N1+N2结构语法关系判定的SVM算法

doi:10.3778/j.issn.1002-8331.2010-0061

摘要/Abstract

摘要：

短语结构的语法关系判定是自然语言处理领域的关键问题之一，应用支持向量机进行分类判定，其核心问题是如何将汉语短语结构转换为适合支持向量机使用的数值向量的形式。在自建N1+N2结构语料库的基础上，利用《同义词词林》对N1+N2结构内部两个名词进行语义编码，并将编码转换为数值向量，运用支持向量机的方法判定该结构的语法关系，按照训练集与测试集9∶1的比例使用随机交叉验证的方法进行检验，平均正确率达到86.2%。实验结果证明了所提算法的有效性，也证明了运用人工智能方法处理自然语言处理领域的问题势在必行。

关键词: 自然语言处理, 人工智能, 支持向量机, 短语层级, 语法关系, 知识本体

Abstract:

Determining the grammatical relationship of phrase structures is a key problem in the field of Natural Language Processing（NLP）. In order to apply Support Vector Machine（SVM） to classify and judge phrase structures, it needs to transform Chinese phrase structures into numerical vectors. On the basis of the self-built N1+N2 structure corpus, the semantic coding of two nouns in N1+N2 structure is carried out by using Cilin, and the coding is converted into numerical vector. Then, support vector machine is used to determine the grammatical relationship of the structure. Finally, random cross validation method is used to test the structure according to the ratio of training set to test set of 9∶1, and the average accuracy is 86.2%. The experimental results show the effectiveness of the proposed algorithm and the necessity of using artificial intelligence to deal with problems in the field of natural language processing.

Key words: natural language processing, artificial intelligence, support vector machine, phrase level, grammatical relation, ontology

杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.

YANG Quan. SVM Algorithm for N1+N2 Structure Syntax Relation Determination[J]. Computer Engineering and Applications, 2021, 57(20): 104-108.

参考文献

[1] 杨国基.汉语中基于短语结构的语义提取[D].天津：天津大学，2007.
YANG G J.Semantic extraction on Chinese language based on phrase structure[D].Tianjin：Tianjin University，2007.
[2] 倪廓阔，吕学强，韩艳铧，等.搜索引擎中“N1+N2”型短语查询优化研究[J].计算机应用与软件，2012，29（9）：117-121.
NI K K，LV X Q，HAN Y H，et al.On “N1+N2” structure phrase query optimisation in search engine[J].Computer Applications and Software，2012，29（9）：117-121.
[3] 刘志杰，吕学强，程涛，等.搜索引擎日志中“N1+N2”型名词短语研究[J].现代图书情报技术，2010（12）：58-63.
LIU Z J，LV X Q，CHENG T，et al.Study on noun phrase of “N1+N2” structure in search engine query logs[J].New Technology of Modern Library and Information Service，2010（12）：58-63.
[4] 刁晏斌.当代汉语中新的“名1+名2”形式[J].语言与翻译，2005（4）：25-29.
DIAO Y B.The new form of “N1+N2” in contemporary Chinese[J].Language and Translation，2005（4）：25-29.
[5] 张美霞，吕志敏.“名词+名词”无标记比况短语语义和句法功能考察[J].南京师大学报（社会科学版），2009（5）：143-146.
ZHANG M X，LV Z M.The meaning and syntactic function of bare “N1+N2” metaphorical phrase[J].Journal of Nanjing Normal University（Social Science Edition），2009（5）：143-146.
[6] 王宗华.面向计算机的N1+N2句法关系及语义关系研究[D].武汉：华中师范大学，2006.
WANG Z H.Computer-oriented study on syntactic and semantic relation between N1 and N2 in N1+N2 structure[D].Wuhan：Central China Normal University，2006.
[7] 邵元海，刘黎明，黄凌伟，等.支持向量机的关键问题和展望[J].中国科学：数学，2020，50（9）：1233-1248.
SHAO Y H，LIU L M，HUANG L W，et al.Key issues of support vector machines and future prospects[J].SCIENTIA SINICA Mathematic，2020，50（9）：1233-1248.
[8] 王霞，董永权，于巧，等.结构化支持向量机研究综述[J].计算机工程与应用，2020，56（17）：24-32.
WANG X，DONG Y Q，YU Q，et al.Review of structural support vector machines[J].Computer Engineering and Applications，2020，56（17）：24-32.
[9] 高超，许翰林.基于支持向量机的不均衡文本分类方法[J].现代电子技术，2018，41（15）：183-186.
GAO C，XU H L.Unbalanced text classification method based on support vector machine[J].Modern Electronic Technique，2018，41（15）：183-186.
[10] 王杨，许闪闪，李昌，等.基于支持向量机的中文极短文本分类模型[J].计算机应用研究，2020，37（2）：347-350.
WANG Y，XU S S，LI C，et al.Classification model based on support vector machine for Chinese extremely short text[J].Application Research of Computers，2020，37（2）：347-350.
[11] 陆晓峰，郑南宁，郑松峰.一种适用于信息检索的支持向量机[J].西安交通大学学报，2003（6）：581-585.
LU X F，ZHENG N N，ZHENG S F.Support vector machine for information retrieval[J].Journal of Xi’an Jiaotong University，2003（6）：581-585.
[12] 田世海，吕德丽.改进潜在语义分析和支持向量机算法用于突发安全事件舆情预警[J].数据分析与知识发现，2017，1（2）：11-18.
TIAN S H，LV D L.An early warning algorithm for public opinion of safety emergency[J].Data Analysis and Knowledge Discovery，2017，1（2）：11-18.
[13] 韩开旭，任伟建.基于改进Fisher核函数的支持向量机在推特数据库情感分析中的应用[J].自动化技术与应用，2015，34（11）：30-36.
HAN K X，REN W J.The application of support vector machine（SVM） on the sentiment analysis of twitter database based on an improved Fisher kernel function[J].Techniques of Automation & Applications，2015，34（11）：30-36.
[14] 姜维，关毅，王晓龙，等.基于支持向量机的音字转换模型[J].中文信息学报，2007（2）：100-105.
JIANG W，GUAN Y，WANG X L，et al.Pinyin-to-character conversion model based on support vector machines[J].Journal of Chinese Information Processing，2007（2）：100-105.
[15] 白妙青，郑家恒.利用支持向量机实现动词-动词搭配的自动标注[J].计算机工程与应用，2005，41（35）：164-166.
BAI M Q，ZHENG J H.Autolabeling of verb-verb collocation based on support vector machine[J].Computer Engineering and Applications，2005，41（35）：164-166.