9.5) начинаются выйти из существующих KCO . В большинстве случаев успех и существование любого super KCO зависит от согласованности и убедительности встроенных объектов существительных, их глагольных функций, отношений, атрибутов, атрибутов атрибутов и т. Д.

В действительности любой из видов существует из-за этого типа зависимости между NO , их VF , их отношениями рупий, их атрибутами Atrs ., Атрибутами их атрибутов и т. Д. социальные проблемы могут быть решены путем восстановления здоровой связности именных объектов. Тонкая настройка и оптимальность нового super KCO , создаваемого машиной, будут соответствовать текущим пространственным, культурным и местным условиям решения.

Такие КМ возможны с соответствующим образом разработанным программным обеспечением, которое можно настроить в соответствии с дисциплиной. Например, КМ, оптимизирующий форму бриллиантов, будет анализировать преломляющую способность и отражение падающего света со всех углов, чтобы максимизировать яркость драгоценного камня. В то время как КМ, который изобретает состав нового лекарства, будет анализировать эффективность, побочные эффекты, стоимость производства и прибыльность. Такие процессы контролируются специальными библиотеками знаний, написанных для каждой дисциплины.Такие настройки существуют в компьютерных науках, где прикладные программы написаны для проектирования микросхем СБИС, в отличие от программ для строительной отрасли и т. Д.

(PDF) Анализ нормальной формы для комбинаторных категориальных грамматик с обобщенной композицией и набором шрифтов.

Ссылки

Боксвелл, Стивен, Деннис Мехей и Крис Брю.

2009. Brutus: Система обозначения семантических ролей в

, объединяющая функции CCG, CFG и зависимостей.

В материалах 47-го ACL / 4-го IJCNLP, страницы

37–45.

Кларк, Стивен и Джеймс Р. Карран. 2007. Широкий охват

Эффективный статистический анализ с CCG

и лог-линейными моделями. Компьютерная лингвистика,

33 (4): 493–552.

Карран, Джеймс, Стивен Кларк и Йохан Бос.

2007. Лингвистически мотивированное крупномасштабное НЛП

с C&C и боксером. In Proceedings of the 45th

ACL Companion Volume (Demo and Poster Ses-

sions), страницы 33–36, Прага, Чешская Республика.

Эйснер, Джейсон. 1996. Эффективный анализ нормальной формы —

для комбинаторной категориальной грамматики. В Pro-

заседаниях 34-й ACL, страницы 79–86, Santa

Cruz, CA.

Эспиноза, Доминик, Майкл Уайт и Деннис

Мехей. 2008. Гипертэги: Супертэги для реализации поверхности

с CCG. В Proceedings of

ACL-08: HLT, страницы 183–191, Колумбус, Огайо.

Гильдеа, Даниэль и Джулия Хоккенмайер. 2003. Определение семантических ролей

с использованием Combinatory Catego-

риальной грамматики.В материалах EMNLP, Sap-

poro, Япония.

Хеппл, Марк и Глин Моррилл. 1989. Анализ

. In Proceedings of the

Fourth EACL, pages 10–18, Manchester, UK.

Хокенмайер, Джулия и Марк Стидман. 2007.

CCGbank: Корпус производных CCG и зависимых структур

, извлеченных из вымпельного дерева —

банк. Компьютерная лингвистика, 33 (3): 355–396.

Хоккенмайер, Юлия.2003. Данные и модели для статистического анализа

с комбинаторно-категориальной грамматикой

. Кандидат наук. докторская диссертация, Школа информатики,

Эдинбургский университет.

Хоффман, Берил. 1995. Вычислительный анализ

Синтаксис и интерпретация «свободного» порядка слов

на турецком языке. Кандидат наук. кандидатская диссертация, Университет Пенсыльвы —

ния. Отчет IRCS 95-17.

Хойт, Фредерик и Джейсон Болдриджи. 2008. Логарифмический базис для комбинатора D и нормальная форма

в CCG.В Proceedings of ACL-08: HLT, pages

326–334, Колумбус, Огайо.

Карттунен, Лаури. 1989. Радикальный лексикализм. В

Балтин М.Р. и А.С. Крох, редакторы, Альтернатива

Концепции структуры фраз. Чикагский университет —

sity Press, Чикаго.

Koehn, Philipp. 2005. Europarl: параллельный корпус

pus для статистического машинного перевода. В 10-м Саммите MT

, страницы 79–86, Пхукет, Таиланд.

Комагата, Нобо.1997. Генерирующая мощность

ПГУ с обобщенными типо-повышенными категориями. В

ACL35 / EACL8 (Студенческая сессия), страницы 513–515.

Комагата, Нобо. 2004. Решение проблемы ложной неоднозначности

для практических комбинаторных синтаксических анализаторов грамматики категории

. Компьютерная речь и язык —

, 18 (1): 91 — 103.

Нив, Майкл. 1994. Психолингвистически мотивированный парсер для CCG. In Proceedings of The 32nd

ACL, Las Cruces, NM, pages 125–132.

Парески, Ремо и Марк Стидман. 1987. Ленивый

способ разбора диаграмм с категориальной грамматикой. In

Proceedings of the 25th ACL, pages 81–88, Stan-

ford, CA.

Шибер, Стюарт М., Ив Шабес и Фернандо

К. Н. Перейра. 1995. Принципы и реализация —

дедуктивного синтаксического анализа. Журнал Logic Pro-

граммирования, 24 (1-2): 3–36, июль – август.

Стидман, Марк. 2000. Синтаксический процесс. MIT

Press, Кембридж, Массачусетс.

Виджай-Шанкер, К. и Дэвид Дж. Вейр. 1993. Разбор

некоторых формализмов ограниченной грамматики. Компьютерная лингвистика,

, 19 (4): 591–636.

Уир, Дэвид. 1988. Характеризуя мягко контекст —

чувствительных грамматических формализмов. Кандидат наук. диссертация, Университет

Пенсильвании. Tech. Отчет CIS-88-74.

Виттенбург, Кент Б. 1986. Анализ естественного языка —

с комбинаторной категориальной грамматикой в ​​формализме, основанном на

графической унификации.Доктор философии —

sis, Техасский университет в Остине.

Зеттлемойер, Люк С. и Майкл Коллинз. 2005.

Обучение отображению предложений в логическую форму: Структурная классификация

с вероятностно-категориальной

грамматиками. In Proceedings of the 21st UAI, pages

658–666, Эдинбург, Великобритания.

Зеттлемойер, Люк и Майкл Коллинз. 2007. On-

строковое изучение расслабленных грамматик CCG для пар-

ингтологической формы. InProceedings of EMNLP-

CoNLL, страницы 678–687, Прага, Чешская Республика.

Благодарности

Мы хотели бы поблагодарить Марка Стидмана за полезные обсуждения и Джейсона Эйснера за его очень щедрые отзывы, которые помогли

доказать эту статью. За все оставшиеся ошибки и упущения мы несем ответственность. J.H поддерживается

грантом NSF IIS 08-03603 INT2-Medium.

3.2 Морфологический анализ

Цель морфологического анализа — выяснить, из каких морфем построено данное слово.Например, морфологический синтаксический анализатор должен уметь сказать нам, что слово cats является формой множественного числа от основы существительного cat , а слово mice является формой множественного числа от основы существительного mouse . Таким образом, при вводе строки cats морфологический синтаксический анализатор должен выдать результат, похожий на cat N PL . Вот еще несколько примеров:

Морфологический анализ дает информацию, которая полезна во многих приложениях НЛП.Например, при синтаксическом анализе это помогает узнать особенности согласования слов. Точно так же специалистам по проверке грамматики необходимо знать согласованную информацию, чтобы обнаруживать такие ошибки. Но морфологическая информация также помогает специалистам по проверке орфографии решить, является ли какое-то слово возможным, и при поиске информации она используется для поиска не только cats , если это вводит пользователь, но и cat .

Чтобы перейти от поверхностной формы слова к его морфологическому анализу, мы сделаем два шага.Во-первых, мы собираемся разделить слова на возможные составляющие. Итак, мы сделаем cat + s из cats , используя + для обозначения границ морфем. На этом этапе мы также учтем правила орфографии, так что есть два возможных способа разделить foxe + s , а именно foxe + s и fox + s . Первый предполагает, что foxe — это ствол, а s — суффикс, тогда как второй предполагает, что стержнем является fox и что e было введено из-за правила написания, которое мы видели выше.

На втором этапе мы будем использовать словарь основ и аффиксов, чтобы найти категории основ и значения аффиксов. Таким образом, cat + s будет сопоставлено с cat NP PL , а fox + s — с fox N PL . Теперь мы также узнаем, что foxe не является юридическим основанием. Это говорит нам о том, что разделение foxe + s на foxe + s было на самом деле неправильным способом разделения foxe + s , от которого следует отказаться.Но обратите внимание, что для слова домов правильным является разделение его на домов .

Вот изображение, иллюстрирующее два шага нашего морфологического синтаксического анализатора с некоторыми примерами.

Теперь мы построим два преобразователя: один для преобразования формы поверхности в промежуточную форму, а другой — для преобразования промежуточной формы в нижележащую форму.

3.2.1 От поверхности к промежуточной форме

Для выполнения морфологического анализа этот преобразователь должен преобразовать поверхностную форму в промежуточную форму.А пока мы просто хотим рассмотреть случаи английских существительных единственного и множественного числа, которые мы видели выше. Это означает, что преобразователь может или не может вставлять границу морфемы, если слово заканчивается на s . Могут быть слова в единственном числе, оканчивающиеся на s (например, kiss ). Вот почему мы не хотим делать вставку границы морфемы обязательной. Если слово заканчивается на ses , xes или zes , оно может, кроме того, удалить e при введении границы морфемы.Вот преобразователь, который это делает. « Другая » дуга в этом преобразователе обозначает переход, который отображает все символы, кроме s, z, x , на себя.

Давайте посмотрим, как этот преобразователь работает с некоторыми из наших примеров. На следующих графиках показаны возможные последовательности состояний, которые может пройти преобразователь, учитывая, что на входах поверхность формирует котов и лисиц .

3.2.2 От промежуточной формы к морфологической структуре

Теперь мы хотим взять промежуточную форму, которую мы создали в предыдущем разделе, и сопоставить ее с базовой формой.Ввод, который должен принимать этот преобразователь, может иметь одну из следующих форм:

1. корень обычного существительного, например кошка

2. основа обычного существительного + s, например cat + s

3. корень неправильного существительного единственного числа, например мышь

4. множественное число неправильное основание существительного, например мышей

В первом случае преобразователь должен сопоставить все символы стебля с собой, а затем вывести N и SG .Во втором случае он отображает все символы основы на себя, но затем выводит N и заменяет PL на s . В третьем случае он делает то же, что и в первом случае. Наконец, в четвертом случае преобразователь должен сопоставить неправильную основу существительного множественного числа с соответствующей основой единственного числа (например, мышей до мыши ), а затем он должен добавить N и PL . Итак, общая структура этого преобразователя выглядит следующим образом:

Что еще нужно указать, так это то, как именно выглядят части между состоянием 1 и состояниями 2, 3 и 4 соответственно.Здесь нам нужно распознать основы существительных и решить, правильные они или нет. Мы делаем это, кодируя лексикон следующим образом. Часть преобразователя, которая распознает cat , например, выглядит следующим образом:

А отображение части преобразователя мышей — мыши можно указать следующим образом:

Подключив эти (частичные) преобразователи к датчику, указанному выше, мы получите преобразователь, который проверяет правильность формы ввода и добавляет информацию о категориях и числовых значениях.

3.2.3 Объединение двух преобразователей

Если теперь мы позволим двум преобразователям для отображения от поверхности к промежуточной форме и для сопоставления от промежуточной формы к нижележащей форме работать каскадом (т. Е. Мы позволим второму датчику работать на вывод первого), мы можем провести морфологический анализ (некоторых) английских словосочетаний с существительными. Однако мы также можем использовать этот преобразователь для создания формы поверхности из формы, лежащей ниже. Помните, что мы можем изменить направление трансляции при использовании преобразователя в режиме трансляции.

Теперь рассмотрим ввод ягод . Что из этого сделают наши каскадные преобразователи? Первый вернет два возможных разделения, ягод и ягод , но тот, который нам нужен, ягод , не входит в их число. Причина в том, что здесь действует другое правило правописания, которое мы совсем не приняли во внимание. Это правило гласит, что « y меняется на , т.е. до s ».Итак, на первом этапе может быть несколько правил правописания, которые все должны быть применены.

Есть два основных способа справиться с этим. Во-первых, мы можем сформулировать преобразователи для каждого из правил таким образом, чтобы их можно было запускать каскадом. Другая возможность — указать преобразователи таким образом, чтобы их можно было применять параллельно.

Существуют алгоритмы объединения нескольких каскадных преобразователей или нескольких преобразователей, которые предполагается использовать параллельно, в один преобразователь.Однако эти алгоритмы работают только в том случае, если отдельные преобразователи подчиняются некоторым ограничениям, поэтому мы должны проявлять осторожность при их указании.

3.2.4 Помещение его в Пролог

Если вы хотите реализовать небольшой морфологический синтаксический анализатор, который мы видели в предыдущем разделе, все, что вам действительно нужно сделать, это перевести спецификации преобразователя в формат Пролога, который мы использовали в последняя лекция. Затем вы можете использовать программу преобразователя из последней лекции, чтобы позволить им работать.

Мы не будем подробно показывать, как преобразователи выглядят в Prolog, но мы хотим быстро взглянуть на вставной преобразователь e , потому что он имеет одну интересную особенность; а именно другой переход .