Universit degli Studi di Modena e Reggio Emilia

Università degli Studi di Modena e Reggio Emilia Facoltà di Ingegneria - Corso di Laurea in Ingegneria Informatica Risoluzione di ambiguità semantiche per la ricerca di similarità tra frasi Erika Stefanini Relatore: Correlatori: Prof. Paolo Tiberio Dott. Federica Mandreoli Ing. Riccardo Martoglia Anno Accademico 2002/2003

Obiettivi della tesi: • realizzazione di un modulo indipendente per la risoluzione di ambiguità semantiche (word sense disambiguation) di termini appartenenti a frasi di lingua inglese • questo modulo verrà poi utilizzato all’interno del progetto EXTRA

Sistema EXTRA: Ricerca approssimata di frasi (Pre-traduzione) Suggerimenti per la traduzione Testo da tradurre Frase originale Frase Tradotta The white cat is hunting the mouse Il gatto bianco sta cacciando il topo. The white feline is catching the rodent. Il felino bianco sta catturando il roditore. The white computer is detecting a mouse. Il computer bianco sta rintracciando un mouse. Traduttore professionista Testo tradotto Allineamento The white cat is hunting the mouse Thewhitecomputer feline is catching is detecting thearodent mouse Edit=1 distance = 3= 0, 57 Sim ed/lung

La risoluzione di ambiguità semantiche dei termini (word sense disambiguation): • è stata un tema di grande interesse fin dagli anni ’ 50 • è stata studiata ed utilizzata in diversi settori: intelligenza artificiale (comprensione del linguaggio naturale), traduzione automatica, information retrieval • consiste nel determinare in modo automatico il significato più appropriato di una parola in base al contesto (frase) in cui si trova • 2 tipi di approccio per il wsd

Word. Net È un sistema lessicale basato sulle teorie psicolinguistiche della memoria lessicale umana Word Meanings Word Forms apricot tree Asian tree having clusters of usually white blossoms… X X Downy yellow to rosycolored fruit resembling a small peach X A shade of pink tinged with yellow X • La caratteristica principale di Word. Net è l’organizzazione delle informazioni lessicali delle parole in base al loro significato e non alla loro forma (lemma) • Ogni parola è l’associazione tra la sua forma (il modo in cui viene scritta) ed il significato che esprime; questa corrispondenza viene espressa tramite la matrice lessicale Word. Net è stato realizzato presso il Cognitive Science Laboratory della Princeton University da un gruppo di psicologi e linguisti coordinati dal prof. George A. Miller.

Word. Net divide l’insieme delle parole in 4 categorie: • • Nomi Aggettivi Avverbi Verbi Ogni categoria è organizzata in insiemi di sinonimi (synset) che rappresentano un concetto. I synset sono collegati tra loro da diversi tipi di relazioni semantiche. Entity, physical thing Substance, matter Object, physical object IPERONIMIA Solid Natural object Un concetto rappresentato dal synset {y, y’, …} è un iperonimo del Plant part Food concetto rappresentato dal synset {x, x’, …} se si può costruire una frase Reproductive structure del tipo An x is a (kind of) y. Produce, green goods, … Fruit L’iperonimia genera una gerarchia simile alle gerarchie di specializzazione presente nei modelli E/R. Edible fruit Pome, false fruit Gli algoritmi implementati tengono conto solo dei nomi e dei verbi. Apple (significato numero 1)

TRASFORMAZIONE PRELIMINARE DELLA FRASE frase originale The white cat is hunting the mouse stemming parsing frase “parserizzata” frase “stemmizzata” The/DT white/JJ cat/NN is/VBZ hunting/VBG the/DT mouse/NN estrazione di nomi e verbi white cat be hunt mouse nomi = {cat, mouse} Algoritmo wsd nomi lista nomi , lista verbi nomi = {cat, mouse}, verbi = {be, hunt} nomi = {cat, mouse} verbi = {be, hunting} Algoritmo wsd verbi

ALGORITMO DI WORD SENSE DISAMBIGUATION DEI NOMI Placental mammal Osservazione: se un insieme di parole 3 4 polisemiche sono simili, il loro concetto comune dà informazioni su quale significato di ognuna delle parole sia quello più adatto. Carnivore Rodent Dato un insieme di nomi W = { w 1, w 2, …} considero tutte le possibili coppie (wi, 2 5 wj) Feline, felid Mouse Calcolo della SIMILARITÀ SEMANTICA di due nomi: (significato 1) si basa sulla 1 lunghezza del cammino necessario a percorrere la distanza che li separa dal loro concetto minimo comune len(cat#1, mouse#1) = 5 Cat (significato 1) sim(cat#1, mouse#1) = 1, 856

ALGORITMO DI WORD SENSE DISAMBIGUATION DEI NOMI Dati: • un insieme di nomi w 1, w 2, …, wn • sim(wi, wj) per ogni coppia di nomi • c[i, j] = concetto minimo comune a wi e wj Si vuole φ(w, k) funzione che indica la confidenza con cui si può determinare: dire che la parola w ha il significato k Il significato migliore di un nome è quello che ha il più alto valore di φ. PASSI calcolo confidenza coppiadella di nomi wi e wj si determina v[i, j] = sim(wi, wj) * G(di – dj) se c[i, j] è un iperonimo di sense (wi , k) allora support[i, k] += v[i, j] + = 1 oppure normalization[i] += v[i, j]; normalization[j] += v[i, j];

ALGORITMO DI WORD SENSE DISAMBIGUATION DEI VERBI Per i verbi approccio di tipo diverso: definizioni dei significati di Word. Net Sense 2 look, appear, seem -- (give a certain impression or have a certain outward aspect; "She seems to be sleeping"; "This appears to be a very difficult problem"; "This project looks fishy"; "They appeared like people who had not eaten or slept for a long time") Descrizione del significato + frasi di esempio

ALGORITMO DI WORD SENSE DISAMBIGUATION DEI VERBI Dati: • N = insieme nomi presenti nella frase in cui compare verbo v • nomi_es(v, k) = insieme nomi nella definizione del significato k del verbo v; • sim(nomei, nome_esj) , nomei N e nome_esj nomi_es(v, k) Si vuole φ(v, k) funzione che indica la confidenza con cui si determinare: dire che il verbo v ha il significato k Il significato migliore del verbo v è quello con il valore più alto di φ. PASSI nomeidella N confidenza Calcolo può

ALGORITMO DI WORD SENSE DISAMBIGUATION DEI VERBI Poiché Word. Net contiene verbi con oltre 30 significati, si è deciso di sfruttare l’andamento di R(k) per migliore l’efficienza dell’algoritmo. La retta R(k) è decrescente R(k) > R(k+1) Se risulta vera la condizione φ(v, k) > R(k+1) φ(v, k) = R(k)*T(v, k) > R(k+1)*T(v, k+1) = φ(v, k+1) Si può smettere di calcolare φ(v, k) per k > k+1, visto che in questo intervallo si otterrebbero valori minori di φ(v, k)

GENERAZIONE CODICI Word. Net assegna ad ogni significato un codice numerico univoco. Dopo aver eseguito gli algoritmi di word sense disambiguation, ad ogni nome o verbo della frase “stemmizzata” viene sostituito il codice del significato che è risultato essere migliore. Frase originale: The white cat is hunting the mouse The white feline computer is catching is detecting the rodent a mouse Frase “stemmizzata”: white cat be hunt mouse white computer feline bebecatch detect rodent mouse Frase con codici: white 1788952 2058045 903354 1993014 white 1788952 78465482058045837447 6585461993014 85657

RISULTATI ALGORITMO WSD NOMI Media delle percentuali di successo caso primaedopo = 0 Collezioni dati di tipo tecnico e di tipo generico (da opere letterarie) casi primaedopo = 0 e primaedopo > 0 a confronto 1=DPaint 2=elettrodom. 3=op. letterarie

RISULTATI ALGORITMO WSD VERBI È molto difficile stabilire con certezza il giusto significato di un verbo Esempio: Frase originale: The great musician Mozart composed nine symphonies and many other musical composition. The verb compose has 6 senses (first 5 from tagged texts): 1. (14) compose -- (form the substance of; "Greed and ambition composed his personality") 2. (5) compose, write -- (write music; "Beethoven composed nine symphonies") 3. (4) write, compose, pen, indite -- (produce a literary work; "She composed a poem"; "He wrote four novels") 4. (3) compose, compile -- (put together out of existing material; "compile a list") 5. (1) compose -- (calm (someone, esp. oneself); make quiet; "She had to compose herself before she could reply to this terrible insult") 6. frame, outline, compose, draw up -- (draw up the plans or basic details for; "frame a policy")

Obiettivi raggiunti : ü definizione della funzione di similarità semantica: fornisce una misura della somiglianza di significato tra due concetti ü tramite questa funzione sono stati sviluppati gli algoritmi di word sense disambiguation: per ogni significato si è determinata la confidenza con cui poter giudicare quanto fosse appropriato ü si è aumentata l’efficacia dell’algoritmo relativo ai nomi valutando anche i nomi delle frasi adiacenti Sviluppi futuri : ü Per i nomi: considerare anche altri tipi di relazioni oltre l’iperonimia ü Per i verbi: analizzare le frasi in base all’analisi logica per determinare soggetto ed eventuale complemento oggetto ü Approccio di tipo statistico