树库是在分词和词性标注的基础上, 对句子中词与词之间句法关系进行标注所形成的语料库。近年来, 树库作为训练和评价统计句法分析器的数据基础, 越来越受到研究者的重视^[1]。在用于训练统计句法分析器时, 树库质量对句法分析器效果有较大影响, 因此提高树库质量是一个重要的研究课题。目前已有较多学者探索使用统计方法自动检测人工标注的树库中存在的错误^[2-5]。此类方法用于辅助人工进行第二遍校对, 在一定程度上可以降低工作量, 提高工作效率。经过两遍人工校对后的树库仍然可能存在一定的错误, 其中有许多是因为词性和句法两个层面标注不协调造成的, 也可能是标注人员偶然误操作导致的。本文把经过两遍人工校对后的依存树库作为处理对象, 试图找出人工标注结果中的错误, 进一步提高树库质量。

本文提出一种基于产生式规则的错误检测方法, 其基本原理是从依存树转换到短语结构树时, 如果生成短语功能范畴失败, 则通常是因为依存树标注错误导致。Rambow^[6]认为, 短语结构树和依存树只是两种不同的句法表现形式, 在表达能力上并没有高下之分:一般地, 短语结构树中标注有短语功能范畴标记和层次信息, 依存树中标注有中心语和语法角色信息; 但事实上在短语结构树中也可以标注中心语和语法角色信息, 在依存树中也可以标注短语功能范畴标记和层次信息。如果在其中任何一种形式的句法树中同时标注了中心语、语法角色、层次和短语功能范畴标记信息, 则一定可以无歧义地向另一种句法树转换。本文主要考察从常规依存树生成常规短语结构树中的短语功能范畴的过程, 并在这一过程中基于产生式规则自动检测出人工标注错误, 进而对错误进行分析, 给出各类型错误的分布。本文方法在理论上适用于各种类型的依存树库, 但是在具体实施时需要为所处理的依存树库构建一套产生式规则, 这套规则涉及词性、依存关系类型和短语功能范畴。

1 基于短语功能推导的错误检测 1.1 短语功能的可推导性

对于短语整体功能的可推导性, 汉语学界很早就有过讨论。朱德熙^[7]提出: “内部构造相同的结构, 功能一般相同; 功能相同的结构, 内部构造不一定相同”。陈保亚^[8]则将之总结为结构功能原则, “如果两个言语片断的直接成分功能相同, 结构关系相同, 它们的功能也相同”。“这个规律叫做结构功能原则。根据这一原则, 只要知道了直接成分的功能和结构关系, 结构功能就知道了”。换言之, 如果已知具有依存关系的两个词的词类以及它们之间语法关系的类型, 就可以推导出这两个词所构成的短语的整体功能。

按照结构功能原则, 推导短语整体功能时, 每一步都需要知道直接成分的功能。依存树中只有词的功能标记, 没有短语的功能标记, 但通过递归的方式, 可以依次获得各短语直接成分的功能标记。

本文使用短语功能标记作为推导的目标标记, 推导短语整体功能的规则为:父结点词类+子结点词类+语法角色→短语整体功能标记。比如“v+n+VOB→VP”表示父结点词类为动词(v)、子结点词类为名词(n)、子结点充当父结点的宾语(VOB), 则整个短语的功能类型为动词性短语VP。

1.2 依存句法体系

本文中采用北京大学多视图依存树库(Peking University Multi-view Chinese Treebank, PMT)^[9]的词性体系和依存句法体系。该词性体系对北京大学2003版词性标记集^[10]进行简化, 包含33个词性标记, 如名词(n)、动词(v)、形容词(a)、副词(d)、状态词(z)、介词(p)、连词(c)、助词(u)、数词(m)、处所词(s)、人名(nr)、标点符号(w)等; 依存句法体系中定义了30种句法角色, 如表 1所示。

1.3 推导规则集的建立

每个推导规则可以分为条件和结论两部分, 例如“v+n+VOB→VP”这一规则的条件是“v+n+ VOB”, 结论是“VP”。因此, 推导规则集的建立分为如下两个部分。

1) 条件库的自动抽取。给定一个人工检查过的树库, 可以很容易地将所有可能的条件抽取出来。具体步骤为:遍历树库中每一棵树, 对树中的每一条弧, 获取父结点词性、子结点词性和子结点的依存标签, 将三者连接成一个字符串, 即可生成一个条件, 将条件存储到条件库中即可。

2) 人工填写结论。条件库中的条件可能存在错误, 因此需要进行人工审核。在审核时, 将所有条件按照频次降序排列, 然后一一判断。如果认为条件可靠, 则为之添加一个结论(即短语功能标签); 否则, 将之剔除。

表 2中列出一些高频的推导规则作为示例。

1.4 错误自动检测

使用前面建立的推导规则, 可以自动地生成短语结构语法树所需要的短语功能。如果所遇到的条件是推导规则中所没有的, 系统将会认为是一个人工标注错误。具体流程如下。

    遍历每一棵依存树:

        遍历每一个结点:

            假定子结点词性为P_c, 父结点词性为P_h, 子结点依存关系标签为R, 通过字符串连接可得到条件“P_h+P_c+R”

            检索规则库中的条件部分:

                如果检索成功, 则继续处理

                如果检索失败, 则简化条件, 将父结点词性和子结点依存关系标签连接成条件“P_h+R”, 重新检索:

                    如果检索成功, 则继续处理

                    如果检索失败, 则将父结点记为人工标注错误

如上所述, 在检测过程中, 我们在严格条件匹配失败的情况下放松了条件, 使系统对于训练数据中没有出现过的条件也能够匹配, 具有一定的适应能力; 同时也确保错误检测的高正确率。需要说明的是, 如果仅使用严格条件匹配, 则可以检测出更多的人工标注错误, 但相应的正确率会降低。

2 实验及分析 2.1 实验结果

本文实验数据为北京大学多视图依存树库中的新闻树库^[9]。树库文本来自人民日报1998年1月份前10天语料(共计14000余句)和2000年1月份全部语料(总计50000多个句子)。在建立规则库时, 使用1998年1月份树库, 测试时使用2000年1月份树库。所有树库均经过两遍校对。

在建立规则库时, 自动抽取的条件数为2279, 经过人工检测后是843条规则。被剔除的条件中, 有一些是因为频次较低且可以被其他规则所覆盖, 有一些属于错误标注。

基于该规则库, 使用上述检测方法, 从测试数据中检测出1529处错误, 正确率为100% (自动检测出的错误经人工判定均为真正的错误)。进一步分析发现, 标注错误可以分为词语切分、词性标注和句法标注3个层次, 每个层次又有若干个小类。各类错误的分布如表 3所示。

2.2 分词错误

汉语书面表达方式以汉字作为最小单位, 词与词之间没有空格或其他分隔标记, 因此词语切分成为汉语文本处理中首先要解决的问题。自动词语切分中主要的难题是分词歧义消解和未登录词识别。本文在检测树库标注错误过程中发现, 有一些句法标注错误是由词语切分不当所引起的。此类型错误共有57处, 占总数的3.70%, 具体又分为组合型歧义和姓名处理不当两类。

2.2.1 组合型歧义

词语切分歧义一般分为两种:交集型歧义和组合型歧义。对于交集型歧义, 可根据字段内部提供的信息或以句法为主的局部上下文信息解决。对于组合型歧义, 切与不切, 导致分词不同, 词性不同, 语义不同, 如图 1所示。

“就是”合在一起, 有助词、副词、连词3个词性; 分开后, 则为两个词“就/d是/v”, 是状中结构。图 1中, “就是”显然为两个词, 这样整个句子才会有一个谓语中心, 有一个根节点。从依存树向短语结构树转换时, 由于规则库中不存在“d+v+ VOB”(父结点为“就是”, 其词性为d; 子结点为“坚持”, 其词性为v; 子结点句法关系标注为VOB, 即宾语)这一条件, 检索失败; 放松条件后检索“d+VOB”, 仍然失败。没有能够生成相应短语的功能范畴, 系统中直接显示出父结点的词性“d”(即副词), 进而将之判断为一个标注错误。树库中类似词语包括“就是”、“还是”、“才能”、“只有”等, 在人工校对中, 应根据语境信息判断该合还是该分。

2.2.2 姓名处理不当

在PMT标注体系中, 姓与名应合成一个词。实际语料中有少数姓名标注不当, 造成错误, 如例1中的“廉颇”, 作为人名, 应合在一起(为方便起见, 以下例句中用“P”标识目标词的父节点)。

例1 盛泽田/nr “/w [廉/a_ATT] [颇/d_SBV]未/d [老/a_P] ”/w

2.3 词性与句法角色标记不符

非兼类词在切分的同时一般就可以确定其词性, 兼类词的词性则需要依据上下文语境予以判断。因此, 词性标注导致的句法标注错误主要由兼类词词性标注不当所导致。此类型错误有925处, 占总数的60.50%, 包含5种类型:时间词与句法角色不符, 动词与句法角色不符, 形容词与句法角色不符, 介词与句法角色不符, 成语、简称、习用语处理不当。

2.3.1 时间词与句法角色不符

时间词可做状语, 与副词有类似的语法功能。“同期”指“同一时期”, 除做状语外, 还可以做宾语、定语, 所以作为时间词更合适。“同期”错标为副词, 当它充当介词宾语时就会形成“p+d+POB”这样的不合法条件, 导致向短语结构树的转换失败, 如例2。

例2  [比/p_P]上年/t [同期/d_POB]增加/v 11.1%/m

2.3.2 动词与句法角色不符

1) 动词错标为介词。

在现代汉语中, 单音介词几乎都是从动词发展而来的, 单音介词与动词之间有来源关系和大量的兼类现象^[11]。语言是动态的, 在变化与发展过程中, 部分动词虚化为介词。在虚化过程中, 有的词虚化比较彻底, 完全失去动词的意义和功能, 成为典型介词; 有的还没有失去动词性, 有时表现为动词功能, 有时表现为介词功能, 这部分词属于动介兼类词。因此在标注动介兼类词时, 往往难以抉择, 如例3。

例3 俄新社/nt把/p这/r篇/q谈话/n作为/v独家/n新闻/n [提供/v_P] [给/p_CMP]了/u 《/w匈牙利/ns民族/n报/n 》/w。/w

动词的4个特征: ①能用“不”或“没”否定, ②能带宾语, ③能带动态助词“着、了、过”, ④能重叠。介词保存了动词的前两个特征, 失去后两个特征^[12]。因此, 判断动词和介词时, 能加动态助词或者重叠的是动词, 反之是介词。同时, 动词可单独使用, 单独做谓语。例3中, “给”后有时态助词“了”, 所以应标注为动词v。否则, 就会出现介词与助词“了”搭配的条件, 导致转换失败。

2) 动词错标为副词。

此类现象包含两种情况:一种是“没有(没)”, 动词和副词的区分有误, 如例4;一种是理解判别错误, 将动词标为副词, 如例5。

例4 桃仙/ns机场/n已经/d [没有/d_P]因/p飞机/n延误/v滞留/v的/u [旅客/n_VOB]。/w

例5 我/v [决心/d_P]把/p我/r的/u后半生/n [贡献/v_VOB]给/p我国/r的/u科学/n事业/n。/w

“没有(没)”是动副兼类词。否定人物或事情的存在时是动词, 否定动作或性状的存在时是副词。例4中“没有”用于否定人物“游客”, 因此应为动词。例5这种情况, 属于误标。

2.3.3 形容词与句法角色不符

郭锐^[13]提出用“很[不]~〈宾〉”格式把形容词和能受“很”修饰的动词区分开。然而一些词既可以带真宾语(端正态度), 也可以受“很”修饰, 不适用于“很[不]~〈宾〉”格式。这些词带真宾语时体现的是“使动”意义, 应看做词本身的意义。由于词义不同, 受“很”修饰和带真宾语时应看做不同的词, 处理为形容词和动词的兼类词。

能否带真宾语则是形容词和动词区分的标准。自动检测中, 会将形容词后带宾语的情况当做错误。这种情况下, 又分为两种类型:一是动形兼类, 将动词标为形容词, 却带宾语, 如例6的“落后”; 二是形容词词性正确, 但直接带了宾语, 如例7。

例6 在/p 8/m分钟/q时间/n里/f将/p比分/n追/v成/v 45:46/m, /w仅/d [落后/a_P]一/m [分/q_VOB]

例7 江苏/ns玻璃厂/n的/u产品/n [走俏/ a_P] [市场/n_VOB]

2.3.4 介词与句法角色不符

1) 介词错标为连词。

介词和连词均为虚词:介词用在词或短语的前面, 构成一个介宾结构, 表示时间、地点、方法、原因等关系; 连词用来连接词语或短语, 表示联合关系或从属关系。“因”兼属介词和连词, 二者意义上有联系, 属于兼类词。在实际标注时, 容易判别错误, 如例8。

例8 人们/n [因/c_ADV]这个/r“/w新/a千年/t ”/w而/c [漾/v_P]起/v无限/z遐思/n。/w

“因”在后接名词或名词短语时往往充当介词, 所构成的介宾结构充当状语成分。上述例子中“因”后接名词短语“新千年”, 所以应为介词。

2) 介词错标为副词。

汉语中存在少量介副兼类词, 比如“将”, 需要根据句法功能和语境小心判断, 如例9。

例9 [将/d_P]通过/p资本/n市场/n得到/v的/u [资金/n_POB], /w集中/a用于/v集团/n战略/n发展/v产业/n

“将”为副词时, 表示将要; 作为介词时, 用于引介跟谓词有关的受事。例9中, “将”引介跟“用于”有关的“资金”。

2.3.5 成语、简称、习用语处理不当

北京大学2003版词性标记集中有成语、简称、习用语的独立词性标记, 但PMT体系中依据语法功能将它们归入相应的词类, 即名归名, 动归动。成语、简称和习用语不是根据句法功能划分出来的词类。由于人民日报语料库中存在一些没有标注小类的成语、简称和习用语, 在进行词性简化时也无法将之归入相应的词类, 因此在进行句法树转换时会导致转换错误, 如例10, 11和12。这类错误也是数量最多的错误类型, 有529处, 占34.6%。

例10 效果/n更/d [是/v_P]如汤沃雪/i一般/a

例11 清华/n、/w北大/n、/w对外经贸大/j、/w首师大/j等/u大多数/m高校/n也/d [成立/ v_P]相关/n领导/n小组/n

例12 失业/n人员/n只要/c [不挑不拣/l_P], /w保证/v随时/d提供/v就业/n岗位/n

例10成语“如汤沃雪”应归入动词, 例11简称“对外经贸大”和“首师大”应归入名词, 例12习用语“不挑不拣”则应归入动词。

以上5种类型是词性与句法角色不符的错误, 经过分析可以得知:除去误标情况外, 兼类词最易引起分歧和错误, 比如动介兼类、动形兼类、介连兼类等, 所以, 在词性标注时应注重兼类词的判别。其次是未处理成语、习用语和简称, 导致出现错误, 此种错误较容易发现和改正。如果准确地分析和判别兼类词, 恰当地处理成语、习用语和简称, 仔细地排除误标情况, 那么依存树库中自动检测出的错误就会减少很多。

2.4 词性正确, 错标句法角色

2.3节中找到的错误是词性不正确导致的句法角色不符。在自动检测中, 还有一种错误, 即词性正确但句法角色标注错误。此类型错误有547处, 占总数的35.80%。

2.4.1 动宾结构错标为介宾结构

动宾结构和介宾结构是两个区分度较大的结构, 并且语料中已有正确的动词词性, 但标注人员在进行句法标注时忽略了词性, 因此容易将动词宾语VOB标记成介宾POB, 如例13和14。

例13  [隶属/v_P]以色列/ns [工党/n_POB]的/u [罗宾什坦/nr_P]

例14 未/d [经/v_P]医师/n [注册/v_POB]取得/v执业/n证书/n

例13中的“工党”和例14中的“注册”, 实际上是“隶属”和“经”的宾语VOB, 但被标为介词宾语POB。这类现象是标注时忽略词性造成的。

2.4.2 数词修饰动词错标为数字

数词通常跟量词组成数量短语, 然后再做句法成分。但在新闻中领导人讲话时, 会出现“数字+动词”, 这是强调关于动词的几方面内容, 应为状语, 而不是简单地标为数字, 如例15。

例15 [四/m_NUM]到位/v -/w思想/n到位/v、/w感情/n到位/v、/w工作/v到位/v、/w服务/v到位/v

2.4.3 连词句法角色错标为状语

根据PMT句法标注体系, 连词标为前附加LAD。上文中提到, 介连兼类时, 标注人员容易混淆二者的语法角色。但是, 此类现象并不是因为词性标注错误产生的, 反而是因为忽略词性而导致前附加LAD错标为ADV, 如例16。

例16从未/d [因/c_ADV]接受/v馈赠/v而/ c向/p苏鲁希/nr [提供/v_P]任何/r方便/n

2.4.4 数量补语(QUC)错标

数量结构有4种语法角色标记:直接修饰名词, 在名词前面, 做数量短语(QUN); 充当名词的补充成分, 在名词后面, 通常定语后置时, 做数量补语(QUC); 直接充当谓语动词的右侧子节点标记, 为补语(CMP); 充当表示变化(包括增加、减少、改变)词的宾语(VOB)。4种语法角色易混淆, 特别是数量补语和补语的情况, 如例17。

例17煤矿/n企业/n工资/n基金/n平均/a [保持/v_P]节余/v 6 /m个/q [月/n_QUC]

数量补语和补语补充说明的对象不同, 数量补语针对的是名词, 而补语针对谓语动词。因此, 例17中“6个月”应作为“保持”的补语。

2.4.5 状中结构与述宾结构混淆

状中结构中的修饰语跟中心语会形成种种的语义关系, 其中一种表示描写性的, 表示动作的变化或情状的变化, 可以有两种形式表示: “V (A)+V”和“V (A)地+V”。述宾结构前后是支配与被支配、关涉与被关涉的关系。述语主要由及物动词充当, 少数由形容词充当, 宾语一般是体词或体词性短语, 也可以是谓词、谓词性短语。这样两种结构都有“V (A)+V”形式, 导致判断时出现错误, 如例18。

例18 对/p那些/r [坚决/a_P] [贯彻/v_VOB]党/n的/u路线/n方针/n政策/n的/u干部/n

2.5 小结

上述错误均为使用本文提出的方法处理已经过两遍人工校对的树库时自动检测出来的, 可归为两类。一是句法标注所依据的分词和词性标注结果有误。句法标注工作是基于已有的分词和词性标注结果进行的, 因此这部分错误不属于句法标注过程产生的错误。但是, 通过本文的方法将这些错误检测出来, 有助于进一步提升树库的质量。二是在进行句法标注时没有考虑词性与语法角色之间的选择限制关系, 凭主观感觉标注语法角色。在进行句法标注时, 要将词性和语法角色作为一个整体, 既要看词性, 又要考虑与之相对应的语法角色, 做到词类和句法成分的一致。

3 相关工作

在依存树向短语结构树转化方面, Xia等^[14]对比了3种转化算法, 仅区分了论元和修饰语, 而没有使用依存范畴。Xia等^[15]假设一个既定的依存树与所期望的短语结构树的平面化版本相同, 进而提出依存树向短语结构树转化的算法, 并且设计了一系列转化规则。他们在错误分析中发现并列结构和标点的错误占转化错误的32.1%。Bhatt等^[16]2011年提出3种依存树向短语结构树转化的情景分析, Bhatt等^[17]2012年进一步讨论了转化中的7种空语类现象。

4 结语

本文提出一种基于产生式规则的依存树库人工标注错误检测方法, 以经过两遍人工校对的依存树库为处理对象, 取得100%的正确率。由于树库已经过两遍人工校对, 存在的错误较少, 因此该方法所检测出来的错误数量较少, 但这些错误涉及分词、词性标注结果与句法标注之间的不协调现象, 均属于硬伤, 修改这些错误对于提高树库质量具有重要意义。该方法适用于各类型依存树库。