基于转移的神经网络哈萨克语句法分析

doi:10.3778/j.issn.1002-8331.1808-0385

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (24): 159-163.DOI: 10.3778/j.issn.1002-8331.1808-0385

基于转移的神经网络哈萨克语句法分析

白雅雯，古丽拉·阿东别克

1.新疆大学信息科学与工程学院，乌鲁木齐 830046
2.新疆大学新疆多语种信息技术实验室，乌鲁木齐 830046
3.新疆大学国家语言资源监测与研究少数民族语言中心哈萨克语和柯尔克孜语文基地，乌鲁木齐 830046

出版日期:2019-12-15 发布日期:2019-12-11

Transition-Based Kazakh Parsing with Neural Network

BAI Yawen, Gulia Altenbek

1.College of Information Science and Engineering, Xinjiang University, Urumqi 830046, China
2.Xinjiang Laboratory of Multi-Language Information Technology, Xinjiang University, Urumqi 830046, China
3.The Base of Kazakh and Kirghiz Language of National Language Resource Monitoring and Research Center on Minority Languages, Xinjiang University, Urumqi 830046, China

Online:2019-12-15 Published:2019-12-11

摘要/Abstract

摘要： 为了进一步提高哈萨克语句法分析的准确率，为哈萨克语自然语言处理奠定良好基础，对基于转移的哈萨克语句法分析进行研究，采用改进后的基于转移的方法对句法树进行处理，即中序遍历句法树的方法将句法树转换为动作序列。使用神经网络构建句法分析器框架，分别使用三个长短期记忆网络（LSTM）表示堆栈信息、缓冲区信息以及动作历史信息对模型进行训练，根据所得到的概率预测动作序列，从而得到句法分析的结果。改进后的转移方法得到的句法分析准确率为74.37%。

关键词: 句法分析, 转移方法, 长短期记忆网络（LSTM）

Abstract: For purpose of improving the parsing accuracy of Kazakh and laying the foundation for natural language processing, it researches Kazakh parsing based on transfer, and uses an improved transition-based method to deal with the syntax tree and convert the syntax tree into an action sequence, this method is in-order traversal over syntactic trees. The neural network is used to construct the parser framework, and three long short-term memory are used to express the stack information, buffer information and action history information to train the model. According to the probability of predicting the sequence of action, the result of syntactic analysis is obtained. The accuracy of Kazakh parsing obtained by the improved transition-based method is 74.37%.

Key words: parsing, transfer method, long short-term memory

白雅雯，古丽拉·阿东别克. 基于转移的神经网络哈萨克语句法分析[J]. 计算机工程与应用, 2019, 55(24): 159-163.

BAI Yawen, Gulia Altenbek. Transition-Based Kazakh Parsing with Neural Network[J]. Computer Engineering and Applications, 2019, 55(24): 159-163.

[1]	赵红蕊，薛雷. 基于LSTM-CNN-CBAM模型的股票预测研究[J]. 计算机工程与应用, 2021, 57(3): 203-207.
[2]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[3]	易灵芝，王仕通，易芳，邓栋，易志敏，姜鹏. 基于EEMDSE-ILSTM的风电场超短期风速预测[J]. 计算机工程与应用, 2021, 57(22): 288-294.
[4]	丁宇阳，李明悦，谢柠宇，刘渊，晏涛. 双LSTM的光场图像去雨算法研究[J]. 计算机工程与应用, 2021, 57(18): 227-237.
[5]	李晋源，康雁，杨其越，王沛尧，崔国荣. 面向方面记忆网络的IT产品细粒度情感分析[J]. 计算机工程与应用, 2020, 56(3): 159-164.
[6]	李梅1，2，宁德军1，郭佳程1，2. 基于注意力机制的CNN-LSTM模型及其应用[J]. 计算机工程与应用, 2019, 55(13): 20-27.
[7]	孙玉1，2，袁贞明1，2，孙晓燕1，2. 基于Leap Motion的动态手势识别[J]. 计算机工程与应用, 2019, 55(13): 151-157.
[8]	彭燕，刘宇红，张荣芬. 基于LSTM的股票价格预测建模与分析[J]. 计算机工程与应用, 2019, 55(11): 209-212.
[9]	刘维婵. NIC-平面图中的轻边存在性及其定向染色[J]. 计算机工程与应用, 2018, 54(7): 62-65.
[10]	张阳，刘晓霞，孙凯龙，李洪安. 基于情感描述项的文本倾向性识别研究[J]. 计算机工程与应用, 2015, 51(4): 158-161.
[11]	赵怿怡1，刘海涛2. 歧义结构理解中的依存距离最小化倾向[J]. 计算机工程与应用, 2014, 50(6): 7-10.
[12]	韩静，张东站. 基于词语热度的启发式中文句子压缩算法[J]. 计算机工程与应用, 2014, 50(4): 132-139.
[13]	李杏华，张彦杰，王伟超. 基于机器视觉的加工误差在线检测系统设计[J]. 计算机工程与应用, 2012, 48(4): 71-73.
[14]	钱小飞. 以“的”字结构为核心的最长名词短语识别研究[J]. 计算机工程与应用, 2010, 46(18): 138-141.
[15]	丁向民¹，徐斌². 基于GLR算法的新型概率句法分析器[J]. 计算机工程与应用, 2009, 45(32): 130-132.

基于转移的神经网络哈萨克语句法分析

Transition-Based Kazakh Parsing with Neural Network

PDF

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