Encyclopedia
EuroWordNet Datele generale
Yüklə 371,54 Kb.
|
- Bu səhifədəki naviqasiya:
- InterLingual Index (ILI)
- Relaţii etichetate în EWN. Relaţiile în EWN
- Factive/Non-factive CAUSES
- Subevents in EuroWordNet.
- Role relations.
- BE_IN_STATE / STATE_OF.
- NEAR_SYNONYMY apparatus – machine
- WordNet-uri pentru alte limbi
- BalkaNet (
EuroWordNet 
Datele generale EuroWordNet (EWN) a fost un proiect global European care a avut drept scop crearea bazei de date lexicale multilingve. Limbile participante: iniţial au participat 4 limbi: engleză, olandeză, italiană și spaniolă. În 1998 s-au alăturat germană, franceză, cehă şi estoniană. Datele generale: Durata: martie 1996 - iunie 1999 Cheltuieli: 2.5 Million EURO. URL: http://www.illc.uva.nl/EuroWordNet/ Vocabularul: EuroWordNet-1: 30,000 concepte - 50,000 seturi de sinonime. EuroWordNet-2: 15,000 concepte - 25,000 seturi de sinonime. Baza de cunoştinţe lexicale EuroWordNet este formată în conformitate cu structura WordNet-ului englez (Princeton WordNet). Noţiunile în EuroWordNet sunt prezentate folosind seturi de sinonime (synset). Un synset este un set de sinonime (cuvinte care se pot înlocui unul pe altul într-un anumit context). De exemplu, {car; auto; automobile; machine; motorcar} este un set de sinonime care se referă la acelaşi concept. Setul de sinonime este urmat de o definiţie scurtă, de exemplu: "4-wheeled; usually propelled by an internal combustion engine". Seturi de sinonime sunt conectate folosind diferite relaţii semantice aşa ca hyperonymy-hyponymy, meronymy-holonymy, entailment, cause şi altele. Un fragment de reţea semantică WordNet este prezentat în figura următoare. 
Urmînd metodologia lui Princeton WordNet au fost create lexicoanele semantice pentru limbile europene. Scopul principal în crearea lor a fost independența lexicoanelor date. Fiecare lexicon al unei limbi prezintă caracteristicile şi particularităţile limbii date. Pentru unirea lor a fost creată o structură care interconectează lexicoanele particulare numită InterLingual Index (ILI). InterLingual Index este un set de concepte care uneşte conceptele corespunzătoare din diferite limbil prin legăturile specifice. În afară de InterLingual Index a fost proiectată o ontologie globală independentă de orice limbă la care este conectat InterLingual Index. Ontlogia de vârf a EuroWordNet-ului conţine un set de concepte generale de bază la care se referă conceptele mai concrete. Lexicoanele Setul de relații între seturi de sinonime utilizat în din Princeton WordNet a fost lărgit considerabil. Cele mai importante relaţii între substantive: “SYNONYM – ANTONYM”, “HYPERNYM – HYPONYM” şi „HOLONYM – MERONYM” au fost realizate şi în lexicoanele EuroWordNet. Însă și pentru relațiile date au fost întroduse schimbări. Una din cele mai importante scimbări a fos adăugare unui set de relații între părțile de vorbire. Astfel de relații conțin prefixul “_XPOS_” în denumire. Au fost întroduse relaţii cu partea “_NEAR_” pentru sinonimie şi antonimie care sunt utilizate pentru cuvinte cu sensuri similare şi sensuri opuse în cazuri cînd acestea de fapt nu erau sinonime şi antonime. Relaţia „HOLONYM – MERONYM” a devenit mai specifică. S-au adăugat precizările „LOCATION”, „MADEOF”, ”MEMBER”, ”PART”. Exemplele relaţiilor date sunt descrise în tabelul 1. S-au scimbat considerabil relațiile întroduse pentru verbe. Relaţia „TROPONYMY” a fost înlocuită cu relaţia clasică a substantivelor “HYPERNYM – HYPONYM”. De exemplu, „to run” este HYPONYM la „to move”; „to perceive” este HYPERNYM la „to see”. Specificul verbelor este redat de relaţia nouă între verbe şi adverbe numită „MANNER”, unde „IN_MANEER” este relaţia între verb şi adverb, „MANNER_OF” este relaţia între adverb şi verb. De exemplu, verbul „to rush” este în relaţia IN_MANNER cu adverbul “fast”, pe cînd adverbul “quietly” este în relaţia „MANNER_OF” cu verbul „to whisper”. Relaţia „TEMPORAL_INCLUSION” a fost redenumită în „SUBEVENT” cu două direcţii: „HAS_SUBEVENT” şi „IS_SUBEVENT_OF”. Respectiv „to chew” „IS_SUBEVENT_OF” „to eat”, „to teach” „HAS_SUBEVENT” „to explain”. Perechea relaţiilor de cauză a fost numită „CAUSES” şi respectiv „IS_CAUSED_BY”. A fost întrodus un set de relaţii între substantive şi verbe ce redau legături între entităţi şi evenimente. Denumirile relaţiilor sunt bazate pe rolurile semantice: „ROLE_AGENT”, „ROLE_INSTRUMENT”, „ROLE_LOCATION”, „ROLE_PATIENT”. Relaţii inverse între verbe şi substantive au prefixul „INVOLVED_”: „INVOLVED__AGENT”, „INVOLVED_INSTRUMENT”, „INVOLVED_LOCATION”, „INVOLVED_PATIENT”. Alt tip de relaţii care a fost adăugat este relaţia între substantive şi adjective „BE_IN_STATE” şi respectiv „STATE_OF” între adjective şi substantive. Relaţiile, comentariile şi exemplele sunt prezentate în tabelul 1 ce urmează. Tabelul 1. Relaţiile între cuvinte în lexicoanele EuroWordNet
Relaţii etichetate în EWN. Relaţiile în EWN pot avea una sau mai multe etichete. Etichetele folosite în EWN sunt:
Eticheta disjunction la o relaţie arată că numai o relaţie de aşa tip este posibilă în cazul dat. Eticheta conjunction arată că sunt posibile mai multe relaţii de aşa tip. Spre exemplu, {door} HAS_HOLO_PART: disj1 {car} HAS_HOLO_PART: disj2 {room} HAS_HOLO_PART: disj3 {entrance} {dog} HAS_HYPERONYM: conj1 {mammal} HAS_HYPERONYM: conj2 {pet} {dog} HAS_HYPONYM: dis1 {poodle} HAS_HYPONYM: dis1 {labrador} HAS_HYPONYM: {sheep dog} (Orthogonal) HAS_HYPONYM: {watch dog} (Orthogonal) Notă: toate variantele propuse (poodle, labrador, dalmatin) sunt disjuctve (pentru un câine este posibilă numai una din variantele date), dar variantele (watch dog, sheep dog) pot fi adăugate paralel cu alte variante. Factive/Non-factive CAUSES (Lyons 1977). Relaţia de cauză are o etichetă factive dacă după acţiunea descrisă de primul verb neapărat urmează acţiunea descrisă de al doilea verb. Eticheta non-factive este pusă dacă acţiunea descrisă de al doilea verb nu neapărat urmează după acţiunea primului verb, deşi este foarte posibilă. Spre exemplu, factive (default): “to kill causes to die”: {kill} CAUSES {die} non-factive: “to search may cause to find”. {search} CAUSES {find} non-factive
{finger} HAS_HOLONYM {hand} {hand} HAS_MERONYM {finger} {paper-clip} HAS_MER_MADE_OF {metal} {metal} HAS_HOL_MADE_OF {paper-clip} reversed
{monkey} HAS_MERO_PART {tail} {ape} HAS_MERO_PART {tail} not
{to succeed} IS_CAUSED_BY {to try} factive {to try} CAUSES {to succeed} non-factive Includerea evenimentelor este prezentată prin relaţia HAS_SUBEVENT/ IS_SUBEVENT_OF. Spre exemplu, {to snore} IS_SUBEVENT_OF {to sleep} {to sleep} HAS_SUBEVENT {to snore} reversed {to buy} HAS_SUBEVENT {to pay} {to pay} IS_SUBEVENT_OF {to buy} reversed Relaţia SUBEVENT este foarte folositoare în multe cazuri. Alt tip de relaţie folosită în EWN este relaţia de CAUSE între diferite părţi de vorbire. Spre exemplu, {to kill} V CAUSES {death} N {death} N IS_CAUSED_BY {to kill} V reversed {to kill } V CAUSES {dead} A {dead} A IS_CAUSED_BY {to kill} V reversed {murder} N CAUSES {death} N {death} A IS_CAUSED_BY {murder}N reversed Relaţia CAUSE se aplică la verbele care descriu evenimentele coexistente în timp (to feed/to eat), care se suprapun în timp (to teach/to learn) şi care nu se suprăpun în timp (to shoot/to hit). Role relations. În cazul relaţiilor între verbe şi substantive cea mai potrivită relaţie este relaţia de rol care uneşte evenimentul şi participanţii lui. Spre exemplu, {hammer} ROLE_INSTRUMENT {to hammer} {to hammer} INVOLVED_INSTRUMENT {hammer} reversed {school} ROLE_LOCATION {to teach} {to teach} INVOLVED_LOCATION {school} reversed În unele cazuri este nevoie de specificat termenii. Atunci este potrivită relaţia Co_Role: guitar player HAS_HYPERONYM player CO_AGENT_INSTRUMENT guitar player HAS_HYPERONYM person ROLE_AGENT to play music CO_AGENT_INSTRUMENT musical instrument to play music HAS_HYPERONYM to make ROLE_INSTRUMENT musical instrument guitar HAS_HYPERONYM musical instrument CO_INSTRUMENT_AGENT guitar player ice saw HAS_HYPERONYM saw CO_INSTRUMENT_PATIENT ice saw HAS_HYPERONYM saw ROLE_INSTRUMENT to saw ice CO_PATIENT_INSTRUMENT ice saw REVERSED În EWN sunt codificate şi alte tipuri de relaţii. Spre exemplu, criminal CO_AGENT_PATIENT victim novel writer/ poet CO_AGENT_RESULT novel/ poem dough CO_PATIENT_RESULT pastry/ bread photograpic camera CO_INSTRUMENT_RESULT photo
Effect: poor N HAS_HYPERONYM person N poor N BE_IN_STATE poor A poor A STATE_OF poor N reversed IN_MANNER / MANNER_OF. Example: to slurp is to eat in a noisely manner Effect: slurp V HAS_HYPERONYM eat V slurp V IN_MANNER noisely Adv noisely Adv MANNER_OF slurp V reversed NEAR_SYNONYMY apparatus – machine În urmare sunt prezentate încă cîteva exemple de relaţii. Cross-Part-of-Speech relations: XPOS_NEAR_SYNONYMY dead - death; to adorn - adornment XPOS_HYPERONYMY/HYPONYMY to love - emotion XPOS_ANTONYMY to live - dead CAUSE die - death SUBEVENT buy - pay; sleep - snore ROLE/INVOLVED write - pencil; hammer - hammer STATE the poor - poor MANNER to slurp - noisily BELONG_TO_CLASS Rome - city Relaţii între limbi În afară de lexicoanele pentru fiecare limbă aparte în EWN este prevăzută şi o structură specială pentru unirea lexicoanelor după sens. Structura aceasta se numeşte InterLingual Index (ILI) şi este bazată pe WordNet1.5. Seturile de sinonime în diferite limbi care descriu acelaşi concept sunt unite la setul care descrie acelaşi concept în ILI. Pe lângă ILI a fost creată o ontologie globală independentă de limbile-participante. În figura ce urmează sunt prezentate legăturile între lexicon pentru o limbă (italiană), ILI şi ontologia de vârf. Din figura dată se observă că lexiconul nu se uneşte cu ontologia direct, ci numai prin ILI. 
De fapt, interconectarea limbilor prezintă un process destul de complicat. Uneori pentru un concept într-o limbă nu se găseşte unul corespunzător în alta sau conceptul dat este prezentat mai detaliat. Din cauza aceasta unirea între conceptele din diferite limbi nu poate fi efectuată numai printr-o relaţie de egalitate a sensurilor care este numită “EQ_SYNONYM”. În procesul unirii lexicoanelor cu ILI au fost folosite următoarele tipuri de relaţii:
Spre exemplu, în figura care urmează sunt prezentate exemplele de relaţii has_hyponym şi has_hyperonym între cuvinte limbilor diferite în cazuri cuvintelor toy, finger – deget, şi hoof, kop – head(cap). În EWN pentru limbile participante au fost folosite unele lexicoane semantice deja create. Din cauza aceasta apăreau o mulţime de probleme din punctul de vedere al alinierii structurilor diferite a lexicoanelor date la ontologia unică. Ontologia şi ILI au fost propuse cercetătorilor din alte ţări pentru crearea lexicoanelor semantice după modelul dat. Pentru limbile, care până când nu au astfel de surse este propus de creat un lexicon semantic având la dispoziţie ontologia şi conceptele unificate pentru mai multe limbi. Astfel, dacă iniţial limbile au fost unite ‘de jos în sus’ la o ontologie unică, pentru alte limbi metoda de construire a WordNet-ului cea mai potrivită este ‘de sus în jos’. Un exemplu de astfel de creare este crearea WordNet-ului român în cadrul proiectului Balkanet. 
WordNet-uri pentru alte limbi Creatorii lui EuroWordNet cosideră că adăugarea limbilor noi la ontologia de bază şi ILI va ajuta la optimizarea utilizării surselor Internet prezentate în diferite limbi. În scopul acesta a fost creată Asociaţia globală WordNet. Desfăşurarea iniţiativelor de creare a WordNet-urior pentru alte limbi este prezentată în urmare:
Un număr de lexicoane semantice ataşate la ILI a fost creat în cadrul proiectului BalkaNet ( http://www.ceid.upatras.gr/Balkanet/ ) care avea drept scop crearea lexicoanelor semantice pentru limbile balcanice şi ataşarea lor la ILI global. În cadrul proiectului dat a fost creat şi WordNet pentru limba româna. Proiectul s-a terminat în august 2004. Pe site sunt prezentate articole despre crearea lexicoanelor corespunzătoare. O scurtă descriere a procesului de creare a WordNet-ului român este prezentată în articolul Academiei de ştiinţe a României. Iniţial au fost analizate şi definite în limba corespunzătoare conceptele de bază din ontologia de vârf a EuroWordNet-ului. Apoi au fost descrise cele mai frecvente concepte din EWN şi conceptele propuse de participanţii proiectului care din diferite motive nu au fost prezentate în EWN dar sunt considerate importante pentru limbile corespunzătoare. Lexicografii au hotărât că traducerea simplă WordNet-ului englez nu o să rezulte într-un WordNet român potrivit şi au propus un model concentrat în primul rând în limbă. Ca sursă pentru crearea WordNet-ului român au fost folosite EXPD (Dicţionarul explicativ român), dicţionarul de sinonime şi dicţionarul român-englez. Unităţile dicţionarului au fost codificate folosind XML cum este prezentat în urmare: adjectiv
Dicţionarul român-englez a fost extras automat din textele paralele şi verificat manual. Unităţile dicţionarului român-englez, pre cum şi ale dicţionarului de sinonime au fost codificate folosind XML pentru folosirea mai eficientă. Următoarea etapă a fost stabilirea setului celor mai frecvente cuvinte româneşti. A fost analizat un corpus de texte române şi au foste extrase cele mai frecvente substantive, verbe, ajective şi adverbe. Apoi două echipe de lingvişti asistaţi de informaticieni au lucrat asupra descrierii cuvintelor selectate. Pentru fiecare sens prezentat în WordNet-ul englez s-a căutat un set de sinonime potrivit în româna. În afară de relaţiile dintre româna şi engleză au fost codificate relaţiile în lexiconul roman: hipernimia-hiponimia, antonimia, similaritatea, meronimia-holonimia, subeveniment, cauza şi altele. Pentru lucrul acesta au fost create câteva programe cu interfaţa comodă pentru lexicografi şi abilitatea de a analiza unităţile dicţionarelor XML codificate. Un program a verificat lucrul întreg al echipei de lexicografi şi în cazul ambiguităţii specialiştii analizau cauza şi ajungeau la o concluzie comună. Unul din instrumentele create şi utilizate intens este interfaţa de editare a seriilor sinonimice VisDic prezentată în figura ce urmează. 
Statistica WordNet-ului român În mai 2004 a fost următoarea: Substantive(Noun synsets) – 10725, verbe(Verb synsets) – 4164, adjective(Adj.synsets) – 844, adverbe(Adv. synsets) – 833, total - 16566 Relaţii:
hypernym - 14867, category_domain – 579, near_antonym – 1576, also_see – 394, holo_part – 1005, subevent – 169, similar_to – 896, holo_portion – 107, verb_group – 980, causes – 122, holo_member – 779, be_in_state – 546.
dar sunt integrate în ontologia acestuia. Statistica pentru anul 2006 este prezentată în continuare: 33421 serii sinonimice (1289 nelexicalizate) 53160 literali • 24640 substantive (31246 literali unici) • 7096 verbe 163 domenii • 851 adjective • 834 adverbe Relaţii semantice: • hypernym 32041 • holo_part 2096 • holo_member 1029 • holo_portion 199 • category_domain 1861 • also_see 508 • similar_to 899 Relaţii lexicale: • near_antonym 1976 • be_in_state 566 • verb_group 1196 • causes 148 • subevent 264
CUPRINS
Mikrokosmos ................................................................................12 FrameNet ......................................................................................19 WordNet ........................................................................................32 Simple ...........................................................................................47 EuroWordNet ................................................................................61 BIBLIOGRAFIE http://en.wikipedia.org/wiki/Cyc http://www.cyc.com/technology/whatiscyc http://www.opencyc.org http://ilit.umbc.edu/SergeiPub/SemantAnalysis.pdf http://acl.ldc.upenn.edu/W/W98/W98-0713.pdf https://framenet.icsi.berkeley.edu/ http://en.wikipedia.org/wiki/FrameNet http://www.cse.unt.edu/~rada/papers/shi.cicling05.pdf http://wordnet.princeton.edu/ http://wordnetweb.princeton.edu/perl/webwn http://en.wikipedia.org/wiki/WordNet http://www.speech.kth.se/prod/publications/files/3383.pdf http://ijl.oxfordjournals.org/content/13/4/249.full.pdf http://acl.ldc.upenn.edu/P/P07/P07-2041.pdf http://www.ldc.upenn.edu/acl/J/J99/J99-4008.pdf http://www.dcs.shef.ac.uk/~wim/AclEacl97.pdf Yüklə 371,54 Kb. Dostları ilə paylaş:
|