词汇标示框架

✍ dations ◷ 2024-12-23 09:09:41 #计算语言学,语音识别,自然语言处理,ISO标准

词汇标示框架(Lexical Markup Framework,简称LMF)是国际标准组织(ISO/TC37)进行中的一项工作,目的在为自然语言处理与机读字典的词汇库描述建立一个标准化框架。计划范畴涵盖对牵涉到多语沟通及文化差异的语言资源,对建立与交换这些资源的准则与方法做标准化处理。

词汇标示框架的目标有三。其一,为词汇资源的创造与使用提供共用模型。其二,管理词汇资源间的资料交换。其三,促进个别电子资源的整合以形成大规模的全球性电子资源。

词汇标示框架的种类包括单语、双语或多语的词汇资源。这三种分类亦适用于小型或大型词汇库、简单或复杂词汇库,乃至于书面或口语词汇表述。说明的范畴包含构词学、语法学、计算语意学及电脑辅助翻译。涵盖的语言包括所有自然语言,并不局限于欧洲地区。此计划在自然语言处理的运用上不受限制。词汇标示框架能呈现多数辞典,包括WordNet、EDR及PAROLE。

在过去,已有不少计划做过词汇库标准化的研究,如GENELEX、EDR、EAGLES、 MULTEXT、PAROLE、SIMPLE 与ISLE。其后,参与ISO/TC37的国家代表决定为自然语言处理与词汇库呈现订定标准。2003年暑假,由美国代表提出的词汇标示框架计划诞生。2003年秋,法国代表提出定义资料模型的技术主张,以俾利做自然语言处理的辞典。到了2004初,ISO/TC37委员会又决定做一项共同ISO计划,由Nicoletta Calzolari (义)担任召集人,Gil Francopoulo (法)与Monte George (美)担任编辑。此计划建立出的词汇标示框架已有13个版本,并已分送给各国指定的专家做评论,再经过ISO技术会议的讨论修正。经过五年的努力,多次会议与电子邮件往来,编辑群间达成共识并建立了完整一致的UML模型。综上所述,词汇标示框架应可被视为当今自然语言处理词汇库领域中技术发展之极致。

词汇标示框架已于2008年11月17日正式发行,成为国际标准;标准号码为ISO24613。

ISO/TC37标准家族目前被定位为高阶指定规格,处理包括断词(ISO 24614)、标注(ISO 24611亦称为MAF、ISO 24612即LAF、ISO 24615亦即SynAF与ISO 24617-1又名SemAF/Time)、特征结构(ISO 24610)、多媒体载体(ISO 24616亦称为MLIF)以及辞典(ISO 24613)等内容。这些标准主要建立在提供共同术语的低阶指定规格,亦即资料范畴汇总(ISO 12620的修定版)、语言编码(ISO 639)、书写体编码(ISO 15924)、国家编码(ISO 3166)与通用编码(ISO 10646)。

这两个阶层架构的标准遵循下列两项简单共通准则,以构成具内部一致性的标准家族:

语言学的常数元素如/女性/或/及物/在词汇标示框架中并没有被规范,但被记录在资料范畴汇总(DCR)中。资料范畴汇总是一项全球性资源,由ISO/TC37负责维持,依照ISO/IEC 11179-3:2003*。这些常数元素要用来充实高阶结构性元素。

词汇标示框架遵守由物件管理组(OMG)规范的统一塑模语言(UML)。结构由UML的阶级图表呈现,例子由UML的例子图表或物件图表呈现。

需要补充说明的是,XML的档案类别定义(DTD)是由词汇标示框架的附件所规范。

词汇标示框架包含下列组成成分:

这些扩充乃特别为下列领域而设置,包含构词学、机读字典、自然语言处理语法学、自然语言处理语意学、多语标记、自然语言处理典型模式、多字词表达模式与限制表达模式。

在下面的举例中,词目以及两个词尾变化形跟都与词条有关。语言编码套用于整个词汇资源,而语言特性的值则适用于整个词汇库,正如下方UML图所示。

)、全球资讯()、词汇库()、词条()、词目()以及词形()这几个元素定义出词汇库的结构。在词汇标记框架的档案中有对这几项元素做说明。另一方面,语言编码()、语言()、词性()、一般名词()、书写形()、文法号码()、单数()、多数()等则是从资料类别登记中取出的资料种类。这些标示能充实结构内容。而、、这几项值都只是基本的特性字串。这个值则参照ISO 639-3所定义的语言清单。

再加上一些附加资讯如与后,同样的资料可以以下列XML段落表示:

<LexicalResource dtdVersion="15">    <GlobalInformation>        <feat att="languageCoding" val="ISO 639-3"/>    </GlobalInformation>    <Lexicon>        <feat att="language" val="eng"/>        <LexicalEntry>            <feat att="partOfSpeech" val="commonNoun"/>            <Lemma>                <feat att="writtenForm" val="clergyman"/>            </Lemma>            <WordForm>                 <feat att="writtenForm" val="clergyman"/>                 <feat att="grammaticalNumber" val="singular"/>            </WordForm>            <WordForm>                <feat att="writtenForm" val="clergymen"/>                <feat att="grammaticalNumber" val="plural"/>            </WordForm>        </LexicalEntry>    </Lexicon></LexicalResource>


要注意的是,这个例子相当简单。但词汇标示框架能够呈现更为复杂的语言描述,XML标记也会更加复杂。

相关

  • 犹太-罗曼语支犹太-罗曼语是由罗曼语言转化而来,它仍在某些犹太人群中使用,并且为了获得作为一门语言的认同,它演变为现在的形式,成为了数量众多的犹太语中的一种。加泰罗尼克语,或称犹太-加泰
  • 钟山钟山县(邮政式拼音:Chungshan)在中国广西壮族自治区东部偏北、贺江上游富川江流域,是贺州市所辖的一个县。总面积为1472平方公里,2011年人口为42.3万。钟山历史悠久,自新石器后期,
  • 原子说原子理论(英语:Atomic theory)是物理学与化学中有关物质本质的科学理论。与物质无限可分的概念相反,依据原子理论,物质是由一个个离散单元原子所构成。原子起初是自然哲学中的概
  • 2013年欧洲联赛决赛2013年欧洲联赛决赛于2013年5月15日在荷兰阿姆斯特丹的阿姆斯特丹球场举行,以决出2012–13年欧洲联赛冠军谁属。这也是从欧洲联盟杯改制后的第四届欧洲联赛的决赛。这次决赛
  • 开放式经济开放式经济,在经济学意指在经济体中除自我内部的交易外,尚可与其他的经济体进行交易的经济体,与之相对的则是封闭式经济,两者皆属于是经济学中定义经济体行为的概念。开放式经济
  • Royal Pirates于官方Youtube频道上传播送。
  • 伊格纳兹·普莱耶尔伊格纳兹·约瑟夫·普莱耶尔(德语:Ignaz Josef Pleyel,法语:Ignace Joseph Pleyel,1757年6月18日-1831年11月14日),法籍奥地利作曲家,商人。普莱耶尔在38个兄弟姐妹中排行第24。1772
  • 斯凯·布朗斯凯·布朗(英语:Sky Brown,日语:スカイ・ブラウン,2008年7月12日-)是一名英国滑板选手,出生于日本宫崎县,父亲是英国滑板选手,母亲是日本人。2020年,布朗获得2020年夏季奥运会滑板比赛
  • 息止安所息止安所(拉丁语:Requiescat in pace)是一种简短的墓志铭,或是希望逝者永享安宁的短句。此语的英文缩写是“R.I.P.”,通常以全称“Rest in peace”或缩写的形式刻在墓碑上,作为碑
  • 帕特诺-比希反应Paternò–Büchi反应(Paternò–Büchi),以意大利化学家 Emanuele Paternò 与瑞士裔美国化学家 George Hermann Büchi 的名字命名。羰基化合物与烯烃加成为�丁环体系的光化学