词汇标示框架

✍ dations ◷ 2025-06-09 08:41:52 #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

  • 路德维希·维特根斯坦路德维希‧约瑟夫‧约翰‧维特根斯坦(德语:Ludwig Josef Johann Wittgenstein,又译维特根施泰因、维特根斯坦;1889年4月26日-1951年4月29日)是一名奥地利哲学家。他生于奥地利,后入
  • 弗留利语意大利弗留利语(弗留利语:Furlan,意大利语:friulano)是一种罗曼语族语言,属于列托-罗曼斯语语支,在意大利的弗留利-威尼斯朱利亚流通。弗留利语有约 60 万使用者,大部分使用者同时能
  • AmOsub2/sub二氧化镅 (AmO2) 是一种黑色的 镅化合物,它可以做为α粒子源,常用于电离式烟雾探测器。固体的二氧化镅为结晶态, 结构类似于萤石与CaF2的结构 。
  • 伯母伯父是中文中对亲属的称谓,指父亲的哥哥,也叫伯伯、阿伯、堂伯,或简称伯。古称从父。不过,“伯”也可以指大伯子,即丈夫的哥哥。英文中,伯父与叔父、舅父等统称为Uncle。伯父妻子
  • 美国国家医学情报中心美国国家医学情报中心(National Center for Medical Intelligence (NCMI;前身为“武装部队医学情报中心(Armed Forces Medical Intelligence Center)”)是美国国防情报局(DIA)
  • 一级行政区划一级行政区是指直接受国家直辖、或独立政权管辖的行政区划,属于相对概念。在汉语环境中,直属中央政府管辖之行政区称为“省级行政区”(或“国家一级行政区”)。而由多个国家合并
  • 斑马贻贝斑马贻贝(学名:Dreissena polymorpha),亦作斑马纹贻贝或多形饰贝,是一种小型的淡水生活双壳纲软体动物,属于帘蛤目饰贝科。本物种原生于俄罗斯南部及乌克兰的里海及黑海区域,处于欧
  • 昆提利安马库斯·法比尤斯·昆提利安(Marcus Fabius Quintilianus,约公元35-100年)是一位罗马帝国西班牙行省的雄辩家、修辞家、教育家、拉丁语教师、作家。69至88年教授修辞学,成为罗
  • 布拉迪斯拉发夸美纽斯大学布拉迪斯拉发夸美纽斯大学(斯洛伐克语:)是斯洛伐克最大的大学,大部分学院位于布拉迪斯拉发。该大学创建于捷克斯洛伐克成立不久后的1919年,并受到了布拉格查理大学的帮助。 其名
  • 丹尼·海涅曼数学物理奖丹尼·海涅曼数学物理奖(英语:Dannie Heineman Prize for Mathematical Physics)是由美国物理学会和美国物理协会联合颁发的数学物理奖项,自1959年起每年颁发一次。该奖项由海涅