Въведение в маркирането на част от речта и модела на скрития Марков

от Sachin Malhotra и Divya Godayal

Да се ​​върнем във времената, когато нямахме език за общуване. Единственият начин, по който имахме, беше езикът на жестовете. Така обикновено общуваме с кучето си у дома, нали? Когато му казваме: „Обичаме те, Джими“, той отвръща с размахване на опашката. Това не означава, че той знае какво всъщност казваме. Вместо това отговорът му е просто защото той разбира езика на емоциите и жестовете повече от думите.

Ние като хора сме разбрали разбирането за много нюанси на естествения език повече от всяко животно на тази планета. Ето защо, когато казваме „ОБИЧАМ те, скъпа“, а когато казваме „Нека направим ЛЮБОВ, скъпа“, имаме предвид различни неща. Тъй като разбираме основната разлика между двете фрази, нашите отговори са много различни. Именно тези тънкости в разбирането на естествения език искаме да научим на една машина.

Това би могло да означава, когато бъдещото ви куче-робот чуе „Обичам те, Джими“, то ще разбере ЛЮБОВТА е глагол. Той също така би разбрал, че това е емоция, която ние изразяваме, на която той би отговорил по определен начин. И може би, когато казвате на партньора си „Нека направим ЛЮБОВ“, кучето просто ще стои далеч от вашия бизнес?

Това е само пример за това как обучението на робота да общува на познат ни език може да улесни нещата.

Основният случай на употреба, подчертан в този пример, е колко е важно да се разбере разликата в употребата на думата LOVE в различни контексти.

Маркиране на част от речта

От много малка възраст сме свикнали да идентифицираме част от речевите тагове. Например четенето на изречение и възможността да се идентифицират кои думи действат като съществителни, местоимения, глаголи, наречия и т.н. Всички те се наричат ​​част от речевите тагове.

Нека да разгледаме дефиницията на Wikipedia за тях:

В корпусната лингвистика маркирането на част от речта ( POS маркиране или PoS маркиране или POST ), наричано още граматично маркиране или двузначност на категорията думи , е процесът на маркиране на дума в текст (корпус) като съответстваща на определена част на речта, въз основа както на нейното определение, така и на контекста му - т.е. връзката му със съседни и сродни думи във фраза, изречение или параграф. Опростена форма на това обикновено се преподава на деца в училищна възраст, при идентифицирането на думите като съществителни, глаголи, прилагателни, наречия и т.н.

Идентифицирането на част от речевите тагове е много по-сложно, отколкото просто картографиране на думи към техните части от речевите тагове. Това е така, защото POS маркирането не е нещо общо. Напълно възможно е една дума да има различна част от речта в различни изречения въз основа на различен контекст. Ето защо е невъзможно да има родово картографиране за POS маркери.

Както можете да видите, не е възможно ръчно да се открият различни тагове за част от речта за даден корпус. Нови типове контекст и нови думи продължават да се появяват в речници на различни езици и ръчното маркиране на POS не е мащабируемо само по себе си. Ето защо разчитаме на машинно базирано POS маркиране.

Преди да продължим по-нататък и да разгледаме как се прави маркиране на част от речта, трябва да разгледаме защо е необходимо маркирането на POS и къде може да се използва.

Защо маркиране на част от речта?

Маркирането на част от речта само по себе си може да не е решението на конкретен проблем с НЛП. Това обаче е нещо, което се прави като предпоставка за опростяване на много различни проблеми. Нека разгледаме няколко приложения на POS маркирането в различни NLP задачи.

Преобразуване на текст в реч

Нека разгледаме следното изречение:

They refuse to permit us to obtain the refuse permit.

Думата refuseсе използва два пъти в това изречение и тук има две различни значения. refUSE (/ rəˈfyo͞oz /) е глагол, който означава „отричам“, докато REFuse (/ ˈrefˌyo͞os /) е съществително, което означава „боклук“ (т.е. те не са хомофони). По този начин трябва да знаем коя дума се използва, за да се произнесе правилно текстът. (По тази причина системите за преобразуване на текст в реч обикновено извършват маркиране на POS.)

Погледнете етикетите за част от речта, генерирани точно за това изречение от пакета NLTK.

>>> text = word_tokenize("They refuse to permit us to obtain the refuse permit")>>> nltk.pos_tag(text)[('They', 'PRP'), ('refuse', 'VBP'), ('to', 'TO'), ('permit', 'VB'), ('us', 'PRP'),('to', 'TO'), ('obtain', 'VB'), ('the', 'DT'), ('refuse', 'NN'), ('permit', 'NN')]

Както можем да видим от резултатите, предоставени от пакета NLTK, POS таговете за refuse и REFuse са различни. Използването на тези два различни POS маркера за нашия конвертор на текст в реч може да излезе с различен набор от звуци.

По същия начин, нека разгледаме още едно класическо приложение на POS маркирането: многозначност на смисъла на думата.

Многозначение на Word Sense

Нека да поговорим за това хлапе на име Питър. Тъй като майка му е неврологичен учен, тя не го е изпратила на училище. Животът му беше лишен от наука и математика.

Един ден тя проведе експеримент и го накара да седне на час по математика. Въпреки че не е имал никакви предварителни познания по предмета, Питър смята, че е преминал първия си тест. Тогава майка му взе пример от теста и го публикува по-долу. (Слава за нея!)

Words often occur in different senses as different parts of speech. For example:

  • She saw a bear.
  • Your efforts will bear fruit.

The word bear in the above sentences has completely different senses, but more importantly one is a noun and other is a verb. Rudimentary word sense disambiguation is possible if you can tag words with their POS tags.

Word-sense disambiguation (WSD) is identifying which sense of a word (that is, which meaning) is used in a sentence, when the word has multiple meanings.

Try to think of the multiple meanings for this sentence:

Time flies like an arrow

Here are the various interpretations of the given sentence. The meaning and hence the part-of-speech might vary for each word.

As we can clearly see, there are multiple interpretations possible for the given sentence. Different interpretations yield different kinds of part of speech tags for the words.This information, if available to us, can help us find out the exact version / interpretation of the sentence and then we can proceed from there.

The above example shows us that a single sentence can have three different POS tag sequences assigned to it that are equally likely. That means that it is very important to know what specific meaning is being conveyed by the given sentence whenever it’s appearing. This is word sense disambiguation, as we are trying to find out THE sequence.

These are just two of the numerous applications where we would require POS tagging. There are other applications as well which require POS tagging, like Question Answering, Speech Recognition, Machine Translation, and so on.

Now that we have a basic knowledge of different applications of POS tagging, let us look at how we can go about actually assigning POS tags to all the words in our corpus.

Types of POS taggers

POS-tagging algorithms fall into two distinctive groups:

  • Rule-Based POS Taggers
  • Stochastic POS Taggers

E. Brill’s tagger, one of the first and most widely used English POS-taggers, employs rule-based algorithms. Let us first look at a very brief overview of what rule-based tagging is all about.

Rule-Based Tagging

Автоматичното маркиране на част от речта е област на обработка на естествен език, където статистическите техники са по-успешни от методите, базирани на правила.

Типичните подходи, базирани на правила, използват контекстна информация за присвояване на тагове на неизвестни или двусмислени думи. Многозначността се извършва чрез анализ на езиковите характеристики на думата, предходната дума, следващата дума и други аспекти.

Например, ако предходната дума е член, тогава въпросната дума трябва да е съществително. Тази информация е кодирана под формата на правила.

Пример за правило:

Ако двусмислена / неизвестна дума X е предшествана от определител и последвана от съществително, маркирайте я като прилагателно.

Ръчното определяне на набор от правила е изключително тромав процес и изобщо не е мащабируем. Така че имаме нужда от някакъв автоматичен начин за това.

The Brill’s tagger is a rule-based tagger that goes through the training data and finds out the set of tagging rules that best define the data and minimize POS tagging errors. The most important point to note here about Brill’s tagger is that the rules are not hand-crafted, but are instead found out using the corpus provided. The only feature engineering required is a set of rule templates that the model can use to come up with new features.

Let’s move ahead now and look at Stochastic POS tagging.

Stochastic Part-of-Speech Tagging

The term ‘stochastic tagger’ can refer to any number of different approaches to the problem of POS tagging. Any model which somehow incorporates frequency or probability may be properly labelled stochastic.

The simplest stochastic taggers disambiguate words based solely on the probability that a word occurs with a particular tag. In other words, the tag encountered most frequently in the training set with the word is the one assigned to an ambiguous instance of that word. The problem with this approach is that while it may yield a valid tag for a given word, it can also yield inadmissible sequences of tags.

An alternative to the word frequency approach is to calculate the probability of a given sequence of tags occurring. This is sometimes referred to as the n-gram approach, referring to the fact that the best tag for a given word is determined by the probability that it occurs with the n previous tags. This approach makes much more sense than the one defined before, because it considers the tags for individual words based on context.

The next level of complexity that can be introduced into a stochastic tagger combines the previous two approaches, using both tag sequence probabilities and word frequency measurements. This is known as the Hidden Markov Model (HMM).

Before proceeding with what is a HiddenMarkov Model, let us first look at what is a Markov Model. That will better help understand the meaning of the term Hiddenin HMMs.

Markov Model

Say that there are only three kinds of weather conditions, namely

  • Rainy
  • Sunny
  • Cloudy

Now, since our young friend we introduced above, Peter, is a small kid, he loves to play outside. He loves it when the weather is sunny, because all his friends come out to play in the sunny conditions.

He hates the rainy weather for obvious reasons.

Every day, his mother observe the weather in the morning (that is when he usually goes out to play) and like always, Peter comes up to her right after getting up and asks her to tell him what the weather is going to be like. Since she is a responsible parent, she want to answer that question as accurately as possible. But the only thing she has is a set of observations taken over multiple days as to how weather has been.

How does she make a prediction of the weather for today based on what the weather has been for the past N days?

Say you have a sequence. Something like this:

Sunny, Rainy, Cloudy, Cloudy, Sunny, Sunny, Sunny, Rainy

So, the weather for any give day can be in any of the three states.

Let’s say we decide to use a Markov Chain Model to solve this problem. Now using the data that we have, we can construct the following state diagram with the labelled probabilities.

In order to compute the probability of today’s weather given N previous observations, we will use the Markovian Property.

Markov Chain is essentially the simplest known Markov model, that is it obeys the Markov property.

The Markov property suggests that the distribution for a random variable in the future depends solely only on its distribution in the current state, and none of the previous states have any impact on the future states.

For a much more detailed explanation of the working of Markov chains, refer to this link.

Also, have a look at the following example just to see how probability of the current state can be computed using the formula above, taking into account the Markovian Property.

Apply the Markov property in the following example.

We can clearly see that as per the Markov property, the probability of tomorrow's weather being Sunny depends solely on today's weather and not on yesterday's .

Let us now proceed and see what is hidden in the Hidden Markov Models.

Hidden Markov Model

It’s the small kid Peter again, and this time he’s gonna pester his new caretaker — which is you. (Ooopsy!!)

As a caretaker, one of the most important tasks for you is to tuck Peter into bed and make sure he is sound asleep. Once you’ve tucked him in, you want to make sure he’s actually asleep and not up to some mischief.

Не можете обаче да влезете отново в стаята, тъй като това със сигурност ще събуди Петър. Така че всичко, което трябва да решите, са шумовете, които може да се чуват от стаята. Или стаята е тиха, или от стаята се чува шум . Това са вашите държави.

Майката на Петър, преди да те остави на този кошмар, каза:

Нека звукът бъде с вас :)

Майка му ви е дала следната диаграма на състоянието. Диаграмата има някои състояния, наблюдения и вероятности.

Имайте предвид, че няма пряка връзка между звука от стаята и Петър, който спи.

Има два вида вероятности, които можем да видим от диаграмата на състоянието.

  • Едната е емисиятавероятности, които представляват вероятностите за извършване на определени наблюдения при дадено състояние. Например имаме P(noise | awake) = 0.5. Това е вероятност за емисии.
  • Другите са преходътвероятности, които представляват вероятността за преминаване в друго състояние, дадено в определено състояние. Например имаме P(asleep | awake) = 0.4. Това е вероятност за преход.

Имотът на Марков се прилага и в този модел. Така че не усложнявайте нещата твърде много. Марков, твоят спасител каза:

Не навлизайте твърде много в историята ...

Свойството на Марков, както би било приложимо за примера, който разгледахме тук, би било, че вероятността Петър да бъде в състояние зависи САМО от предишното състояние.

But there is a clear flaw in the Markov property. If Peter has been awake for an hour, then the probability of him falling asleep is higher than if has been awake for just 5 minutes. So, history matters. Therefore, the Markov state machine-based model is not completely correct. It’s merely a simplification.

The Markov property, although wrong, makes this problem very tractable.

We usually observe longer stretches of the child being awake and being asleep. If Peter is awake now, the probability of him staying awake is higher than of him going to sleep. Hence, the 0.6 and 0.4 in the above diagram.P(awake | awake) = 0.6 and P(asleep | awake) = 0.4

Before actually trying to solve the problem at hand using HMMs, let’s relate this model to the task of Part of Speech Tagging.

HMMs for Part of Speech Tagging

We know that to model any problem using a Hidden Markov Model we need a set of observations and a set of possible states. The states in an HMM are hidden.

In the part of speech tagging problem, the observations are the words themselves in the given sequence.

As for the states, which are hidden, these would be the POS tags for the words.

The transition probabilities would be somewhat like P(VP | NP) that is, what is the probability of the current word having a tag of Verb Phrase given that the previous tag was a Noun Phrase.

Emission probabilities would be P(john | NP) or P(will | VP) that is, what is the probability that the word is, say, John given that the tag is a Noun Phrase.

Note that this is just an informal modeling of the problem to provide a very basic understanding of how the Part of Speech tagging problem can be modeled using an HMM.

How do we solve this?

Coming back to our problem of taking care of Peter.

Irritated are we ? ?.

Our problem here was that we have an initial state: Peter was awake when you tucked him into bed. After that, you recorded a sequence of observations, namely noise or quiet, at different time-steps. Using these set of observations and the initial state, you want to find out whether Peter would be awake or asleep after say N time steps.

We draw all possible transitions starting from the initial state. There’s an exponential number of branches that come out as we keep moving forward. So the model grows exponentially after a few time steps. Even without considering any observations. Have a look at the model expanding exponentially below.

If we had a set of states, we could calculate the probability of the sequence. But we don’t have the states. All we have are a sequence of observations. This is why this model is referred to as the Hidden Markov Model — because the actual states over time are hidden.

So, caretaker, if you’ve come this far it means that you have at least a fairly good understanding of how the problem is to be structured. All that is left now is to use some algorithm / technique to actually solve the problem. For now, Congratulations on Leveling up!

In the next article of this two-part series, we will see how we can use a well defined algorithm known as the Viterbi Algorithm to decode the given sequence of observations given the model. See you there!