基于排序方法的汉语句际关系树自动分析

doi:10.13209/j.0479-8023.2016.014

北京大学学报（自然科学版） ›› 2016, Vol. 52 ›› Issue (1): 65-74.DOI: 10.13209/j.0479-8023.2016.014

基于排序方法的汉语句际关系树自动分析

吴云芳¹, 万富强¹, 徐艺峰¹, 吕学强²#br#

1. 计算语言学教育部重点实验室, 北京大学, 北京 100871
2. 网络文化与数字传播北京市重点实验室, 北京信息科技大学, 北京 100192

收稿日期:2015-06-04 出版日期:2016-01-20 发布日期:2016-01-20
通讯作者: 吴云芳, E-mail: wuyf(at)pku.edu.cn
基金资助:
国家自然科学基金(61371129)、国家重点基础研究发展计划(2014CB340504)、国家社会科学基金重大项目(12&ZD227)和网络文化与数字传播北京市重点实验室开放课题 (ICDD201302)资助

A New Ranking Method for Chinese Discourse Tree Building

WU Yunfang¹, WAN Fuqiang¹, XU Yifeng¹, LÜ Xueqiang²

1. Key Laboratory of Computational Linguistics (MOE), Peking University, Beijing 100871
2. Beijing Key Laboratory of Internet Culture and Digital Dissemination Research, Beijing Information Science and Technology University, Beijing 100192

Received:2015-06-04 Online:2016-01-20 Published:2016-01-20
Contact: WU Yunfang, E-mail: wuyf(at)pku.edu.cn

摘要/Abstract

摘要：

提出一种自动分析汉语小句级句际关系树的新方法。在修辞结构理论体系下, 构建一个汉语句际关系标注语料库。不同于传统的只关心相邻两个单元的方法, 提出一种类排序模型(SVM-R), 自动构建汉语句际关系的树结构, 旨在把握相邻3 个单元之间的关联强度。实验结果表明, 所提出的SVM-R模型对句际关系树的分析显著优于传统方法。最后提出并验证了丰富的、适合于汉语句际关系分析的语言特征。

关键词: 句际关系树构建, 排序方法, 汉语句际关系语料库

Abstract:
This paper proposes a novel method for sentence-level Chinese discourse tree building. The authors
constrcut a Chinese discourse annotated corpus in the framework of Rhetorical Structure Theory, and propose a
ranking-like SVM (SVM-R) model to automatically build the tree structure, which can capture the relative
associated strength among three consecutive text spans rather than only two adjacent spans. The experimental
results show that proposed SVM-R method significantly outperforms state-of-the-art methods in discourse parsing
accuracy. It is also demonstrated that the useful features for discourse tree building are consistent with Chinese
language characteristics.

Key words: discourse tree building, ranking method, Chinese discourse annotated corpus

中图分类号:

TP391

吴云芳, 万富强, 徐艺峰, 吕学强. 基于排序方法的汉语句际关系树自动分析[J]. 北京大学学报（自然科学版）, 2016, 52(1): 65-74.

WU Yunfang, WAN Fuqiang, XU Yifeng, Lü Xueqiang. A New Ranking Method for Chinese Discourse Tree Building[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2016, 52(1): 65-74.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/10.13209/j.0479-8023.2016.014

https://xbna.pku.edu.cn/CN/Y2016/V52/I1/65

[1]	刘秋慧, 张坤丽, 许鸿飞, 俞士汶, 昝红英. 助词“的”用法自动识别研究[J]. 北京大学学报（自然科学版）, 2018, 54(3): 466-474.
[2]	柯永红, 朱永福, 穗志方, 俞士汶. 基于多特征的语义角色标注一致性计算方法研究[J]. 北京大学学报（自然科学版）, 2018, 54(3): 475-480.
[3]	杨萌, 李培峰, 朱巧明. 一种基于Tree-LSTM的句子相似度计算方法[J]. 北京大学学报（自然科学版）, 2018, 54(3): 481-486.
[4]	张雨, 曾立, 邹磊. 大规模图数据的正则路径查询[J]. 北京大学学报（自然科学版）, 2018, 54(2): 236-242.
[5]	魏星, 王玮, 陈静萍, 解焱陆, 张劲松. 基于发音特征的汉语发音偏误自动标注[J]. 北京大学学报（自然科学版）, 2018, 54(2): 243-248.
[6]	林心宜, 严睿, 赵东岩. 融合词、句层级信息的抽取式摘要优化框架[J]. 北京大学学报（自然科学版）, 2018, 54(2): 229-235.
[7]	周楠, 赵悦, 李要嫱, 徐晓娜, 才旺拉姆, 吴立成. 基于瓶颈特征的藏语拉萨话连续语音识别研究[J]. 北京大学学报（自然科学版）, 2018, 54(2): 249-254.
[8]	谭亦鸣, 王明文, 李茂西. 基于翻译质量估计的神经网络译文自动后编辑[J]. 北京大学学报（自然科学版）, 2018, 54(2): 255-261.
[9]	吴焕钦, 张红阳, 李静梅, 朱俊国, 杨沐昀, 李生. 基于伪数据的机器翻译质量估计模型的训练[J]. 北京大学学报（自然科学版）, 2018, 54(2): 279-285.
[10]	吕书宁, 董志安. 利用URL-Key领域术语识别方法[J]. 北京大学学报（自然科学版）, 2018, 54(2): 262-270.
[11]	王文超, 吕学强, 张凯, 周建设. 足球赛事战报的自动写作研究[J]. 北京大学学报（自然科学版）, 2018, 54(2): 271-278.
[12]	应文豪, 肖欣延, 李素建, 吕雅娟, 穗志方. 一种利用语义相似度改进问答摘要的方法[J]. 北京大学学报自然科学版, 2017, 53(2): 197-203.
[13]	栗青生, 徐强, 肖建国, 刘泉, 张解放. 汉字动态生成的结构与风格模型[J]. 北京大学学报自然科学版, 2017, 53(2): 219-229.
[14]	陈玉敬, 吕学强, 周建设, 李宁. NBA赛事新闻的自动写作研究[J]. 北京大学学报自然科学版, 2017, 53(2): 211-218.
[15]	张丽林, 李茂西, 肖文艳, 万剑怡, 王明文. 机器翻译自动评价中领域知识复述抽取研究[J]. 北京大学学报自然科学版, 2017, 53(2): 230-238.

基于排序方法的汉语句际关系树自动分析

A New Ranking Method for Chinese Discourse Tree Building

RichHTML

PDF

PDF (翻译版)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

留言