Вопросно ответная система позволяющая решать уравнения

Вопросно-ответные системы

Анатолий Никитин, Павел Райков

2. QA-система Start 4

2.1 Тернарные выражения. 5

2.6 Аннотации на естественном языке. 8

2.7 Заключение. 9

3. Статистические техники для анализа естественного языка. 10

3.2 Определение частей речи для слов в предложениях. 11

3.3 Создание деревьев разбора из предложений. 14

3.4 Создание собственных правил разбора на основе PCFG. Treebank grammars. “Markov grammars” 16

3.5 Лексические парсеры.. 16

3.6 Заключение. 18

1. Введение

В связи с бурным развитием информационных технологий и непрерывным увеличением объемов информации, доступной в глобальной сети Интернет, всё большую актуальность приобретают вопросы эффективного поиска и доступа к данным. Зачастую стандартный поиск с использованием ключевых слов не даёт желаемого результата, в связи с тем, что такой подход не учитывает языковые и смысловые взаимосвязи между словами запроса. Поэтому сейчас активно развиваются технологии обработки естественных языков (Natural Language Processing, NLP) и основанные на них вопросно-ответные системы (Question-Answering Systems, QAS).

Вопросно-ответная система – это информационная система, являющаяся гибридом поисковых, справочных и интеллектуальных систем, которая использует естественно-языковой интерфейс. На вход такой системе подаётся запрос, сформулированный на естественном языке, после чего он обрабатывается с использованием методов NLP, и генерируется естественно-языковой ответ. В качестве базового подхода к задаче поиска ответа на вопрос обычно применяется следующая схема: сначала система тем или иным образом (например, поиском по ключевым словам) отбирает документы, содержащие информацию, связанные с поставленным вопросом, затем фильтрует их, выделяя отдельные текстовые фрагменты, потенциально содержащие ответ, после чего из отобранных фрагментов генерирующий модуль синтезирует ответ на вопрос.

В качестве источника информации QA-система использует либо локальное хранилище, либо глобальную сеть, либо и то и другое одновременно. Несмотря на явные преимущества использования Интернета, такие как доступ к огромным, постоянно растущим информационным ресурсам, с этим подходом связана существенная проблема – информация в Интернете неструктурированна и для её корректного извлечения необходимо создание так называемых «оберток» (wrapper), то есть подпрограмм, которые обеспечивают унифицированный доступ к различным информационным ресурсам.

Современные QA-системы разделяют на общие (open-domain) и специализированные (closed-domain). Общие системы, то есть системы, ориентированные на обработку произвольных вопросов, имеют достаточно сложную архитектуру, но тем не менее на практике дают достаточно слабые результаты и невысокую точность ответов. Но, как правило, для таких систем более важным оказывается степень покрытия знаний, нежели точность ответов. В специализированных системах, отвечающих на вопросы, связанные с конкретной предметной областью, напротив, точность ответов зачастую оказывается критическим показателем (лучше вообще не дать ответа на вопрос, чем дать неправильный ответ).

1.1 Проблемы

В 2002 году группа исследователей написала план исследований в области вопросно-ответных систем. Предлагалось рассмотреть следующие вопросы:

Типы вопросов. Разные вопросы требуют разных методов поиска ответов. Поэтому нужно составить или улучшить методические списки типов возможных вопросов. Обработка вопросов. Одну и ту же информацию можно запросить разными способами. Требуется создать эффективные методы понимания и обработки семантики (смысла) предложения. Важно, чтобы программа распознавала эквивалентные по смыслу вопросы, независимо от используемых стиля, слов, синтаксических взаимосвязей и идиом. Хотелось бы, чтобы QA-система разделяла сложные вопросы на несколько простых, и правильно трактовала контекстно-зависимые фразы, возможно, уточняя их у пользователя в процессе диалога. Контекстные вопросы. Вопросы задаются в определенном контексте. Контекст может уточнить запрос, устранить двусмысленность или следить за ходом мыслей пользователя по серии вопросов. Источники знаний для QA-системы. Перед тем как отвечать на вопрос, неплохо было бы осведомиться о доступных базах текстов. Какие бы способы обработки текстов не применялись, мы не найдем правильного ответа, если его нет в базах. Выделение ответов. Правильное выполнение этой процедуры зависит от сложности вопроса, его типа, контекста, качества доступных текстов, метода поиска и др. — огромного числа факторов. Поэтому подходить к изучению методов обработки текста нужно со всей осторожностью, и эта проблема заслуживает особого внимания. Формулировка ответа. Ответ должен быть как можно более естественным. В некоторых случаях достаточно и простого выделения его из текста. К примеру, если требуется наименование (имя человека, название прибора, болезни), величина (денежный курс, длина, размер) или дата («Когда родился Иван Грозный?») — прямого ответа достаточно. Но иногда приходится иметь дело со сложными запросами, и здесь нужны особые алгоритмы слияния ответов из разных документов. Ответы на вопросы в реальном времени. Нужно сделать систему, которая бы находила ответы в хранилищах за несколько секунд, независимо от сложности и двусмысленности вопроса, размера и обширности документной базы. Многоязыковые запросы. Разработка систем для работы и поиска на других языках (в том числе автоматический перевод). Интерактивность. Зачастую информация, предлагаемая QA-системой в качестве ответа, неполна. Возможно, система неправильно определила тип вопроса или неправильно «поняла» его. В этом случае пользователь может захотеть не только переформулировать свой запрос, но и «объясниться» с программой с помощью диалога. Механизм рассуждений (вывода). Некоторые пользователи хотели бы получить ответ, выходящий за рамки доступных текстов. Для этого в QA-систему нужно добавить знания, общие для большинства областей, а также средства автоматического вывода новых знаний. Профили пользователей QA-систем. Сведения о пользователе, такие как область интересов, манера его речи и рассуждения, подразумеваемые по умолчанию факты, могли бы существенно увеличить производительность системы.

2. QA-система Start

QA-система Start является примером общей вопросно-ответной системы, отвечающей на произвольные запросы, сформулированные на английском языке. Она разрабатывается в MIT Artificial Intelligence Laboratory под руководством Boris Katz. В Интернете эта система впервые появилась в 1993 и сейчас она доступна по адресу http://start. csail. mit. edu. При поиске ответа на вопрос система использует как локальную базу знаний, так и ряд информационных ресурсов в сети Интернет.

Система умеет отвечать на различные виды вопросов, которые условно можно разделить на следующие категории:

— Вопросы об определениях (What is a fractal?)

— Фактографические вопросы (Who invented the telegraph?)

— Вопросы об отношениях (What country is bigger, Russia or USA?)

— Списковые запросы (Show me some poems by Alexander Pushkin)

Ядром системы является База Знаний. Существуют 2 модуля: Парсер и Генератор, которые умеют, соответственно, преобразовывать тексты на английском языке в специальную форму (T-выражения), в которой они сохраняются в Базе Знаний, и, наоборот, по набору T-выражений генерировать англоязычные тексты.

2.1 Тернарные выражения

Тернарное выражение (T-выражение) – это выражение вида . При этом в качестве объектов/субъектов одних T-выражений могут выступать другие T-выражения. Прилагательные, притяжательные местоимения, предлоги и другие части предложения используются для создания дополнительных T-выражений. Остальные атрибуты предложения (артикли, времена глаголов, наречия, вспомогательные глаголы, знаки препинания и т. д.) хранятся в специальной структуре History, связанной с T-выражением.

Например, предложение “Bill surprised Hillary with his answer” после прохождения через Парсер будет преобразовано в 2 тернарных выражения: with answer> и . Информация о времени глагола surprise будет сохранена в структуре History.

Пусть системе, в Базе Знаний которой находятся 2 описанных выше Т-выражения, был задан вопрос: “Whom did Bill surprise with his answer?”. Обработка вопроса будет происходить в следующем порядке:

1. Анализатор Вопросов преобразует вопрос к виду шаблона, обратив инверсию, которая используется при формулировке вопросов в английском языке: “Bill surprised whom with his answer?”.

2. Парсер переводит предложение в 2 T-выражения: with answer> и

3. Полученный шаблон сверяется с Т-выражениями, находящимися в Базе Знаний. Найдено совпадение при Whom = Hillary

4. Генератор преобразует Т-выражения with answer> и в предложение “Bill surprised Hillary with his answer” и выдаёт его в качестве ответа.

Аналогичным образом выполняется поиск ответов на вопросы вида “Did Bill surprise with his answer?”. Только в данном случае будет осуществляться поиск точного совпадения с выражениями в Базе, а не поиск по шаблону.

Таким образом, Т-выражения в некоторой степени сохраняют информацию о семантических связях между словами. В 2002 году были произведен ряд экспериментов с целью оценки эффективности организации поиска на основе Т-выражений по сравнению с поиском по ключевым словам. После обработки Парсером Энциклопедии с описаниями различных видов животных, системе был задан вопрос: “What do frogs eat?” («Что едят лягушки?»). Описанный выше метод поиска выдал 6 ответов, из которых 3 были правильными. Поиск на основе ключевых слов по исходным документам выдал 33 результата, среди которых были те же 3 правильных ответа, но, кроме того, встречались случайные совпадения слов frogs и eat (например, ответы на вопрос “Кто ест лягушек?”). Таким образом, поиск на основе T-выражений выдал в 10 раз меньше неверных ответов.

2.2 S-правила

Помимо T-выражений, в Базе Знаний также хранится перечень S-правил. Это правила перевода T-выражений в эквивалентные формы. Дело в том, что одну и ту же идею в естественном языке можно выразить различными способами. Например, предложения “Bill’s answer surprised Hillary” и “Bill surprised Hillary with his answer” эквивалентны. Но Т-выражения, получаемые при проходе этих предложений через Парсер различны: , и with answer>, . Поэтому вводится S-правило Surprise:

C помощью таких правил можно описать так называемые лингвистические вариации, то есть эквивалентные трансформации языковых конструкций:

— Морфологические (однокоренные слова)

— Синтаксические (инверсии, активный/пассивный залог, …)

Кроме того, S-правила могут описывать логические импликации. Например:

2.3 Лексикон

Многие S-правила применимы к группам слов. Например, описанное ранее S-правило Surprise выполняется не только для глагола surprise, но также для любого глагола из так называемой группы эмоционально-реакционных глаголов. Для того, чтобы не плодить S-правила был создан Лексикон, в котором хранятся все слова английского языка. С каждым словом связан перечень групп, к которым оно относится. Теперь S-правило Surprise можно сделать ещё более абстрактным:

Where ni € Nouns, v € emotional-reaction-verbs

2.4 WordNet

Кроме Лексикона, в котором хранятся сгруппированные по различным синтаксическим и семантическим признакам слова, система Start использует ещё один мощнейший инструмент обработки семантики слов – словарь WordNet. В качестве базовой единицы в этом словаре используется понятие синсета. Синсет – это некоторый смысл, значение. Различные слова могут иметь одно и то же значение (синонимы), поэтому относиться к одному синсету, и, наоборот, одно слово может иметь несколько значений, то есть принадлежать нескольким синсетам. Кроме того, в словаре WordNet введены отношения между синсетами. Например, между существительными существуют следующие отношения:

— Гиперонимы: Y – гипероним X, если X – разновидность Y (фрукт – гипероним персика)

— Гипонимы: Y – гипоним X, если Y – разновидность X (персик – гипоним фрукта)

— Равные по рангу: X и Y равны по рангу, если у них общий гипероним (персик и яблоко – равные по рангу)

— Меронимы: Y – мероним X, если Y – часть X (кожура – мероним персика)

Таким образом, в словаре WordNet описаны отношения между смыслами вида общее-частное и часть.

WordNet используется при поиске совпадений в Базе Знаний. Например, если в Базе хранится Т-выражение и в словаре WordNet определено, что canary – гипоним bird. Пусть был задан вопрос “Can canary fly?”. Парсер преобразует этот вопрос в выражение . Не найдя совпадений в Базе, Start применит WordNet и попробует найти ответ на более общий вопрос: “Can bird fly?”. На этот вопрос будет найден ответ Yes, из чего, учитывая, что canary – разновидность bird Start сделает вывод о том, что “canary can fly”.

2.5 Omnibase

Для поиска ответов на фактографические вопросы типа “When did Beethoven die?” или “What is the capital of England?” Start использует базу Omnibase. В этой базе используется иная модель хранения информации: «объект-свойство-значение». Например информация “Federico Fellini is a director of La Strada” сохранится в базе Omnibase в виде La Strada – director – Federico Fellini. Здесь La Strada – объект, director – свойство, а Federico Fellini – значение этого свойства. При такой модели данных поиск необходимой информации происходит достаточно быстро и эффективно.

Для поиска информации Omnibase использует большое количество внешних источников данных из сети Интернет: Wikipedia, Google, Internet Movie Database и т. д. При этом извлечение данных из внешнего источника происходит через так называемую обертку (wrapper) – модуль, обеспечивающий доступ к внешней базе через запросы вида «объект-свойство». Для определения источника, в котором хранится информация о том или ином объекте, Omnibase использует Каталог Объектов, в котором каждому объекту сопоставлен источник данных. Например, объекту La Strada соответствует база imdb-movie (Internat Movie Database). Определив базу, в которой следует искать, Omnibase посылает запрос к обертке этой базы: (La Strada, director) и получает ответ Frederico Fellini.

2.6 Аннотации на естественном языке

Проблема машинного анализа естественной речи очень сложна. Поэтому разработчики вопросно-ответных систем предлагают решать эту проблему с двух сторон: с одной стороны, улучшать методы обработки естественных языков, обучая компьютер «понимать» язык, но, с другой стороны, постараться сделать текст боле понятным компьютерам. А именно, предлагается к информационным ресурсам составлять аннотации на естественных языках.

В таком случае возможно эффективно организовать поиск не только текстовой, но и различной мультимедиа информации: изображений, видео — и аудиозаписей. В системе Start аннотации используются следующим образом: при добавлении информации в Базу Знаний Парсер обрабатывает лишь её аннотацию, и к сгенерированным Т-выражениям прикрепляет ссылку на исходный ресурс.

Внедрение аннотаций происходит через RDF-описания (Resource Description Framework), которые прикрепляются к каждому ресурсу. Язык RDF основан на формате XML. Описание этого языка достаточно объемно, поэтому мы лишь ограничимся примером RDF-описания некоторой базы, в которой хранится географическая информация. К этой базе прикрепляются параметризованные аннотации «Many people live in ?s« и «population of ?s«, и шаблон ответа: «The population of ?s is ?o«, где ?o обозначает обращение к базе и извлечение свойства population у объекта ?s. При обработке такой аннотации Парсер сохранит 2 шаблона вопроса и ссылку на шаблон ответ. Если при выполнении запроса пользователя Start найдёт совпадение в Базе Знаний с шаблоном вопроса, то произойдёт обращение к внешнему ресурсу, из которого была взята аннотация, и будет сгенерирован соответствующий ответ.

Кроме того, используя параметризованные аннотации можно описывать схему поиска ответа на целый класс вопросов. Например, вопросы вида “What is the country in Africa with the largest area?” или “What country in Europe has the lowest infant mortality rate?” попадают под один шаблон: “What country in $region has the largest $attribute”. Далее, в аннотации описывается общий алгоритм поиска ответа на подобные вопросы.

Некоторые вопросы являются композицией нескольких вопросов. Например, для ответа на вопрос “Is Canada’s coastline longer than Russia’s coastline?” необходимо, во-первых, вычислить длину береговой линии Канады и России, а во-вторых, сравнить полученные значения и сгенерировать ответ. Поэтому для такого рода вопросов можно описать план поиска ответа, в котором будут задаваться вспомогательные вопросы.

2.7 Заключение

Вопросно-ответная система Start использует дифференцированный подход к поиску ответов в зависимости от вида вопроса. Это даёт относительно хороший результат для большого числа общих вопросов.

Используемые в качестве основы База Знаний и тернарные выражения являются удачной моделью представления информации, которая, с одной стороны, в некоторой степени сохраняет семантические связи между словами, а с другой стороны, является достаточно простой для эффективной реализации поиска и редактирования Базы.

С помощью аннотаций можно организовать программный доступ к информационным ресурсам Интернет с использованием универсального естественно-языкового интерфейса. А использование дополнительных структур, таких как Omnibase, позволяет повысить эффективность поиска ответов на некоторые специфические виды вопросов.

И, наконец, различные словари и лингвистические модули в некоторой степени моделировать семантические особенности естественного языка и обрабатывать более сложные запросы. Задача составления таких словарей, равно как и другие проблемы, связанные с разработкой вопросно-ответных систем, неизбежно требует привлечения как специалистов не только в области computer science, но и лингвистов и филологов.

3. Статистические техники для анализа естественного языка

3.1 Введение

Рассмотрим процесс анализа предложений. Нашей задачей будет составление для каждого предложения дерева разбора. Ввиду относительной сложности русского языка и отсутствия для него литературы и научных работ по данному предмету, далее будут рассмотрены примеры из английского языка. Ниже приведён пример такого разбора.

Рис.1 Дерево разбора для фразы “The dog ate”

На рис.1 вершины (det, noun, np и т. д.) представляют собой логические объединения частей предложения. Например, np – noun phrase, значит, что этот узел дерева отвечает за часть предложения имеющую смысл существительного. Заметим, что для любой, даже такой простой фразы может существовать несколько деревьев разбора, которые будут отличаться тем, что одной и той же фразе будут придавать различный смысл. Например, можно сказать: “I ate meat with dogs”. Из такого предложения можно получить 2 совершенно разных дерева разбора. В одном получиться, что я ел мясо вместе с собаками, а в другом, что я ел какое-то мясо разбавленное собачьими внутренностями. Самое удивительное, что такие “замечательные” примеры повсеместно встречаются в английской литературе, так что придётся довольствоваться ими. Чтобы избежать подобных нелепостей, следует использовать отдельный синтаксический анализатор, который, в меру своих сил, будет помогать нашему парсеру. В данной работе мы будем строить парсер, который сам по себе будет учитывать синтаксические связи при построении дерева разбора.

3.2 Определение частей речи для слов в предложениях

На английском языке задача данной части звучит как Part-Of-Speech tagging и является одной из многочисленных подзадач такого раздела современной науки как NLP (Natural Language Processing). Вообще, NLP ставит своей целью возможность понимания компьютером текстов на естественном языке. Эти задачи сейчас широко встречаются и их эффективные решения сильно востребованы. Было бы, конечно, замечательно, если бы программа, “прочитав” учебник по физике, самостоятельно отвечала на вопросы типа: “Что является причиной нагревания полупроводника в таком-то опыте?”. Здесь сразу же видна и очередная трудность – даже прочитав учебник, программа должна ещё понимать вопросы пользователя, а ещё, желательно, уметь генерировать свои вопросы (мечта некоторых ленивых преподавателей).

Вернёмся к уже поставленному вопросу: “Как определить часть речи для слова в предложении?”.

Рис.2 Возможные варианты частей речи для каждого из слов в предложении

“The can will rust”

Под каждым словом написаны те части речи, которым оно может являться. Данную информацию можно получить, использую WordNet – сайт, посвящённый английским словам. Здесь для каждого слова имеются несколько статистических данных, в том числе какими частями речи оно может быть, набор его синонимов, антонимов и т. д. Так как мы рассматриваем статистический подход, то для каждого слова мы рассмотрим вероятность того, что оно будет существительным, прилагательным и т. д. Построить такую таблицу вероятностей мы сможем на основе тестовых текстов, которые уже вручную проанализированы. На рис.2 жирным шрифтом выделены те части речи, которые определяются у слов при таком подходе. Сразу же видна и одна из возможных проблем – хоть “can” в большинстве случаев и является модальным глаголом, но иногда он может быть и существительным. Получается, что данный способ будет всегда рассматривать “can” как модальный глагол. Несмотря на свою простоту и очевидные минусы, данный способ показывает хорошие результаты и, в среднем, распознаёт правильно 90% слов. Формализуя полученные результаты, напишем произведение, которое надо максимизировать в ходе данного алгоритма:

Здесь введены следующие обозначения:

t – таг (det, noun, …) w – слово в тексте (can, will…) p(t | w) – вероятность того, что таг t соответствует слову w

Учитывая недостатки предыдущей модели, была создана новая, принимающая во внимание такой факт, что, например, по статистике, после прилагательного идёт другое прилагательное или существительное. Стоит отметить, что эта, как и все остальные статистики получены из какого-то примера, а случай, когда начальной статистики нет, рассматриваться не будет. На основе данного предложения была выведена следующая формула:

p(w | t) – вероятность того, что слово w соответствует тагу t p(t1 | t2) – вероятность того, что t1 идёт после t2

Как видно из предложенной формулы, мы пытаемся подобрать таги так, чтобы слово подходило тагу, и таг подходил предыдущему тагу. Данный метод показывает лучшие результаты, чем предыдущий, что вполне естественно, так, например, он распознает “can”, как существительное, а не как модальный глагол.

Построенная модель для вычисления вероятности того, что набор тагов будет соответствовать предложению, как оказалось, может быть интерпретирована как “скрытая модель Маркова“ (Hidden Markov Model).

Получаем что-то наподобие конечного автомата. Теперь опишем, как его получить. Вершины – части речи. Пара (слово, вероятность) в вершине показывает, какая вероятность того, что слово, отнесённое к данной части речи будет именно этим, например, для вершины “det” и слова “a” это будет вероятность того, что взятый наобум артикль из тестового текста будет “а”. Переходы показывают, с какой вероятностью после одной части речи будет следовать другая. Например, вероятность того, что подряд будут идти 2 артикля, при условии, что встретился артикль, будет равняться 0.0016.

Наша же задача будет состоять в том, чтобы найти путь в такой модели, так чтобы произведение чисел на рёбрах и в вершинах было бы максимальным. Решение такой задачи существует, но мы не будем останавливаться на нём, так как данный вопрос выходит за рамки этой работы. Скажем лишь, что существуют алгоритмы, решающие эту задачу за линейное по количеству вершин время. Добавим, что по существующей классификации мы получили “канонический статический расстановщик тагов” (canonical statistical tagger).

Рассмотрим теперь другой подход к определению тагов. Он называется трансформационная схема (transformational scheme). Она заключается в том, что, работая над тестовыми предложениями, сначала применяется тривиальный алгоритм, а затем система рассматривает все правила вида: “Поменять у слова таг X на таг Y, если таг предыдущего слова – Z”. Всего таких правил будет количество тэгов в кубе, что сравнительно мало. Поэтому на каждом шаге пытаемся применить такое правило, и, если после этого количество правильно определённых частей речи возрастёт, то правило станет кандидатом на звание лучшего правила на первом шаге. Далее выбирается лучшее правило и записывается в список “хороших” правил. Так делаем сколько-то раз. Получаем N правил, которые “хорошо” улучшают вероятность системы тагов для предложений из тестовой системы. Далее при самом разборе произвольного предложения, после применения тривиального алгоритма, используем уже заготовленные правила. Для данного алгоритма можно отметить один из его основных плюсов – скорость. Она равняется 11,000 слов/сек., тогда как алгоритм, использующий HMM, имеет 1,200 слов/сек.

В заключение хотелось бы добавить, что пока мы предполагали наличие объёмной начальной базы. Если же такой нет, то тренировка HMM не приводит к существенным улучшениям (эффективность составляет 90%). В то время как TS (transformational scheme) позволяет достичь 97%. Напомним, что эффективность мерится, как количество правильно определённых тагов на тестовых текстах.

3.3 Создание деревьев разбора из предложений

Рис.4 Разбор предложения “The stranger ate doughnut with a fork.”

Задачей данного раздела будет построение деревьев разбора аналогичных приведённому на рис. 4. Сразу отметим, что в Интернете существует богатая коллекция уже созданных деревьев для соответствующих предложений из начальной базы. Об этой системе можно узнать подробнее, посетив сайт [3]. Сразу оговорим вопрос проверки парсеров. Мы просто подаём им на вход предложения из [3] и проверяем полученные деревья на совпадения. Это можно сделать несколькими способами, но в данной работе мы воспользуемся одним из уже предложенных в [6]. На пространстве деревьев мы введём две метрики: точность (precision) и память (recall). Точность будет определяться, как количество правильно определённых нетерминальных вершин, делённое на их общее количество. Память будет равняться количеству правильно найденных вершин, делённое на количество нетерминалов того же предложения в базе [3]. В [6] утверждается, что, если применить самый простой подход к построению дерева, то сразу получится эффективность по обеим метрикам 75%. Однако, современные парсеры могут достигать эффективности 87-88% (везде и далее, если не будет специально указано, эффективность будет иметься в виду по обеим метрикам).

Разобьём нашу задачу на 3 главных этапа:

Нахождение правил для применения Назначение вероятностей правилам Нахождение наиболее вероятного правила

Один из простейших механизмов, позволяющих решить данную задачу, есть “Вероятностные контекстно-свободные грамматики” (PCFG). Рассмотрим пример такой грамматики, который позволит легче разобраться в этом понятии:

sp → np vp (1.0) vp → verb np (0.8) vp → verb np np (0.2) np → det noun (0.5) np → noun (0.3) np → det noun noun (0.15) np → np np (0.05)

Здесь написаны правила для разбора соответствующих вершин, при этом для каждого правила существует вероятность его применения. Таким образом, мы можем посчитать вероятность соответствия дерева “π” своему предложению “s”:

s – начальное предложение π – полученное нами дерево с – пробегает внутренние вершины дерева r(c) – вероятность применения r для с

Мы не будем приводить точных алгоритмов, скажем лишь, что перебор всех деревьев разбора длины N, используя PCFG, займёт N в кубе времени. К сожалению, можно отметить, что PCFG сами по себе не выводят “хороших” статистических парсеров, поэтому они и не получают большое распространение.

3.4 Создание собственных правил разбора на основе PCFG. Treebank grammars. “Markov grammars”

Рассмотрим основные задачи, которые требуется решить для того, чтобы разобрать предложение:

Построение своей грамматики в форме PCFG (желательно бы было, чтобы наше предложение имело бы хотя бы один вывод в этой грамматике). Парсер, который бы применял заданные правила к предложению и получал какие-нибудь или все возможные деревья разбора. Возможность находить оптимальные деревья для уравнения (1).

Обзор последних 2 проблем был дан в предыдущей части, поэтому сейчас остановимся

на первом пункте. Сначала предложим простой вариант его решения. Допустим, у нас уже есть готовая коллекция деревьев разбора. Тогда, обрабатывая каждое из таких деревьев, мы просто из каждой нетерминальной вершины сделаем правило, исходя из того, как она раскрыта в конкретном дереве. После этого, если такое правило уже есть, то увеличиваем его статистический параметр на 1, а если его нет, тогда добавляем в нашу грамматику новое правило с этим параметром равным 1. После обработки всех тестовых деревьев, произведём нормирование, чтобы вероятность применения каждого правила была ≤ 1. Эффективность таких моделей составляет 75% [6]. Такие модели и получили название “Treebank grammars”.

Теперь немного поговорим о подходе, который позволяет изобретать новые правила “на лету”. Для этого на основе тестовых деревьев мы построим статистику для следующей величины – p(t1 | f, t2). Она означает вероятность того, что таг “t1” встретится после тага “t2” при раскрытии формы “f”. Например, p(adj | np, det) означает, вероятность того, что после прилагательного будет стоять артикль, при условии, что мы раскрываем “фраза существительное” (вольный перевод np) и встретили артикль. На основе этого для вероятности правильного применения любого правила к какой-то вершине можно составить формулу:

3.5 Лексические парсеры

Главной идеей данной части будет изменение структуры дерева для того, чтобы улучшить эффективность нашей модели. Теперь мы не просто будем строить дерево разбора, как было представлено выше, а будем дополнительно каждой вершине приписывать слово, которое будет лучше всего характеризовать её, как лексическую единицу. Для вершины “c” такую строчку обозначим, как head(c). Head(c) будет определяться, как применение некой функции к детям “c” и правилу, по которому была “раскрыта” “c”. В общем, получается, что при построении этого head мы учитываем, что некоторые слова встречаются часто друг с другом, поэтому, имея такую статистику, мы сможем улучшить вероятность правдивости разбора для некоторых предложений. Например, в предложении “the August merchandise trade deficit” подряд идут 4 существительных, следовательно, если использовать предыдущие модели, мы получим очень малую вероятность для корректного разбора этого предложения. Но факт того, что “deficit” является главной частью этой “np” и того, что в тестовых текстах нам встречались выражения, в которых одновременно были “deficit” и остальные слова, поможет нам правильно составить дерево разбора. Теперь формализуем сказанное выше с помощью формулы:

p(r | h) – вероятность того, что будет применено правило r для узла с заданным h. p(h | m, t) – вероятность того, что такой h является ребёнком вершины с head = m и тагом t.

Приведём таблицу, из которой должен стать понятней вид формулы, приведённой выше.

Вопросно ответная система позволяющая решать уравнения

Вопрос по информатике:

Слово из 12 букв:
Вопросно-ответная система, позволяющая решать даже дифференциальные уравнения.

Трудности с пониманием предмета? Готовишься к экзаменам, ОГЭ или ЕГЭ?

Воспользуйся формой подбора репетитора и занимайся онлайн. Пробный урок — бесплатно!

Ответы и объяснения 1

Знаете ответ? Поделитесь им!

Как написать хороший ответ?

Чтобы добавить хороший ответ необходимо:

• Отвечать достоверно на те вопросы, на которые знаете правильный ответ;
• Писать подробно, чтобы ответ был исчерпывающий и не побуждал на дополнительные вопросы к нему;
• Писать без грамматических, орфографических и пунктуационных ошибок.

Этого делать не стоит:

• Копировать ответы со сторонних ресурсов. Хорошо ценятся уникальные и личные объяснения;
• Отвечать не по сути: «Подумай сам(а)», «Легкотня», «Не знаю» и так далее;
• Использовать мат — это неуважительно по отношению к пользователям;
• Писать в ВЕРХНЕМ РЕГИСТРЕ.

Есть сомнения?

Не нашли подходящего ответа на вопрос или ответ отсутствует? Воспользуйтесь поиском по сайту, чтобы найти все ответы на похожие вопросы в разделе Информатика.

Трудности с домашними заданиями? Не стесняйтесь попросить о помощи — смело задавайте вопросы!

Информатика — наука о методах и процессах сбора, хранения, обработки, передачи, анализа и оценки информации с применением компьютерных технологий, обеспечивающих возможность её использования для принятия решений.

Проблема многоязычности Question Answering over Knowledge Graphs и новый датасет QALD-9-Plus, способный её решить

Для разнородных групп пользователей (прим. язык, возраст), возможность одинаково эффективно взаимодействовать с веб-приложениями является одним из важнейших факторов такого понятия как «доступность» (англ. Accessibility). Это относится и к системам автоматического ответа на вопросы с использованием графов знаний (англ. Knowledge Graph Question Answering, KGQA), которые обеспечивают доступ к данным Семантического Веба (англ. The Semantic Web) через интерфейс на естественном языке. В ходе работы над такой темой, как многоязычная доступность KGQA-систем, мы с коллегами выявили несколько наиболее острых проблем. Одной из которых является отсутствие многоязычных бенчмарков для KGQA.

В этой статье мы улучшаем один из самых популярных бенчмарков для KGQA — QALD-9, путем создания эталонных переводов вопросов из исходного датасета на 8 различных языков (немецкий, французский, русский, украинский, белорусский, армянский, башкирский, литовский). Одним из самых важных аспектов является то, что переводы были предоставленны и провалидированы носителями соответствующего языка. Пять из этих языков — армянский, украинский, литовский, башкирский и белорусский — насколько нам известно, никогда ранее не рассматривались в рамках KGQA-систем. А два языка (башкирский и белорусский) рассматриваются ЮНЕСКО как «находящиеся под угрозой исчезновения». Мы назвали новый расширенный датасет «QALD-9-plus». Датасет доступен онлайн: https://github.com/Perevalov/qald_9_plus

Вопросно-ответные системы на основе графов знаний (KGQA)

KGQA-системы конвертируют вопрос на естественном языке в запрос к графу знаний (англ. Knowledge Graph), тем самым позволяя их пользователю иметь доступ к «знаниям» без необходимости изучения языка запросов (например SPARQL). Это и есть главное отличие KGQA-систем от Text-based QA-систем (так же называемых в литературе, как MRC, ODQA, IR-based), работающих на основе неструктурированных данных.

Вопросно-ответные системы на основе графов знаний — пример вопроса и запроса. Справа представлены наиболее известные графы знаний

Графы знаний зачастую создаются на основе Фреймворка Описания Ресурсов (англ. Resource Description Framework (RDF)), который представляет собой «модель данных для метаданных». Данные в RDF представлены как триплеты вида «субъект-предикат-объект», например, Иван-Является_Другом-Мария , именно поэтому их и удобно визуализировать в виде графа. Известная schema.org является «надстройкой» над RDF и используется многими веб-сайтами для разметки своего контента (де-факто, для улучшения поисковой выдачи). Такое структурирование всемирной паутины является фундаментом ранее упомянутого Семантического Веба, где все ресурсы структурированы и связаны друг с другом. Таким образом, KGQA-системы являются нашими проводниками в мир структурированной информации по всей «Всемирной Паутине».

Пример графа знаний. Оригинал: https://www.w3.org/TR/rdf11-primer/

Проблема многоязычности вопросно-ответных систем

Кажущаяся нам естественность доступности информации посредством Гугла совсем не является таковой для носителей тех языков, которыми владеют не сотни миллионов человек (напр. Русский), а единицы миллионов (напр. Белорусский) или даже меньше (напр. Башкирский). Естественно, что большинство людей, говорящих на Белорусском или Башкирском владеют и Русским языком, который открывает возможности доступа к второму по размеру сегменту Веба. Но это не работает для всех языков и, как обычно, всё относительно. Люди владеющие русским языком имеет доступ к пониманию лишь 6.9% контента Всемирной Паутины, тогда как англоязычные пользователи к 63.6% контента (https://w3techs.com/technologies/overview/content_language). В этой связи, был введён термин «Цифровой языковой барьер» (англ. Digital language divide), суть которого заключается в том, что языки, которыми владеет пользователь Веба напрямую влияют на его пользовательский опыт.

Мы провели небольшой эксперимент по тому, как Гугл работает с «большими» и «малыми» языками на примере английского, немецкого, белорусского и башкирского языков. Был задан один простой вопрос «Сколько лет Дональду Трампу?» на каждом из языков соответственно. Ответ, как говорится, убил! На иллюстрации ниже видно, как Гугл успешно ответил на вопрос, заданный на английском и немецком, и как зафейлился на белорусском и башкирском языках — это ли не показатель проблемы? Стоит заметить, что при успешном ответе, Гугл представляет ответ в структурированном виде, это и есть тот самый Google Knowledge Graph, которому к тому же помогает разметка schema.org.

Иллюстрация работы Гугла с английски, немецким, белорусским и башкирским языками

Как другие справляются с этой проблемой?

Существует заблуждение, что с появлением unsupervised, weakly-supervised, и semi-supervised методов (напр. word2vec или BERT), проблема многоязычности оказалась решена (т.к. нет потребности в большом количестве размеченных данных). Однако, это не так. Если языковую модель можно оценить без использования размеченных данных, то вот более комплексные системы уже не получится (напр. KGQA). Поэтому, проблема наличия структурированных эталонных данных (бенчмарков) на нескольких языках всё ещё является насущной.

Question Answering over Knowledge Graphs до сих пор является довольно специфичной сферой прикладной науки, поэтому и работ, публикуемых на данную тематику не так много. На момент написания статьи существовало всего лишь 3 многоязычных бенчмарка для KGQA. Это QALD, RuBQ, и CWQ (см. иллюстрацию ниже).

Существующие многоязычные KGQA бенчмарки

Все вышеперечисленные наборы данных не идеальны. Например QALD-9, хоть и имеет в себе 10 языков, однако, качество перевода, мягко говоря, оставляет желать лучшего. RuBQ 2.0 и CWQ для получения переводов использовали автоматический (машинный) перевод, что является некоторым ограничением.

Что мы сделали? Датасет QALD-9-Plus

Для того, чтобы улучшить ситуацию с многоязычностью, мы решили полностью обновить датасет QALD-9, оставив в нём только вопросы на английском языке и привлекли к данной работе краудсорсинговые платформы (Amazon Mechanical Turk, Яндекс Толока). Также, в процессе перевода были задействованы добровольцы из сообщества Open Data Science.

Задача состояла из 2-х этапов: (1) носитель языка переводит с английского на свой родной, и (2) другой носитель языка проверяет варианты перевода. Оба этапа проводились независимо друг от друга.

Пример процесса перевода и валидации. Каждый вопрос был переведён как минимум 2 раза.

По итогам работы мы получили переводы на 8 различных языков: русский, украинский, литовский, белорусский, башкирский, армянский, немецкий и французский. 5 из этих языков до текущего момента никогда не были представлены в области KGQA (украинский, литовский, белорусский, башкирский, армянский), а 2 языка (белорусский, башкирский) и вовсе рассматриваются ЮНЕСКО как «находящиеся под угрозой исчезновения».

Помимо переводов, мы также улучшили применяемость нашего бенчмарка. Оригинальный QALD-9 позволял оценивать системы работающие только на основе графа знаний DBpedia. В нашей работе над QALD-9-Plus, мы приняли решение перенести бенчмарк на ещё один граф знаний — Wikidata. Это оказалось довольно таки трудным занятием, поскольку автоматических конвертеров SPARQL запросов между различными графами знаний ещё не существует, поэтому пришлось выполнять задачу руками. Удивительно, какие порой разные запросы получаются на DBpedia и Wikidata ввиду различных моделей данных (см. код внизу).

Итоговые характеристики бенчмарка QALD-9-Plus, а также пример его структуры представлены в виде таблицы и фрагмента кода ниже.

Бенчмарк QALD-9-Plus и его характеристики

Вместо заключения

Я буду очень рад, если вы дочитали до сюда! Именно в конце данной статьи я бы хотел поделиться полезными ссылками связанными с данной работой, а именно: