词汇标示框架

✍ dations ◷ 2025-02-24 03:00:28 #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

  • 施普林格·自然施普林格·自然公司是一家科学刊物出版社,成立于2015年5月。该公司由施普林格科学+商业媒体与霍尔茨布林克出版集团旗下的自然出版集团、帕尔格雷夫·麦克米兰和麦克米伦教育
  • 福楼拜古斯塔夫·福楼拜(法语:Gustave Flaubert,1821年12月12日-1880年5月8日),生于法国鲁昂,法国文学家,世界文学名著《包法利夫人》的作者。福楼拜出生于法国西北部诺曼底地区的鲁昂,父亲
  • 兄弟情兄弟情(英语:Bromance)又称为兄弟情谊,网络用语称为基情、好基友。常被用来形容男性朋友之间的一种暧昧关系,但是他们之间并不一定要有血缘上的兄弟关系,也并不一定是同性恋关系。
  • 磁共振显微术磁共振显微术(Magnetic Resonance Microscopy, MRM, µMRI)是着重于观察微观物品之磁共振成像(MRI)。严格的定义是体素分辨率比100立方微米更精确的磁共振成像术。
  • 活度因子活性系数(英语:Activity coefficient),又称活性因子(英语:Activity factor),是热力学中的一个系数,反映的是真实溶液中某组分i的行为偏离理想溶液的程度,量纲为1。引入活性系数后,适用
  • 夏季达沃斯论坛世界经济论坛新领军者年会,通常被称为夏季达沃斯论坛,2007年由世界经济论坛执行长克劳斯·施瓦布和中华人民共和国总理温家宝倡导建立,召集被世界经济论坛认定的“全球成长型企
  • 湿婆军湿婆军(शिव सेना,Śīv Senā)是印度的一个极右翼民族主义政党,虽然于华人地区多译为“湿婆军”或“湿婆神军党”,然而Śīv Senā的Śīv实际上指的是马拉塔帝国的希瓦吉
  • 全胜全胜(梵语:संजय)在摩诃婆罗多中是持国的重臣,负责为国王汇报。俱卢大战前夕,持国希望得到毗耶娑的协助,但又不想自己目睹骨肉相残的战况,结果毗耶娑赐予全胜成为开天眼的全知者
  • 伊姆兰·阿巴斯伊姆兰·阿巴斯·纳克维(乌尔都语:عمران عباس نقوی‎‎,英语:Imran Abbas Naqvi,1982年10月25日-)是巴基斯坦男演员及模特儿,主要出现在巴基斯坦电视连续剧和电影。他
  • 表町 (新竹市)表町为新竹州新竹市自1935年实施町名改正所成立的行政区之一,共分为三个丁目,有许多行政与商业设施坐落在此,位于现今新竹市北区,大致为北大路、长安街、中央路和护城河之间的街