新的句法標(biāo)注模型探索

摘 要：由于自然語言的語義存在不確定性，形式化很困難，因此語義處理成為自然語言處理的瓶頸所在。基于大規(guī)模標(biāo)注語料庫的語義處理已經(jīng)成為發(fā)展趨勢，語料標(biāo)注本質(zhì)上就是語言知識(包括語義)形式化。現(xiàn)有句法標(biāo)注模型主要包括基于短語結(jié)構(gòu)語法(PSG)和基于依存語法(DG)的句法標(biāo)注模型，還存在一些局限性。文章在現(xiàn)有句法標(biāo)注模型的基礎(chǔ)上結(jié)合認知語法(CG)的有關(guān)理論提出改進思路，以探索新的句法標(biāo)注模型。

關(guān)鍵詞：語料庫語言學(xué)；語義處理；句法標(biāo)注模型

中圖分類號：H043 文獻標(biāo)志碼：A 文章編號：1008-5831(2007)03-0131-04

人類社會發(fā)展的基本軌跡是：原始社會—農(nóng)業(yè)社會—工業(yè)社會—信息社會。人工智能的目標(biāo)是用計算機模擬人的智能，以最大限度地解放和延伸人的智能，無疑是信息社會的制高點。語言是人思維的物質(zhì)外殼，人不可能離開語言而具備真正屬于人的高級智能。因此，模擬人類語言智能的自然語言處理無疑是人工智能的重要研究方向。然而，迄今為止的研究表明，在可以預(yù)見的將來，語義處理將是自然語言處理的瓶頸所在。原因是語義十分復(fù)雜，而基于現(xiàn)有計算機軟硬件的自然語言處理要求語義形式化。解決這一問題的根本之道是：探索新的句法標(biāo)注模型，進行大規(guī)模的語義標(biāo)注，基于語料庫進行語義知識獲取和自然語言處理。

一、句法標(biāo)注模型

語言的復(fù)雜性在于語言與認識的關(guān)系。語言具有意義，而意義是入對主客觀世界的認識結(jié)果。主客觀世界的復(fù)雜性決定了意義的復(fù)雜性，進一步?jīng)Q定了語言的復(fù)雜性。語言本身又可以視為人的主客觀世界中的一部分，因此語言研究是一種特殊的認識活動，是人對語言的認識。由此可見，語言離不開認識。人對主客觀世界的認識可以如此描述：認識主體借助認識工具按照認識方法處理認識對象獲得認識結(jié)果。認識是由多種認識因素(主體、工具、方法、對象)共同作用的活動，認識結(jié)果是這一活動的產(chǎn)物，被多種認識因素共同決定，任何一種認識因素的改變必然導(dǎo)致認識結(jié)果出現(xiàn)或大或小的差異。顯然，認識結(jié)果與認識對象不能等同，是認識主體對認識對象的選擇性反映，認識具有主觀能動性。從這個意義上講。認識不可能也不應(yīng)該去被動地還原認識對象，而是從符合主體目的性出發(fā)，力求簡單有效地描述和預(yù)測認識對象。借用模型的概念，認識結(jié)果就是認識對象的模型(model)，認識就是建立認識對象的模型，簡稱建模(modeling)。這是一種實用主義認識觀。

模型一般分為心理模型(psychological model)、數(shù)學(xué)模型(mathematical model)和物理模型(physical model)。心理模型是認識對象在人認識中的定性關(guān)系，是數(shù)學(xué)模型的基礎(chǔ)；數(shù)學(xué)模型是認識對象在人認識中的定量關(guān)系，是物理模型的基礎(chǔ)；物理模型是人借助特定材料和工具按照認識對象的數(shù)學(xué)模型實現(xiàn)的物質(zhì)結(jié)構(gòu)。傳統(tǒng)意義上的建模主要指建立數(shù)學(xué)模型和物理模型，一般意義上的建模還包括建立心理模型。人的認識能力是有限的，表現(xiàn)在：人不能建立任意認識對象的心理模型，也不能建立任意心理模型的數(shù)學(xué)模型，也不能建立任意數(shù)學(xué)模型的物理模型。由于具有明確的實用主義特點，建模在理工科領(lǐng)域大行其道，在文科領(lǐng)域也逐漸受到青睞。人類將二進制數(shù)學(xué)模型成功實現(xiàn)為晶體管物理模型，并開發(fā)出越來越復(fù)雜和先進的計算機軟件和硬件，從而進入信息時代。20世紀(jì)以來一些主要或次要的語言理論都或多或少應(yīng)用了數(shù)學(xué)模型，特別是一些面向語言計算的語言理論。隨著計算機技術(shù)的飛速發(fā)展，人們對計算機自動或輔助處理語言信息的需求越來越大。但計算機的根本缺陷在于，凡是不能建立數(shù)學(xué)模型的信息都無法處理。傳統(tǒng)語言理論往往只在心理模型層面定性研究，無法滿足這一需要。因此有必要引入數(shù)學(xué)模型研究語言，稱為語言數(shù)學(xué)模型，簡稱語言模型(1anguage model)。統(tǒng)計語言模型(sta-tistical language model)就是一個成功的例子。但統(tǒng)計語言模型的性能取決于訓(xùn)練語料的規(guī)模和質(zhì)量。目前，由于語料的不斷積累和計算機技術(shù)的不斷進步，語料規(guī)模已不成問題，語料中包含語言知識的數(shù)量和質(zhì)量才是關(guān)鍵。

計算機的語言知識主要來源于人。將語料中包含的語言知識標(biāo)注出來，有助于計算機獲得更豐富、更有價值的語言知識，從而提高語言處理水平，這就是語料標(biāo)注(corpus tagging)。一般認為主要包括詞匯標(biāo)注(1exical tagging，分詞、詞結(jié)構(gòu)標(biāo)注、詞性標(biāo)注、詞義標(biāo)注等)、句法標(biāo)注(syntax tagging，語法樹標(biāo)注、語義樹標(biāo)注等)、語篇標(biāo)注(discourse tagging，語體標(biāo)注、領(lǐng)域標(biāo)注等)等內(nèi)容。經(jīng)過標(biāo)注的語料還可以用于語言學(xué)研究、語言教學(xué)、語言測試、詞典編撰等諸多理論研究和實踐應(yīng)用領(lǐng)域，越來越受到人們重視，并形成一門新興學(xué)科——語料庫語言學(xué)(corpus linguistics)。目前，相對句法標(biāo)注，詞匯標(biāo)注有更成熟的規(guī)范、準(zhǔn)確率更高的技術(shù)和更大的標(biāo)注規(guī)模。句法標(biāo)注的主要困難在于，沒有一個真正成熟的語法或語義標(biāo)注模型。句法結(jié)構(gòu)尤其是語義結(jié)構(gòu)很難統(tǒng)一描述，現(xiàn)有的句法理論還不完善，難以制定統(tǒng)一規(guī)范，標(biāo)注主觀性很大，自動標(biāo)注準(zhǔn)確率比較低。因此，句法標(biāo)注成了語料標(biāo)注的瓶頸問題。由于句法知識在語言知識中的重要地位，有理由相信：如果有了大規(guī)模、高質(zhì)量的句法標(biāo)注語料庫，圍繞語料庫的各種研究和應(yīng)用有可能在現(xiàn)有基礎(chǔ)上產(chǎn)生質(zhì)的飛躍。因此，研究句法標(biāo)注模型應(yīng)是當(dāng)務(wù)之急。語料庫語言學(xué)屬于交叉學(xué)科，句法標(biāo)注模型是語料庫語言學(xué)的基礎(chǔ)理論，又與語言學(xué)的句法理論密切相關(guān)。一方面可以借鑒現(xiàn)有句法理論，另一方面，也可以從語料庫語言學(xué)的角度研究句法，提出新的句法標(biāo)注模型。

二、現(xiàn)有句法標(biāo)注模型

句法標(biāo)注(Syntax Tagging，ST)以句子的語法知識和語義知識為標(biāo)注對象，是語料標(biāo)注的重點、難點所在，要以一定的語法理論為基礎(chǔ)。根據(jù)語法理論制定的句法標(biāo)注規(guī)則、過程和結(jié)果，稱為句法標(biāo)注模型(Syntax Tagging Model，STM)。短語結(jié)構(gòu)語法(PhraseStructure Grammar，PSG)和依存語法(DependencyGrammar，DG)是現(xiàn)有句法標(biāo)注的兩種基礎(chǔ)語法理論，彼此卻有很大的不同。基于PSG的句法標(biāo)注模型稱為短語結(jié)構(gòu)句法標(biāo)注模型(PSG—based Tagging Mod—el，PSGTM)，基于DG的句法標(biāo)注模型稱為依存句法標(biāo)注模型(DG—based Tagging Model，DGTM)。根據(jù)現(xiàn)有語料標(biāo)注的實踐結(jié)果來看，PSGTM與DGTM都存在一定缺陷。

美國語言學(xué)家喬姆斯基(Noam Chomsky)于1957年出版專著《句法結(jié)構(gòu)》，從而奠定了短語結(jié)構(gòu)語法(PSG)的理論基礎(chǔ)。其后發(fā)展起來的許多語法理論可以直接或間接歸到這一流派，如中心詞驅(qū)動的短語結(jié)構(gòu)語法(HPSG)、廣義短語結(jié)構(gòu)語法(GPSG)等。到目前為止，PSG仍然是最重要的句法標(biāo)注基礎(chǔ)理論，為世界上眾多語料庫項目所采用和發(fā)展。法國語言學(xué)家特思尼耶爾(Lucien Tesnire)于1959年出版專著《結(jié)構(gòu)句法基礎(chǔ)》，從而奠定了依存語法(DG)的理論基礎(chǔ)。其后發(fā)展起來的許多語法理論可以直接或間接歸到這一流派，如詞匯依存語法(WD)、概念依存理論(cD)、核心依存理論(KD)等。相對PSG而言，DG偏重于語義，在CD、KD上表現(xiàn)得十分明顯。另外，DG更簡潔、直觀、經(jīng)濟，適應(yīng)性更強，因此反而有后來居上之勢，目前已經(jīng)成為世界上較為通用的句法標(biāo)注基礎(chǔ)理論。不過，在具體的句法標(biāo)注實踐中DGTM還是暴露出一些問題，“對一些沒有明確依存關(guān)系的成分，標(biāo)注起來則有些力不從心”，存在“依存失敗”現(xiàn)象，最突出的是難以標(biāo)注缺省結(jié)構(gòu)。缺省結(jié)構(gòu)一直是句法標(biāo)注中經(jīng)常出現(xiàn)而且很難解決的問題。

人類的自然語言符合經(jīng)濟性原則，而缺省結(jié)構(gòu)恰恰體現(xiàn)了這一原則。借助句子的前后上下文省略一些成分，人們?nèi)匀荒軌蚶斫猓珜τ嬎銠C來說卻是一種挑戰(zhàn)。句法標(biāo)注的根本目的是讓計算機能夠正確提取句子的語法和語義知識。缺省結(jié)構(gòu)在真實語料中大量出現(xiàn)，常常使得原本正常的句法結(jié)構(gòu)變得異常，難以按已有規(guī)則進行標(biāo)注。這是任何句法標(biāo)模型都必須面對的問題，目前PSGTM和DGTM都還沒能夠很好地解決。以DGTM為例，在很多情況下，DGTM不但不能正確標(biāo)注缺省結(jié)構(gòu)，反而在一些語言規(guī)則的強制限定下給出違背真實語法或語義結(jié)構(gòu)的標(biāo)注結(jié)果，形成干擾信息。請看以下4個句子：

句1：我看一下下書

句2：(真是好書啊?)我看一下

句3：我看一本書

句4：(好多書啊!)我看一本

句2是句1的賓語省略句，句4是句3的賓語省略句。(為簡便起見，把“一下”、“一本”作為一個詞處理)。

問題出在句4。句1和句3的依存結(jié)構(gòu)是不同的，然而句2和句4卻有了相同的依存結(jié)構(gòu)。因為句4省略了“書”，根據(jù)DG理論，“一本”必須依存于獨立謂語成分“看”。于是“看一本”和“看一下”依存結(jié)構(gòu)相同，實際上違反了句3的正確結(jié)構(gòu)。當(dāng)然，我們可以采取補救措施，為d1標(biāo)注一個特殊的依存關(guān)系屬性Cerror(即依存失敗)，但這不是好辦法。

三、改進DGTM

美國認知語言學(xué)家蘭蓋克(Ronald w.Langach.er)分別于1987年、1991年出版專著《認知語法基礎(chǔ)》一、二卷，開創(chuàng)了認知語法(CG)理論，關(guān)于語法結(jié)構(gòu)有如下觀點：如果一個構(gòu)件A使另一構(gòu)件B的一部分抽象變?yōu)榫唧w，那么構(gòu)件A就叫做概念自主(coneep.tually autonomos)的構(gòu)件，構(gòu)件B就叫做概念依存(conceptually dependent)的構(gòu)件。

舉例來說：獨立地看，“一本”隱含一個抽象的、可數(shù)的、可用“本”量化的事物，可表示為“一本(x)”。“書”使“x”變得具體，因此“書”是概念自主的，“一本”是概念依存的。從信息表達的角度來看，“書”表達了相對完整而具體的信息，因此是概念自主的；“一本”表達了不完整不具體的信息，因此是概念依存的。從數(shù)學(xué)表達式的角度來看，“一本”類似函數(shù)，“書”類似參數(shù)，函數(shù)的地位顯然是第一位的，決定了對參數(shù)的處理過程和返回參數(shù)。例如，“舊書”與“一本書”的區(qū)別不在“書”，而在“舊”和“一本”。再從閱讀認知過程來看，當(dāng)人們讀到“一本”時，實際上已經(jīng)在期待“一本”后面那個具體事物跟著出現(xiàn)。為什么我們覺得“我看一本”是缺省句?因為“看”和“一本”相對“書”都是概念依存的，因此人們會判定，“我看一本”的缺省成分可能是“書”。而讀到“我看書”時，人們不會認為這是一個省略句，因為“書”表達的信息已經(jīng)自足了。

由此有足夠的理由認為：在句法結(jié)構(gòu)中，“一本”應(yīng)是“書”的父結(jié)點，而不是按傳統(tǒng)的補足中心原則，中心成分總是限定成分的父結(jié)點。依存成分是自主成分的父結(jié)點，這一原則可以稱為依存中心原則(Dependency Head Principle，DHP)。采取這種原則的DGTM必然會有不同的標(biāo)注結(jié)果。

深入研究發(fā)現(xiàn)，僅僅采用DHP是不夠的，DGTM的其他參數(shù)也需要改變。例如，“看(x)”和“一本(x)”這兩個表達式在與其他詞語組合時是有區(qū)別的。“看(x)”與“我”組合時由“看”與“我”產(chǎn)生聯(lián)系。“看”與“一本(x)”組合時卻是“x”(書)與“看”發(fā)生聯(lián)系。代表表達式與其他詞語組合的成分稱為返回參數(shù)，不同表達式的返回參數(shù)是不同的。例如。“一本(x)”返回參數(shù)為“x”，“看(x)”返回參數(shù)為“看”。正因為如此，表達式“看(一本(書))”成立，“一本(看(書))”不成立。另外，表達式“(x)一下”的返回參數(shù)為“x”，即“看”；表達式“(x)看”的返回參數(shù)為“看”。根據(jù)這些定義，句1、2、3、4的改進DGTM。

根據(jù)函數(shù)、輸入?yún)?shù)、返回參數(shù)的關(guān)系，各句結(jié)構(gòu)的逆構(gòu)造過程如下：

句1：我看一下書：(((我)看(x))一下)(書)=((看(x))一下)(書)=看(x)(書)=看(x=書)

句2：我看一下：((我)看(x))一下=(看(x))一下=看(x)

句3：我看一本書：((我)看(x))(一本(書))=看(x)(書)=看(x=書)

句4：我看一本：(我)看(一本(x))=看(x)

句1和句3的x有明確取值，為完整句。句2和句4則是缺省句。基于看(x)和一本(x)的知識，可以預(yù)測并判定缺省結(jié)構(gòu)及其成分。

直觀看來，改進DGTM與原DGTM的標(biāo)注結(jié)果有了很大的差異由于不采用補足中心原則，因此改進DGTM標(biāo)注結(jié)果并不符合在補足中心原則影響下人們長期以來形成的語感。但更符合人們閱讀認知經(jīng)驗，而且可以按函數(shù)標(biāo)準(zhǔn)給出形式化地解釋，其解釋結(jié)果符合句子本身的語法和語義結(jié)構(gòu)，沒有錯誤和干擾信息。因此，改進DGTM更適合計算機處理，更符合句法標(biāo)注的本來目的。

四、結(jié)語

PSGTM的語法理論基礎(chǔ)是PSG，DGTM的語法理論基礎(chǔ)是DG，改進DGTM的DHP受CG的啟發(fā)，其語法理論基礎(chǔ)應(yīng)該是CG。但CG只是從理論上提出了“概念自主”和“概念依存”的概念，并沒有嚴(yán)格定義和證明依存成分與自主成分之間的主從關(guān)系。在CG的實際應(yīng)用中，存在有時自主成分為短語中心語，有時依存成分為短語中心語的情況。

根據(jù)CG理論，“above”是“above the table”的中心語。“l(fā)amp”是“l(fā)amp above the table”的中心語。然而，根據(jù)CG對概念自主和概念依存的界定，相對“ta-ble”和“l(fā)amp”，“above”是概念依存的，具有兩個抽象部分“(x)above(y)”，“l(fā)amp”使“x”具體化，“table”使“y”具體化。如果嚴(yán)格執(zhí)行DHP，“above the table”和“l(fā)amp above the table”的中心語都應(yīng)該是“above”。但這樣一來，怎樣解釋“move the lamp above the table”中“move”直接依存“l(fā)amp”的關(guān)系?根據(jù)改進DGTM，可以定義“(x)above(y)”的返回參數(shù)是“x”以解決這一問題，但CG不會這樣處理，而是將“l(fā)amp”限定為“l(fā)amp above the table”的中心語，從而與“move”直接聯(lián)系，這樣就不符合DHP的要求。

因此，改進DGTM的語法理論基礎(chǔ)不可能是CG，必須構(gòu)建一種新的語言模型。目前我們正融合哲學(xué)二元論與本體論、心理學(xué)、信息科學(xué)、網(wǎng)絡(luò)通信模型、離散數(shù)學(xué)、語言學(xué)(依存語法、認知語法、范疇語法)、藝術(shù)學(xué)等理論的相關(guān)概念和原理，結(jié)合人的一般認知經(jīng)驗，建立一種新的句法標(biāo)注模型，并初步用于經(jīng)典漢語句式的表征，取得了較好效果。