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)量都相當龐大。如何利用現(xiàn)代語言學方法和信息處理技術(shù)對巨量的多語種新聞文本進行知識表示、知識獲取，及時、準確地追蹤和發(fā)現(xiàn)有效信息具有重要的理論價值和實踐意義。
　　根據(jù)圖靈機模型，現(xiàn)代計算機通常采用線性符號識別與轉(zhuǎn)換對語言信息進行處理。當前腦科學研究認為，人腦處理語言信息時一般依賴存儲的語義和情景知識進行并行擴散多路搜索。因此，計算機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。
　　對紛繁復雜的語義和情景知識進行形式化，將其表示為計算機可操作的符號，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)的心理學模型提出框架理論（Frame Theory）③，引起了學術(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（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-語義接口問題進行探索（林麗，畢玉德，2012：42-46）。可見，框架語義學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，由于框架語義學和FrameNet以人的認知經(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，各國研究學者基于框架語義學，以FrameNet為藍本構(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。
　　因此，充分發(fā)揮框架語義學和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)用導向，探索更加高效、通用的框架語義表示模式并進行框架網(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
　　本書的研究目標是將框架語義學理論應(yīng)用到非通用語（特別是缺乏嚴格意義上形態(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；對各語種語料進行預處理并統(tǒng)計出高頻動詞詞元；采集領(lǐng)域詞元并進行語義分類，根據(jù)《同義詞詞林》（擴展版）為每一詞元進行語義分類賦碼，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)框架進行復用和整合；設(shè)計并實現(xiàn)輔助建庫、標注工具，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)事件抽取方法進行對比，論證了框架語義標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（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、學術(shù)創(chuàng)新、研究意義、結(jié)構(gòu)和使用資源進行介紹；
　　第二章為框架語義研究綜述；
　　……
查看全部↓