第一章 緒 論
　　第一節(jié) 研究背景
　　據(jù)2014年3月12日統(tǒng)計數(shù)據(jù)①，Internet內(nèi)容語種（Content languages for websites）世界排名前十位中包括聯(lián)合國七種通用語種（英語、俄語、德語、西班牙語、法語、漢語、阿拉伯語）中除阿拉伯語外的六種。非通用語種中的日語、葡萄牙語、意大利語、波蘭語也進(jìn)入排名前十。這表明，一方面Internet內(nèi)容語種呈多語化發(fā)展趨勢，另一方面，除英語外，其余各通用語和非通用語之間發(fā)展差距并不顯著。
　　圖1—1 2014年3月12日Internet內(nèi)容語種統(tǒng)計
　　當(dāng)前，多語種大數(shù)據(jù)信息呈現(xiàn)出爆炸增長態(tài)勢，不論是否為通用語種，各語種網(wǎng)頁絕對數(shù)量都相當(dāng)龐大。如何利用現(xiàn)代語言學(xué)方法和信息處理技術(shù)對巨量的多語種新聞文本進(jìn)行知識表示、知識獲取，及時、準(zhǔn)確地追蹤和發(fā)現(xiàn)有效信息具有重要的理論價值和實踐意義。
　　根據(jù)圖靈機(jī)模型，現(xiàn)代計算機(jī)通常采用線性符號識別與轉(zhuǎn)換對語言信息進(jìn)行處理。當(dāng)前腦科學(xué)研究認(rèn)為，人腦處理語言信息時一般依賴存儲的語義和情景知識進(jìn)行并行擴(kuò)散多路搜索。因此，計算機(jī)對文本的語義理解和知識表示成為目前制約語言信息處理發(fā)展的重要瓶頸之一。
　　對紛繁復(fù)雜的語義和情景知識進(jìn)行形式化，將其表示為計算機(jī)可操作的符號，采用詞匯語義知識庫（Lexical Semantic Knowledge Database，LSKD）②的形式進(jìn)行存儲，是解決信息處理中語義問題的主流方法。LSKD構(gòu)建已經(jīng)成為語言信息處理的核心工程，基于LSKD的語義分析方法對各種語言信息處理應(yīng)用（信息檢索、信息抽取、自動文摘、自動問答、機(jī)器翻譯、詞義消歧）都不可或缺。
　　通過研究人們理解情景和故事時的思維過程，Minsky于1975年根據(jù)相應(yīng)的心理學(xué)模型提出框架理論（Frame Theory）③，引起了學(xué)術(shù)界的廣泛重視；“框架”隨后成為人工智能界常用的一種知識表示方法；格語法的創(chuàng)立者Fillmore④借鑒“框架”概念，提出了框架語義學(xué)（Frame Semantics），將研究重點確定為對概念結(jié)構(gòu)和句法-語義映射關(guān)系的描寫，以此對句法-語義接口問題進(jìn)行探索（林麗，畢玉德，2012：42-46）�？梢�，框架語義學(xué)研究方法符合語義知識表示的需求，其實質(zhì)是一種語義知識的形式化表示方法�；�于框架語義學(xué)理論構(gòu)建的FrameNet⑤以事件框架的方式確定詞匯化編碼的語義信息（可轉(zhuǎn)化為DAML+OIL語言）并預(yù)測這些信息如何在句法上得到投射。（俞士汶，黃居仁，2005：1-20） FrameNet以語義框架⑥作為基本描述單元，并建立了框架與框架之間的網(wǎng)狀層級聯(lián)系，具備完善的語義表示與描述體系，是LSKD中設(shè)計合理、構(gòu)建完備、應(yīng)用廣泛的典型工程。
　　從具體應(yīng)用上看，由于框架語義學(xué)和FrameNet以人的認(rèn)知經(jīng)驗作為基礎(chǔ)，對“概念結(jié)構(gòu)”，即人類關(guān)于現(xiàn)實世界的語義知識進(jìn)行闡釋和描寫，因此在一定程度上具有普適性。截至目前統(tǒng)計，各國研究學(xué)者基于框架語義學(xué)，以FrameNet為藍(lán)本構(gòu)建了19個語種⑦的平行框架網(wǎng)絡(luò)資源。除我國民族語言維吾爾語和藏語外，其余17種外語均在有具體排名的Internet內(nèi)容語種前36位之列（各語種具體排名見腳注中括號內(nèi)數(shù)字）。也就是說，Internet內(nèi)容語種前36位中，已研究構(gòu)建FrameNet的語種比重為47.2%。由此可見，F(xiàn)rameNet的多語種擴(kuò)展趨勢與Internet內(nèi)容語種的發(fā)展是一致的�？梢該�(jù)此推斷FrameNet對于巨量網(wǎng)絡(luò)信息處理是必要的。
　　基于以上背景，本書認(rèn)為，一方面對巨量的多語種網(wǎng)絡(luò)新聞文本知識表示、知識獲取進(jìn)行研究有迫切需求，而各語種，特別是非通用語在領(lǐng)域語料庫構(gòu)建、面向語言信息處理的語義研究方面尚顯滯后和薄弱；另一方面，框架語義學(xué)和FrameNet在理論和實踐兩方面都可作為語義知識形式化表示的典范，在研究深度和廣度上都有突出的貢獻(xiàn)。
　　因此，充分發(fā)揮框架語義學(xué)和FrameNet的已有優(yōu)勢，以多語種網(wǎng)絡(luò)新聞文本知識表示、知識獲取為應(yīng)用導(dǎo)向，探索更加高效、通用的框架語義表示模式并進(jìn)行框架網(wǎng)絡(luò)構(gòu)建和應(yīng)用探索具有較為重要的理論和現(xiàn)實意義。
　　第二節(jié) 研究內(nèi)容
　　本書的研究目標(biāo)是將框架語義學(xué)理論應(yīng)用到非通用語（特別是缺乏嚴(yán)格意義上形態(tài)變化的孤立語）語義分析中，參照FrameNet工程構(gòu)建面向領(lǐng)域的多語框架網(wǎng)絡(luò)并基于此進(jìn)行事件抽取應(yīng)用探索，研究內(nèi)容主要分為理論研究、工程實踐和應(yīng)用探索三個方面。
　　理論研究方面：通過系統(tǒng)研究框架語義學(xué)作為語義分析理論模型的的特點和優(yōu)勢，深入探究FrameNet作為語義知識工程所具有的多語種可擴(kuò)展性和領(lǐng)域延伸性，分析其針對自然語言處理（NLP）⑧方面的不足之處，提出面向領(lǐng)域的多語框架語義表示（Domain-oriented Multilingual Frame Semantic Representation，DOMLFSR）⑨模式，確定該模式的整體架構(gòu)及核心內(nèi)容。
　　基于框架語義學(xué)的越南語詞匯語義研究也是本書的研究內(nèi)容之一。由于越南語和漢語同為孤立語的典型代表，本書也將從語言類型特點角度著重分析其在框架語義構(gòu)造式系統(tǒng)方面的共性。
　　工程實踐方面：將“越南語-英語-漢語”作為“非通用語-中介語-通用語”多語模式的一個研究實例，以時事新聞?wù)Z料作為特定領(lǐng)域開展研究。設(shè)計并開發(fā)多語種Web新聞?wù)Z料抓取軟件，構(gòu)建了越-英-漢語領(lǐng)域語料庫；對各語種語料進(jìn)行預(yù)處理并統(tǒng)計出高頻動詞詞元；采集領(lǐng)域詞元并進(jìn)行語義分類，根據(jù)《同義詞詞林》（擴(kuò)展版）為每一詞元進(jìn)行語義分類賦碼，由此建成三語領(lǐng)域高頻動詞詞元庫；提出基于FrameNet 1.5數(shù)據(jù)的半自動框架庫映射方法，通過三語領(lǐng)域高頻動詞詞元庫中的英語動詞詞元激活FrameNet相應(yīng)框架進(jìn)行復(fù)用和整合；設(shè)計并實現(xiàn)輔助建庫、標(biāo)注工具，構(gòu)建領(lǐng)域越-英-漢框架網(wǎng)絡(luò)（Domain-oriented Vietnamese-English-Chinese FrameNet，DOV-E-CFN）⑩，其主要工作包括搭建一定規(guī)模的時事新聞領(lǐng)域框架體系，確立框架關(guān)系，構(gòu)建標(biāo)注例句庫和詞匯庫，統(tǒng)計詞元配價模式等。
　　另一方面，基于FrameNet的越南語句法-語義基礎(chǔ)資源構(gòu)建也是工程實踐的重要目標(biāo)之一。原因在于越南語在Internet內(nèi)容語種世界排名中列第19位11，目前使用人數(shù)超過9000萬12，其重要性在亞洲，特別是東南亞地區(qū)更為明顯。越南語信息處理在2000年后才正式開始起步，面向NLP的基礎(chǔ)資源的建設(shè)還較為滯后。
　　應(yīng)用探索方面：基于越-英-漢時事新聞框架網(wǎng)絡(luò)（DOV-E-CFN），將框架語義分析方法與傳統(tǒng)事件抽取方法進(jìn)行對比，論證了框架語義標(biāo)注方法在事件抽取中應(yīng)用的可行性及優(yōu)勢，并分別基于核心依存圖（kernel dependency graph，KDG）13和框架語義格標(biāo)（frame element kasus，F(xiàn)K）探索其在新聞文本事件信息抽取中的應(yīng)用。
　　本書的具體章節(jié)安排如下：
　　第一章為緒論，主要對本書的研究背景、研究內(nèi)容及方法、學(xué)術(shù)創(chuàng)新、研究意義、結(jié)構(gòu)和使用資源進(jìn)行介紹；
　　第二章為框架語義研究綜述；
　　……
查看全部↓