elaborazione del linguaggio naturale automi & morfologia maria teresa pazienza
TRANSCRIPT
Elaborazione del linguaggio naturaleautomi & morfologia
Maria Teresa PAZIENZA
Programma generale
Breve introduzione all’NLP Linguaggi Naturali e Linguaggi Formali Complessità
Morfologia Teoria: Morfologia del Linguaggio Naturale Strumenti: Automi e Trasduttori Analisi Morfologica: con automi e trasduttori
Part of Speech Tagging Teoria: Le classi morfologiche Strumenti a Analisi: modelli a regole e statistici
Sintassi Teoria: Sintassi del Linguaggio Naturale Strumenti: CFG Analisi Sintattica: parsing top-down, bottom-up, Early
Semantica Lexical Semantics Sentence Semantics
Obiettivi dell’NLP
L’ Elaborazione del Linguaggio Naturale (Natural Language Processing, NLP) ha come obiettivo principale:
la costruzione di modelli e di strumenti informatici in grado di eseguire specifici task riguardanti il Linguaggio Naturale, quali:
Permettere la comunicazione uomo – macchina
Migliorare la comunicazione uomo – uomo
Elaborare e manipolare oggetti linguistici a qualunque livello di granularità
Intro
Sempre maggiore quantità di conoscenza condivisa in testi in Linguaggio Naturale machine readable (ES: sul Web)
Necessità di un’interazione più diretta uomo-macchina (ES: agenti intelligenti)
PERCHE’ E’ IMPORTANTE L’ NLP ?
Cosa serve ?
CONOSCENZA LINGUISTICA: tutta la conoscenza che ha a che vedere con il linguaggio (conoscenza relativa a ciò che significhi essere una parola):
Cos’è una parola?
Quali sono le regole per costruire una frase?
Qual è il significato di un sintagma?
MODELLI (teorie): i modelli linguistici hanno lo scopo di catturare la conoscenza linguistica e rappresentarla in una forma comprensibile per il computer
ALGORITMI: strumenti per manipolare i modelli e le strutture linguistiche necessarie per l’analisi e la comprensione del linguaggio (algoritmi per la gestione di grafi) Intro
Cosa serve? Modelli
Intro
MODELLI PROCEDURALI: Automi a Stati Finiti Trasduttori a Stati Finiti Markov Models … …
MODELLI DICHIARATIVI: Grammatiche regolari Context Free Grammar … …
MODELLI LOGICI: Calcolo dei Predicati Logica del Primo Ordine … …
Solitamente un modello procedurale ha una sua controparte in un modello dichiarativo (ad es. automi – grammatiche regolari)
Un modello può essere più o meno complesso da un punto di vista computazionale (ad es. le Context Free Grammar sono più complesse di quelle Regolari)
Nei diversi modelli possono generalmente essere integrati elementi di probabilità (modelli probabilistici)
Cosa devono fare i modelli ? Che analisi devono portare a termine ?
Livelli di analisi del Linguaggio Naturale
FONETICA: studio dei suoni linguistici
MORFOLOGIA: studio delle componenti significative di una parola
SINTASSI: studio delle strutture relazionali tra le parole
SEMANTICA: studio del significato
PRAGMATICA: studio di come il linguaggio è usato per raggiungere obiettivi
ANALISI DEL DISCORSO: studio di unità linguistiche complesse
Intro
I sistemi di NLP possono operare a diversi livelli di analisi, ognuno dei quali richiede una specifica conoscenza linguistica .
Una architettura per L’NLP può portare a termine uno o più livelli di analisi, generalmente in cascata
Livelli di analisi: un esempio
Intro
David : - Apri la saracinesca esterna, Hal.
Hal : - Mi dispiace David, purtroppo non posso farlo.
FONETICA: Hal deve essere in grado di analizzare il segnale audio e ricostruire la giusta sequenza delle parole
MORFOLOGIA: Hal deve saper rispondere con la giusta flessione: ad esempio posso e non puoi
SINTASSI: Hal deve sapere che la saracinesca esterna è un sintagma nominale complemento oggetto di apri, e che la frase di David è corretta
SEMANTICA: Hal deve sapere cos’è una saracinesca, e cose vuol dire aprire qualcosa (in generale ed aprire una saracinesca in particolare)
PRAGMATICA: Hal deve saper rispondere cortesemente a David
ANALISI DEL DISCORSO: Hal risponde farlo riferendosi a una frase del discorso precedente, quindi domina un segmento maggiore della frase
Linguaggio Naturale e Linguaggi Formali
Intro
Cos’è il Linguaggio Naturale ? Strumento di comunicazione tra persone;
Fatti, idee e conoscenze (sul mondo esterno ed interiore) Emozioni Ordini
E’ ambiguo! (“La vecchia porta la sbarra”)
Cos’è un Linguaggio Formale ?
Dato un insieme di simboli detto alfabeto, un linguaggio formale è un sottoinsieme di tutte le possibili concatenazioni dei simboli:
L *
Un linguaggio formale non è ambiguo (una concatenazione di simboli ha una interpretazione univoca) ed esprime le sue regole in maniera canonica
Un elaboratore può riconoscere e generare solo Linguaggi Formali, attraverso l’utilizzo di modelli e algoritmi
Linguaggi Formali
Intro
Modello procedurale: automi, regole formali …
Modello dichiarativo: grammatiche
ESEMPIO
={a,b} *={a,b,aa,ab,ba,bb,aa,baba,baaab,….}
L={ba,baa,baaa,baaaa,….}
Come definire il linguaggio L senza enumerare tutte le stringhe?
Linguaggi Formali e grammatiche
Intro
Una grammatica può essere informalmente intesa come un insieme di regole per interpretare/generare un linguaggio formale
iniziando da un simbolo iniziale
applicando regole che indichino come rimpiazzare alcune sequenze di simboli con altre combinazioni di simboli (derivazioni)
ESEMPIO
L={ba,baa,baaa,baaaa,…….}
S Aa
A b
A Aa
Linguaggi Formali e grammatiche
Intro
Una grammatica può essere informalmente intesa come un insieme di regole per interpretare/generare un linguaggio formale
iniziando da un simbolo iniziale
applicando regole che indichino come rimpiazzare alcune sequenze di simboli con altre combinazioni di simboli (derivazioni)
Formalmente:
Una grammatica è una quadrupla (N, ,S, P) dove:– N è l’alfabeto dei simboli non-terminali è l’alfabeto dei simboli terminali– S è elemento di N detto simbolo iniziale– P è un insieme finito di produzioni, ovvero:
• se V è definito come N Σ , allora le produzioni di P hanno la forma , dove V+ V*
Linguaggi Formali e grammatiche
Intro
Un linguaggio formale è un insieme di stringhe
Un linguaggio formale non è un linguaggio naturale, ma può essere usato per modellare parte di un linguaggio naturale
Un linguaggio formale può essere più o meno complesso, ed essere quindi computazionalmente più o meno esigente.
Linguaggi Formali: complessità
Intro
La gerarchia di Chomsky è un tentativo di ordinare le grammatiche che generano i linguaggi in base alla loro complessità
GERARCHIA DI CHOMSKYType 0 Grammars - Unrestricted , ||1 and ||1.Type 1 Grammars - Context-Sensitive , ||1 and ||1 and ||||Type 2 Grammars - Context-Free , || = 1 and ||1Type 3 Grammars - Regular• left-linear regular grammar: (or
)• right-linear regular grammar: (or
)
COMPLESSITA’
-
+
POTERE
GENERATIVO
-
+
Linguaggi Formali: complessità
Intro
Le grammatiche sono modelli dichiarativi
I corrispondenti modelli procedurali sono:
• Type 0 Grammars - UnrestrictedTuring Machine
• Type 1 Grammars - Context-Sensitive
Turing Machine• Type 2 Grammars - Context-Free
Push-down automaton• Type 3 Grammars - Regular
Finite State Automaton (FSA)
Linguaggi Formali: complessità
Intro
DOMANDA:
Il Linguaggio Naturale può essere rappresentato attraverso un Linguaggio Formale ?
Se si, un Linguaggio Formale di quale complessità ?
Quanto è complesso il Linguaggio Naturale ?
Linguaggi Formali e Linguaggio Naturale
Intro
ITALIANO
In generale, sembrerebbe “catturabile” da una Grammatica Regolare (Tipo 3)
ECCEZIONE: costrutti “center-embedded”. Ad esempio:
… dipende da quale linguaggio naturale ….
un livello alto nella gerarchia vuol dire che il linguaggio naturale è strutturalmente complesso (Tipo 0)
“Moggi, Giraudo e Bettega erano rispettivamente DG, amministratore
delegato e vicepresidente della Juventus”ha struttura an bn
Sembrerebbe quindi un linguaggio più complesso, ovvero Context-Free (Tipo 2)
E’ più complesso? No, perché sembra non avere costrutti del tipo anbncn
Linguaggi Formali e Linguaggio Naturale
Intro
Inglese: Context-Free Tipo 2
Olandese: Context-Sensitive Tipo 1 (Huybregt,1976)
L’italiano è quindi un linguaggio mediamente complesso (Tipo 2)
E gli altri linguaggi naturali ?
presenta costrutti “cross-serial”. Ad esempio:
“dat Jan Marie Pieter Arabisch laat zien schrijven”(*THAT JAN MARIE PIETER ARABIC LET SEE WRITE)
‘that Jan let Marie see Pieter write Arabic’
Linguaggi Formali e Linguaggio Naturale
Intro
La sintassi italiana e quella inglese sembrano essere Context-Free
La morfologia, invece, sembra essere ancora più semplice: può essere infatti rappresentata da grammatiche Regolari
QUINDI, NEL CORSO VEDREMO:
MORFOLOGIA Automi a Stati Finiti (FSA) Tipo 3
SINTASSI Grammatiche Context-Free (CFG) Tipo 2
Morfologia
La morfologia è lo studio di come le parole sono costruite a partire da unità atomiche dette morfemi.
I morfemi sono le più piccole unità linguistiche che possiedono un significato. Ne esistono due classi:
- Radice il morfema che dà il significato principale alla parola
- Affisso il morfema che dà significato aggiuntivo alla parola
gatt–o gatt–i acquist-o acquist-are
ESEMPIO
radice
affisso Morfologia
Analisi Morfologica: Automi a Stati Finiti
Strumenti per l’analisi morfologica :
- Automi a Stati Finiti (FSA) Riconoscimento
- Finite State Transducers (FST) Parsing
RICONOSCIMENTO : indica se una data parola in input è morfologicamente corretta o no (ad esempio gatti è corretta, gattare è scorretta)
PARSING : produce un’analisi morfologica della parola in input (ad esempio gatti gatto N PL)
Sia FSA che FST sono di tipo 3 nella gerarchia di Chomsky: l’analisi morfologica può essere quindi portata a termine con strumenti relativamente poco complessi
Morfologia
Analisi Morfologica: qualche esempio
Un analizzatore morfologico completo dovrebbe essere in grado di riconoscere la classe (nomi, verbi, ecc.) delle parole e la loro morfologia:
house house+N+SG
houses house+N+PL
went go+V+PastTense+123SP
play play+V+Pres+non3SG
played played+A+VPap
miaow miaow+Onomatop
Morfologia
Espressioni regolari
Espressione regolare: notazione algebrica per descrivere un insieme di stringhe Una Espressione Regolare descrive un FSA Un FSA implementa un’espressione regolare
Le espressioni regolari sono un (meta)linguaggio per specificare “stringhe di caratteri” (per una ricerca sul web per es., così come per una qualunque applicazione di information retrieval, per sistemi di word processing, calcolo della frequenza di termini in corpora, etc.).
La ricerca di una espressione regolare identifica un pattern specifico che si vuole ricercare ed un corpus di testi all’interno del quale effettuare la ricerca. Come risultato si ottengono - tutti quei testi che contengono quel pattern -.
Una espressione regolare è una formula in un linguaggio speciale (notazione algebrica) usato per specificare semplici classi di stringhe. Una stringa è una sequenza di simboli (caratteri alfanumerici – anche lo spazio viene considerato un carattere)
Espressioni regolariEspressione regolare: notazione algebrica per descrivere un insieme di stringhe
Operatori base: * zero o più occorrenze del carattere
precedente (ciò che è racchiuso tra [ ] ) (Kleene *)
+ una o più occorrenze del carattere precedente (ciò che è racchiuso tra [ ] ) (Kleene +)
? zero o una occorrenze del carattere precedente (ciò che è racchiuso tra [ ] )
[a|A] disgiunzione di simboli [a-A] range di simboli
Esempi: a* si deriva che L={,a,aa,aaa,…} [ab]+ si deriva che L={a,b,aa,bb,ab,ba,…} altri esempi sul libro….
Le espressioni regolari sono case sensitive
La stringa di caratteri tra parentesi specifica una disgiunzione di caratteri da trovare
ESPRESSIONI REGOLARI
FSA LINGUAGGI REGOLARI
Automi a Stati Finiti (FSA)
Un automa a stati finti è un automa in grado di riconoscere o di generare una sequenza di simboli (stringa) di un alfabeto.
Formalmente: Un FSA è un grafo orientato i cui nodi sono detti stati e i cui archi sono detti transizioni
Caratteristiche principali:
- molto efficienti (tipo 3 nella ger. di Chomsky)
- facili da implementare
- Ogni FSA implementa una espressione regolare
- Ogni espressione regolare descrive un FSA
- Ogni FSA descrive un linguaggio regolare
Utilizzi principali in linguistica:- Riconoscimento morfologico- Fonetica- Text-to-Speech
FSA: semplice esempio
FSA per riconoscere e generare sequenze di simboli appartenenti al linguaggio (regolare) delle caprette inglesi, descritto dall’espressione regolare: /baa+!/. In figura un automa che modella tale espressione regolare.
STATO INIZIALE
TRANSIZIONE STATO STATO FINALE
SIMBOLO
FSA come riconoscitore: riconosce/accetta tutte le stringhe in input del tipo baa! , baaa! , baaaa!, … …qualunque altra stringa viene rigettata (reject).FSA come generatore: genera tutte le stringhe del tipo baa! , baaa!, baaaa!, … …
FSA
FSA: definizione formale
Un FSA è definito dai seguenti 5 parametri:
- Q : un insieme finito di N stati q0….qN
- Σ : un alfabeto finito di simboli
- q0 : lo stato iniziale
- F : un insieme di stati finali FQ
-δ(q,i) : relazione di transizione tra stati che restituisce un nuovo stato a partire da un dato stato e un simbolo in input; δ è una relazione da Qx Σ a Q
Un FSA può essere anche rappresentato attraverso una state-transition table
FSA
FSA e linguaggi formali
L’insieme delle stringhe riconosciute (o generate) da un FSA definiscono un linguaggio formale.
- L’insieme delle stringhe riconosciute da un FSA costituisce il linguaggio accettato dall’automa
- L’insieme delle stringhe generate da un FSA costituisce il linguaggio generato dall’automa
- Per un FSA, il linguaggio generato e quello accettato corrispondono
LINGUAGGIO FORMALE (L): insieme di stringhe composte da simboli appartenenti a un insieme finito di simboli Σ detto alfabeto
ESEMPIO
Σ = {a,b,!}
L = {baa!,baaa!,baaaa!,….} FSA
FSA e linguaggi regolari
Un FSA (o un’espressione regolare) può definire un sottoinsieme particolare dei linguaggi formali, i linguaggi regolari
LINGUAGGIO REGOLARE (L):
Dato un alfabeto :– L’insieme vuoto è un linguaggio regolare a , {a} è un linguaggio regolare– Se L1 e L2 sono linguaggi regolari, allora lo sono anche:
• L1 · L2 = {xy|x L1,y L2}, concatenazione di L1 & L2• L1 L2, unione di of L1 e L2• L1*, la Kleene closure (o ripetizione) di L1
FSA
FSA e linguaggi regolari
LIMITI: I linguaggi regolari hanno un basso potere generativo (tipo 3)
- Ad esempio, dato l’alfabeto Σ={a,b}, nessun FSA può generare stringhe del tipo anbn (a fronte della definizione slide precedente)
- Gli FSA modellano quindi bene fenomeni linguistici semplici come:- Morfologia
- Fonetica
- Gli FSA non possono modellare fenomeni linguistici complessi come:- Sintassi
ESEMPIO (english)
The cat likes tuna fish
The cat the dog chased likes tuna fish
The cat the dog the rat bit chased likes tuna fish
The cat the dog the rat the elephant admired bit chased likes tuna fish
L = xn yn-1 likes tuna fish.
FSA
FSA come riconoscitori
SCOPO: Data una stringa in input verificare se essa appartiene al linguaggio formale definito dall’automa.
ALGORITMO DI RICONOSCIMENTOindice inizio stringa in input
Stato-corrente q0
WHILE (input)
IF vuota(trans-table[stato-corrente,stringa[indice]])
return reject
ELSE
stato-corrente trans-table[stato-corrente,stringa[indice]]
indice indice +1
IF (stato-corrente è stato finale)
return accept
ELSE return reject (non esiste alcuna transizione legale per una data combinazione di stato ed input) FSA
Sommario
Strumenti per la Morfologia
• Automi a stati finiti (FSA)• FSA deterministici• FSA non-deterministici (NFSA)• Introduzione alla Morfologia• FSA e Morfologia: riconoscimento
• Trasduttori a stati finiti (FST)• Cosa sono• FST e Morfologia: parsing
FSA: semplice esempio
FSA per riconoscere e generare sequenze di simboli appartenenti al linguaggio (regolare) delle caprette, descritto dall’espressione regolare: /baa+!/
STATO INIZIALE
TRANSIZIONE STATO STATO FINALE
SIMBOLO
FSA : il suo comportamento durante la fase di riconoscimento è totalmente determinato
1. dallo stato in cui si trova e
2. dal simbolo in arrivo. FSA
Automi a Stati Finiti deterministici o non deterministici (DFSA, NFSA)
Negli automi non deterministici (NFSA) possono esistere degli stati che prevedono più di una possibile transizione per passare ad uno stesso stato, ovvero esistono dei punti in cui bisogna prendere una decisione.
Gli automi DFSA, invece, sono automi il cui comportamento durante la fase di riconoscimento è totalmente determinato dallo stato in cui si trova e dal simbolo con cui si è giunti a quello stato.
FSA non-deterministici (NFSA)
Un automa è detto non-deterministico se ha due archi uguali uscenti dallo stesso stato.
Quindi:
- Deterministico vuol dire che ad ogni stato può essere presa una sola decisione- Non-Deterministico vuol dire che ad ogni stato si può scegliere tra più decisioni
Equivalenza tra FSA e NFSA
- Un NFSA può essere sempre convertito in un FSA equivalente (che definisce cioè lo stesso linguaggio)
- NFSA e FSA hanno quindi lo stesso potere di riconoscimento/generazione
- L’FSA equivalente di un NFSA ha sempre più stati dell’NFSA
NFSA
FSA non-deterministici (NFSA)
Un tipo particolare di non-determinismo è quello causato dalla presenza di ε- transizioni (o jump arcs) ovvero da archi/transizioni non legati ad alcun simbolo ingresso.
Una ε-transizione corrisponde ad un passaggio di stato che non influenza la stringa in esame:
- in riconoscimento: non viene letto il simbolo corrente della stringa-in generazione: non viene prodotto alcun simbolo
In questo caso si introduce una forma di non determinismo in quanto non si sa se seguire la transizione ε oppure l’arco !
ε
NFSA
FSA non-deterministici (NFSA)
Un tipo particolare di non-determinismo è quello causato dalla presenza di ε-transizioni (o jump arcs) ovvero da archi/transizioni non legati ad alcun simbolo ingresso.
Possibili soluzioni:
1. Backup: inserire un marker per indicare un punto su cui siamo già passati
2. Look-ahead: guardare avanti per decidere quale percorso scegliere
3. Parallelismo: in uno stato con più scelte, verificare in parallelo percorsi alternativi
NFSA
FSA non-deterministici (NFSA)
Algoritmo di backup:quando si raggiunge un punto con nessuna
possibilità di andare avanti (no input oppure nessuna transizione legale), si ritorna al precedente punto di decisione , si selezione una delle alternative ancora non esplorate, e si continua da quella fase.
In questo NFSA, per ciascun punto di scelta, bisogna solo ricordare lo stato in cui ci si trova (nodo) e la posizione corrispondente sul nastro in input.
La combinazione di «stato» e «posizione del nastro» corrispondente (search-state) nel suo insieme costituisce lo spazio di ricerca
FSA non-deterministici: ricerca
Riconoscimento: negli stati non-deterministici l’FSA può seguire strade diverse, ovvero prendere decisioni errate. In tal caso deve essere in grado di:
- Riconoscere la soluzione errata;- Cercare altre soluzioni prendendo strade diverse;- Ricordare quali sono le strade diverse
L’automa deve quindi effettuare una ricerca nello spazio delle soluzioni (state-space search)
Ad ogni bivio (choice point) devono quindi essere memorizzate in una agenda tutte le coppie di stati alternativi e la posizione nella stringa dopo la transizione δ (search-states)
q2, [b,a,a,a,a]
q3, [b,a,a,a,a]
q2, [b,a,a,a,a]
STATO CORRENTE
SEARCH STATES
NFSA
b a a a ! \
q0 q1 q2 q2 q3 q4
Ricerca in NFSA: esempio
NFSA
Ricerca in Profondità NFSA: esempio
NFSA
Ricerca in Profondità NFSA: esempio
NFSA
Ricerca in Profondità NFSA: esempio
NFSA
Ricerca in Profondità NFSA: esempio
NFSA
Ricerca in Profondità NFSA: esempio
NFSA
Ricerca in Profondità NFSA: esempio
NFSA
Ricerca in Profondità NFSA: esempio
NFSA
Ricerca in Profondità NFSA: esempio
NFSA
Ricerca in Ampiezza NFSA: esempio
NFSA
Ricerca in NFSA: algoritmo di ricerca
NFSA
Ricerca in NFSA: algoritmo di ricerca
L’algoritmo produce in uscita un reject solo quando l’agenda diventa vuota (quindi non alla fine del nastro in uno stato di non-accettazione, nè per affermare che il nastro non può avanzare in un nuovo stato).
Essendo in una situazione di non-determinismo, si indica un errore in un dato percorso, non un insuccesso totale.
Si rigetta una stringa solo quando tutte le scelte possibili sono state prese in esame e si è arrivati ad un insuccesso. Lo spazio degli stati consiste di tutte le coppie possibili (stato, posizione); la ricerca avverrà navigando attraverso questo spazio cercando una coppia con stato accept e posizione fine nastro.
Ruolo dell’ordine con cui avviene la ricerca (si possono esaminare molte situazioni non utili prima di incontrare quella corretta).
(profondità verso ampiezza, stack verso coda)
Argomenti trattati in questa lezione
• Analisi del linguaggio naturale: tipologia, livelli
• Linguaggi formali (grammatiche, complessità)
• FSA, FST, espressioni regolari• DFSA, NFSA• ε-transizioni (o jump arcs)
• state-space search
Elaborazione del linguaggio naturale
Le presentazioni sugli argomenti di elaborazione del linguaggio naturale fanno in alcuni passi riferimento ad alcune presentazioni dei colleghi prof. Fabio Massimo Zanzotto e dottor Marco Pennacchiotti, oltre che ad alcune parti del libro: Speech and Language Processing, Prentice Hall, 2000, autori D.Jurafsky, J. H. Martin.