INF1820: Introduksjon til språk-og kommunikasjonsteknologi

Transkript

1 INF1820: Introduksjon til språk-og kommunikasjonsteknologi Andre forelesning Lilja Øvrelid 23 januar, 2012

2 ...the scientific study of language from a computational perspective. Computational linguists are interested in providing computational models of various kinds of linguistic phenomena (Association for Computational Linguistics) Kjært barn: Språkteknologi ( Language Technology ) Datalingvistikk ( Computational Linguistics ) Menneskespråkprosessering ( Natural Language Processing ) Bruk av språklig kunnskap i systemer HAL the holy grail of computational linguistics

3 TURINGTESTEN AI: test på en maskins evne til å vise intelligens Alan Turing: Computing Machinery and Intelligence (1950) Kan en maskin tenke Finnes det en tenkelig datamaskin som kan klare Turingtesten?

4 TURINGTESTEN Et dialogsystem

5 Fonetikk/fonologi: kunnskap om lingvistiske lyder Fonetikk Lydlære: taleapparatets anatomi og fysiologi, uttale og lydbølgenes fysiske egenskaper Fonologi Hvordan lyder fungerer i språk, hvordan lyder forholder seg til hverandre Talegjenkjenning/talesyntese Eksempel problem: homofoner (homonymer) ord som uttales likt men har forskjellig betydelse weak week to too two

6 Morfologi: kunnskap om meningsbærende deler av ord, ordstruktur Morfologisk analyse, ordklassetagging Eksempel problem: flertydige morfemer -er-endelsen i norsk

7 Syntaks: kunnskap om strukturelle forhold mellom ord Chunking, parsing Eksempel problem: visse syntaktiske konstruksjoner, (feks kontroll, koordinering)

8 Semantikk: kunnskap om mening ord, setninger Word Sense Disambiguation (WSD), textual entailment Eksempel problem: en form flere meninger Mine mål er egentlig ganske forskjellige uttalt av en fotballspiller uttalt av en modell som sammenligner seg med Kate Moss uttalt av en ISK masterstudent Flertydighet i rekkevidde ( scope ) Alle studenter hater to kurs

9 Diskurs: kunnskap om enheter ut over enkelte ytringer Anaforresolusjon, dialogsystemer... det er diskutabelt hvor mye Watson egentlig forstår. Den driver snarere en form for etterlikning av noen av måtene menneskehjernen prosesserer språk på. (Dagbladet, 14/1/11)

10 Watson spørsmål-svar system (Q&A) utviklet ved IBM

11 NLP-systemer: moduler som representerer forskjellige lingvistiske nivåer Høyere nivåer avhenger typisk av lavere Feks parsing Maskinoversettelse The spirit is willing but the flesh is weak The vodka is excellent but the meat is lousy (Fra teknologi utviklet av SYSTRAN)

12 Annet eksempel (fra NLTK s babelize) 1. how long before the next flight to Alice Springs? 2. wie lang vor dem folgenden Flug zu Alice Springs? 3. how long before the next flight to Alice jump? 4. wie lang vor dem folgenden Flug zu Alice springen Sie? 5. how long before the next flight to Alice do you jump?

13 Question-answering (Q&A) Who was the second president of the United States? John Adams Who was the president following Washington? Hmmm.. George Washington?

14 Hvorfor blir resultatene dårlige? Språkforståelse er komplisert Den nødvendige kunnskapen er enorm De fleste stadier viser flertydighet Mange av algoritmene er intractable (NP-hard: komputasjonelt uløselige i mindre enn eksponentiell tid)

15 FLERTYDIGHET De fleste språkteknologiske applikasjoner må håndtere flertydighet ( ambiguity ) Kjennetegner naturlige språk, på alle nivåer I saw her duck Krasjet med rådyr på moped (Agderposten)

16 FORMELLE MODELLER Kan fange inn den språklige kunnskapen v.hj.a et lite antall formelle modeller og teorier Hentet fra informatikk, matematikk og lingvistikk Disse modellene kan prosesseres ved et lite antall algoritmer søk (feks dynamisk programmering), maskinlæring (feks klassifisere)

17 FORMELLE MODELLER Endelige tilstandsmaskiner ( finite state automata ): Består av tilstander, overganger ( transitions ) og en input-representasjon Variasjoner: deterministiske og ikke-deterministiske, endelige tilstandsmaskiner og endelige tilstandstransdusere Fonologi, morfologi

18 FORMELLE MODELLER Formelle regelsystemer feks kontekstfrie grammatikker S NP VP NP ADJ N NP Det N VP VNP Syntaks

19 FORMELLE MODELLER Første ordens logikk Semantikk, pragmatikk Probabilistiske modeller utvidelser til probabilistiske versjoner, disambiguering Vektormodeller Leksikal IR semantikk,

20 HVA ER ET PROGRAM? På et abstrakt nivå er et program en sekvens med kommandoer, som gir output for en viss input. Eksempel 1: 1. Input: en tekstfil med hele Kristin Lavransdatter 2. Program: noe skjer (Input Output) 3. Output: alle bigram (sekvenser av to ord) med frekvenser Eksempel 2: 1. Input: Lønn-og trekksoppgave 2. Program: noe skjer (Input Output) 3. Output: Hvor mye skatt du må betale

21 ALGORITMER Et program er en algoritme, dvs en sekvens av kommandoer Eksempel på algoritme som skriver ut alle ord som ender på -er: 1. Les inn alle ord fra teksten 1.1 Lagre hvert ord 1.2 Tell hvert ord, dvs lagre (ord,antall)-par 2. Les gjennom den lagrede informasjonen 2.1 Skriv ut hvert ord og dets frekvens Men hvordan leser vi inn noe eller lagrer dem?

22 PROGRAMMERINGSSPRÅK Programmeringsspråk har mye til felles Lignende datastrukturer (lister, funksjoner, moduler,... ) Krever at du bruker en eksplisitt syntaks Kun veldefinerte funksjoner kan brukes Må følge visst format Ofte forskjeller i syntaks, men god programmeringsskikk overføres ofte, samme prinsipper

23 HVORFOR PYTHON? for line in open("file.txt"): for word in line.split(): if word.endswith( er ): print word 1. Whitespace 2. Objektorientert: hver variabel er en entitet som har visse definerte attributter og metoder Feks line strengobjekt med bl.a. metoden split 3. Metoder har argumenter (i parentes)

24 HVORFOR PYTHON? Enkelt, kraftig Meget god funksjonalitet for prosessering av lingvistiske data God strengbehandling Bra for korte skript og tekstprosessering Lesbart Objektorientert: lett å kapsle inn kode og bruke om igjen Brukes mye! Organisasjoner som Google, Pixar og NSA bruker Python

25 NLTK Natural Language Toolkit (NLTK): Open source Python modules, linguistic data and documentation for research and development in natural language processing and text analytics, with distributions for Windows, Mac OSX and Linux. ( Kommmer med klasser for datarepresentasjon, grensesnitt for oppgaver som ordklassetagging, parsing, tekstklassifisering Veldokumentert