词汇标示框架

✍ dations ◷ 2025-07-01 13:19:12 #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

  • 热能食物热量(英语:Food energy),泛指食物经过消化,通过细胞的代谢,所能获得的能量。单位以每公克焦耳或每公克卡路里方式表示。在实验室中,将食物燃烧,去计算其燃烧所消耗的重量,与其加
  • 高雄人口高雄市位在台湾西南部,是中华民国的直辖市,总人口有2,774,316(2020年2月)。现在的高雄市是合并自旧有的原高雄市及原高雄县,依据2020年1月资料,原高雄市人口数为1,511,072人,人口密
  • 姜受延姜受延(韩语:강수연,1966年8月18日-),韩国女演员,童星出身。凭借林权泽执导的电影《借种》(1987年)和《波罗揭谛》(1989年)分别在威尼斯影展和莫斯科影展等国际电影节摘得影后桂冠,一举
  • 枕木枕木亦称轨枕或路枕,是铁路路轨的组成部分之一,与路轨底部直接连接,能够稳定路轨的位置,以防止路轨在列车驶过时移位引起危险,也可将列车经过时所产生的压力,平均分布在于道碴之上
  • 尼泊尔联邦议会尼泊尔联邦议会(尼泊尔语:नेपालको सङ्घीय संसद)是尼泊尔的两院制议会,由作为咨询机关的国民议会(上议院)和作为立法机关的众议院(下议院)组成。第二届尼泊尔制宪议
  • 考门夫人丽蒂·伯德·考门(英语:Lettie Burd Cowman,1870年3月3日-1960年4月17日),在她出版的书籍中常署名为考门夫人(Mrs. Charles E. Cowman)或高曼夫人,生于美国伊利诺伊州,基督教传道人,作
  • CVL-28 卡伯特号卡伯特号航空母舰(CVL-28)是一艘隶属于美国海军的航空母舰,为独立级航空母舰的七号舰。她是美军第二艘以卡伯特为名的军舰,纪念探险家乔瓦尼·卡波托。在1967年至1989年期间,卡伯
  • 木霉菌木霉菌(学名: )是一种生长快速且普遍存在环境中的腐生性丝状真菌,如土壤、空气、植物残骸枯枝落叶、各种酦酵物上,或是植物根圈、叶片、种子及球茎表面。木霉菌最大的特色就是
  • 三轮隆三轮隆(1969年12月1日-)是一名日本男子棒球运动员。他在1992年巴塞罗那夏季奥林匹克运动会中,参加了男子棒球比赛并为日本队获得男子团体铜牌。72 平井正史 | 73 高山郁夫 | 75
  • 许润三许润三(1926年10月-),男,江苏阜宁人,中国中医妇科学家,中日友好医院主任医师、教授,第三届国医大师。