Überwachtes Grammatikinduktionsverfahren unter Verwendung von Trainingsdaten mit begrenzten Konstituenteninformationen

Korpusbasierte Grammatikinduktion stützt sich im Allgemeinen auf manuell analysierte Trainingsdaten, um die Struktur der Sprache zu erlernen. Leider ist die Kosten für den Aufbau großer annotierter Korpora prohibitiv hoch. Diese Arbeit zielt darauf ab, die Induktionsstrategie zu verbessern, wenn es wenige Labels in den Trainingsdaten gibt. Wir zeigen, dass die informativsten linguistischen Konstituenten die höheren Knoten in den Parse-Bäumen sind, die typischerweise komplexe Nominalphrasen und satzliche Klauseln kennzeichnen. Sie machen nur 20 % aller Konstituenten aus. Um Grammatiken aus spärlich gekennzeichneten Trainingsdaten (z. B. nur höhere Konstituentenlabels) zu induzieren, schlagen wir eine Anpassungsstrategie vor, die Grammatiken erzeugt, die fast so gut parsen wie Grammatiken, die aus vollständig gekennzeichneten Korpora induziert wurden. Unsere Ergebnisse deuten darauf hin, dass ein partielle Parser, um menschliche Annotatoren zu ersetzen, in der Lage sein muss, automatisch höhere Konstituenten anstelle von Basisnominalphrasen zu extrahieren.