Header

UZH-Logo

Maintenance Infos

Hybrid long-distance functional dependency parsing


Schneider, Gerold. Hybrid long-distance functional dependency parsing. 2008, University of Zurich, Faculty of Arts.

Abstract

1

Zusammenfassung Die vorliegende Doktorarbeit stellt eine robuste, hybride, tiefensyntaktische Parsingarchitektur in der Tradition der Dependenzgrammatik vor, sowie ihre Im- plementierung und Evaluierung. Die Architektur und Implementierung wurde da- rauf ausgelegt, Suchräume zu minimieren ohne linguistische Kompromisse oder Performanzeinbussen in Kauf nehmen zu müssen. Das resultierende Syntaxanaly- seprogramm fürs Englische ist tiefensyntaktisch wie ein Parser für formale Gram- matiktheorien, braucht aber weitestgehend nur kontextfreie Komplexität, und ist schnell genug für den Einsatz über unbeschränkten Mengen an Text. Unser Ansatz kombiniert verschiedene erfolgreiche Zugänge zu einem hybriden, relativ einfachen, modularen und offenen Modell. Unser Beitrag zur Forschung besteht aus den folgenden drei Ergebnissen: Er- stens diskutieren, implementieren, und evaluieren wir eine Parsingarchitektur, die schnell, robust und effizient genug ist für die umfassende tiefensyntaktische Anal- yse unbeschränkter Textmengen Englischer Alltags- wie auch Fachsprache. Zweitens führen wir ein Parsingmodell ein, welches eine regelbasierte Kompe- tenzgrammatik mit einem performanzbasierten probabilistischen Disambiguierungs- modell kombiniert. Drittens zeigen wir, wie inhärent komplexe linguistische Probleme in Unter- probleme aufgeteilt und mit weniger komplexen Zugängen erfolgreich angenähert werden können. Insbesondere gilt: 1. Die grosse Mehrzahl unbeschränkter Abhängigkeiten kann genug angenähert werden durch die Verwendung einer spezifischen funktionalen Dependenz- grammatik, sowie durch die Verwendung regulärer Muster beim Training und in der Nachverarbeitung. 2. Die wenigen verbleibenden unbeschränkten Abhängigkeiten können mit- tels einer kleinen Erweiterung der Dependenzgrammatik behandelt werden. Diese Erweiterung ist bekannt aus der Tree-Adjoining Grammar (TAG) und erlaubt die Behandlung sogenannt mild kontextsensitiver Strukturen. 3. Das Parsen nichtgeschachtelter Phrasen (base phrases) kann erfolgreich durch flache Zugänge wie Chunking und Tagging angenähert werden. Wir schliessen, dass unsere funktionale Dependenzgrammatik genügend aus- drucksstark für die linguistisch adäquate tiefensyntaktische Analyse englischer Texte ist. Wir argumentieren, dass unser Parser eine Zwischenstufe zwischen oberflächen- basierter Syntaxanalyse und dem Zugang mittels formaler Syntaxtheorien darstellt, welche die Vorteile beider kombiniert. Der Parser erreicht konkurrenzfähige Leis- tung und wird in verschiedenen Gebieten eingesetzt. 2

Abstract This thesis proposes a robust, hybrid, deep-syntatic dependency-based pars- ing architecture and presents its implementation and evaluation. The architecture and the implementation are carefully designed to keep search-spaces small with- out compromising much on the linguistic performance or adequacy. The resulting parser is deep-syntactic like a formal grammar-based parser but at the same time mostly context-free and fast enough for large-scale application to unrestricted texts. It combines a number of successful current approaches into a hybrid, comparatively simple, modular and open model. This thesis reports three results: First, we suggest, implement, and evaluate a parsing architecture that is fast, robust and efficient enough to allow users to do broad-coverage parsing of unrestricted texts from varied domains. Second, we present a probability model and a combination between a rule- based competence grammar and a statistical lexicalized performance disambigua- tion model. Third, we show that inherently complex linguistic problems can be broken down and approximated sufficiently well by less complex methods. In particular

1. on the level of long-distance dependencies, the majority of them can be ap- proximated by using a labelled DG, context-free finite-state based patterns, and post-processing,

2. on the level of long-distance dependencies, a slightly extended DG allows us to use mildly context-sensitive operations known from Tree-Adjoining Grammar (TAG),

3. on the base phrase level, parsing can successfully be approximated by the more shallow approaches of chunking and tagging. We conclude that la- belled DG is sufficiently expressive for linguistically adequate parsing.

We argue that our parser covers the middle ground between statistical parsing and formal grammar-based parsing. The parser has competitive performance and has been applied widely.

Abstract

1

Zusammenfassung Die vorliegende Doktorarbeit stellt eine robuste, hybride, tiefensyntaktische Parsingarchitektur in der Tradition der Dependenzgrammatik vor, sowie ihre Im- plementierung und Evaluierung. Die Architektur und Implementierung wurde da- rauf ausgelegt, Suchräume zu minimieren ohne linguistische Kompromisse oder Performanzeinbussen in Kauf nehmen zu müssen. Das resultierende Syntaxanaly- seprogramm fürs Englische ist tiefensyntaktisch wie ein Parser für formale Gram- matiktheorien, braucht aber weitestgehend nur kontextfreie Komplexität, und ist schnell genug für den Einsatz über unbeschränkten Mengen an Text. Unser Ansatz kombiniert verschiedene erfolgreiche Zugänge zu einem hybriden, relativ einfachen, modularen und offenen Modell. Unser Beitrag zur Forschung besteht aus den folgenden drei Ergebnissen: Er- stens diskutieren, implementieren, und evaluieren wir eine Parsingarchitektur, die schnell, robust und effizient genug ist für die umfassende tiefensyntaktische Anal- yse unbeschränkter Textmengen Englischer Alltags- wie auch Fachsprache. Zweitens führen wir ein Parsingmodell ein, welches eine regelbasierte Kompe- tenzgrammatik mit einem performanzbasierten probabilistischen Disambiguierungs- modell kombiniert. Drittens zeigen wir, wie inhärent komplexe linguistische Probleme in Unter- probleme aufgeteilt und mit weniger komplexen Zugängen erfolgreich angenähert werden können. Insbesondere gilt: 1. Die grosse Mehrzahl unbeschränkter Abhängigkeiten kann genug angenähert werden durch die Verwendung einer spezifischen funktionalen Dependenz- grammatik, sowie durch die Verwendung regulärer Muster beim Training und in der Nachverarbeitung. 2. Die wenigen verbleibenden unbeschränkten Abhängigkeiten können mit- tels einer kleinen Erweiterung der Dependenzgrammatik behandelt werden. Diese Erweiterung ist bekannt aus der Tree-Adjoining Grammar (TAG) und erlaubt die Behandlung sogenannt mild kontextsensitiver Strukturen. 3. Das Parsen nichtgeschachtelter Phrasen (base phrases) kann erfolgreich durch flache Zugänge wie Chunking und Tagging angenähert werden. Wir schliessen, dass unsere funktionale Dependenzgrammatik genügend aus- drucksstark für die linguistisch adäquate tiefensyntaktische Analyse englischer Texte ist. Wir argumentieren, dass unser Parser eine Zwischenstufe zwischen oberflächen- basierter Syntaxanalyse und dem Zugang mittels formaler Syntaxtheorien darstellt, welche die Vorteile beider kombiniert. Der Parser erreicht konkurrenzfähige Leis- tung und wird in verschiedenen Gebieten eingesetzt. 2

Abstract This thesis proposes a robust, hybrid, deep-syntatic dependency-based pars- ing architecture and presents its implementation and evaluation. The architecture and the implementation are carefully designed to keep search-spaces small with- out compromising much on the linguistic performance or adequacy. The resulting parser is deep-syntactic like a formal grammar-based parser but at the same time mostly context-free and fast enough for large-scale application to unrestricted texts. It combines a number of successful current approaches into a hybrid, comparatively simple, modular and open model. This thesis reports three results: First, we suggest, implement, and evaluate a parsing architecture that is fast, robust and efficient enough to allow users to do broad-coverage parsing of unrestricted texts from varied domains. Second, we present a probability model and a combination between a rule- based competence grammar and a statistical lexicalized performance disambigua- tion model. Third, we show that inherently complex linguistic problems can be broken down and approximated sufficiently well by less complex methods. In particular

1. on the level of long-distance dependencies, the majority of them can be ap- proximated by using a labelled DG, context-free finite-state based patterns, and post-processing,

2. on the level of long-distance dependencies, a slightly extended DG allows us to use mildly context-sensitive operations known from Tree-Adjoining Grammar (TAG),

3. on the base phrase level, parsing can successfully be approximated by the more shallow approaches of chunking and tagging. We conclude that la- belled DG is sufficiently expressive for linguistically adequate parsing.

We argue that our parser covers the middle ground between statistical parsing and formal grammar-based parsing. The parser has competitive performance and has been applied widely.

Statistics

Citations

75 citations in Microsoft Academic

Downloads

715 downloads since deposited on 18 Dec 2008
54 downloads since 12 months
Detailed statistics

Additional indexing

Item Type:Dissertation (monographical)
Referees:Hess Michael, Merlo Paola
Communities & Collections:UZH Dissertations
Dewey Decimal Classification:000 Computer science, knowledge & systems
820 English & Old English literatures
410 Linguistics
Uncontrolled Keywords:computational linguistics dependency parsing parser deep-linguistic probabilistic long-distance English formal grammar broad-coverage
Language:English
Place of Publication:Zurich
Date:2008
Deposited On:18 Dec 2008 09:24
Last Modified:24 Sep 2019 15:39
Number of Pages:274
Funders:Swiss National Science Fund
OA Status:Green
Related URLs:https://www.recherche-portal.ch/primo-explore/fulldisplay?docid=ebi01_prod005678302&context=L&vid=ZAD&search_scope=default_scope&tab=default_tab&lang=de_DE (Library Catalogue)

Download

Green Open Access

Download PDF  'Hybrid long-distance functional dependency parsing'.
Preview
Filetype: PDF
Size: 2MB