Statistische Verfahren zur Bestimmung von KollokationenStatistische Verfahren zur Bestimmung von Kollokationen

LV Sprachverarbeitung WS 02/03H. Schweppe

Literatur: C. Manning, H. Schütze,

Foundations of Statistical NL Processing, ch. 5 ff, MIT Press, 2002

hs / fub – alp3-19-Bbaum-1 2

"The notion of collocation may be confusing to readers without a background in linguistics"

(C.M.)

hs / fub – alp3-19-Bbaum-1 3

KollokationenKollokationen

Allgemein: Sprachliche Ausdrücke, die aus zwei oder mehr Wörtern bestehen und einen Inhalt ausdrücken.

Beispiele:starker Tobak, steife Brise, Big Blue, internationale Spitze

Nicht substituierbare Bestandteile: starker Mann - kräftiger Mann, aber:starker Tobak – kräftiger Tobak ?

Im Deutschen oft Komposita:Weltstandard vs. international best practice

Große Ähnlichkeit zu "terminologische Phrase","Terminus Technicus", "Namen"

hs / fub – alp3-19-Bbaum-1 4

KollokationenKollokationen

Typische Eigenschaften Nicht kompositionell "Neue Schuhe" versus "Neuer Markt"Nicht substituierbar "white wine" , "yellow wine" Nicht modifizierbar "Neuer dynamischer Markt" aber "dynamischer Neuer Markt" ( Adj, Nomen)

Erweiterte Definition schließt ein:EigennamenTerminologische Ausdrücke ("test set", "program specification")Assoziative Kollokationen ("Krankenhaus – Schwester")Verb / Substantiv – Kollokationen ("Entscheidung treffen")

hs / fub – alp3-19-Bbaum-1 5

Kontext und AnwendungenKontext und Anwendungen

Keine Bedeutung in strukturalistischer Linguistik à la Chomsky

Anwendungen: Spracherzeugung … also auch maschinelle Übersetzung

- stiff breeze = starke Brise?? steifer Wind??Korpus-Linguistik (besonders Wörterbücher)Parsen Terminologie Extraktion (in technischer Literatur) "Projektbeginn" : " Projektbeginn ist am...", "Projekt beginnt am..."

hs / fub – alp3-19-Bbaum-1 6

FrequenzanalyseFrequenzanalyse

Einfachstes Verfahren: Worthistogramm erstellendie Wörter, die häufig gemeinsam (z.B. in einem Satz, "in der Nachbarschaft" vorkommen), bilden Kollokation

Unbrauchbar: C(w1,w2) w1 w280871 of the…15494 to be….11428 New York

Nach Manning,

New York Times Korpus, 115 MB Text

C(w1,w2): Häufigkeit des gemeinsamen

Vorkommens.

hs / fub – alp3-19-Bbaum-1 7

FrequenzanalyseFrequenzanalyse

Wesentliche Verbesserung durch einfache Syntaxmuster (Justeson, Katz, 1995)

Voraussetzung: Wörter sind markiert ("tag")

Muster Beispiel A N linear function NN regression coefficient (im D Kompositum!)

NAN mean square error (mittlerer quadr. Fehler)

NPN degrees of freedom (Freiheitsgrade)A = Adjektiv, N = Nomen, P = Präposition

hs / fub – alp3-19-Bbaum-1 8

Frequenzanalyse mit SyntaxfilterFrequenzanalyse mit Syntaxfilter

NYT-Korpus (wie oben) mit Justeson / Katz Filter

Nicht substituierbare Adjektive: "strong" vs "powerful"Nicht substituierbare Adjektive: "strong" vs "powerful"

Fast disjunkte Listen => Differenzierung der Semantik

hs / fub – alp3-19-Bbaum-1 10

FazitFazit

Einfache quantitative Technik (hier Frequenzfilter) kombiniert mit einfachem linguistischen Wissen liefert erstaunlich gute Ergebnisse

Verbesserungen leicht möglich durchStoppwort-FilterLemmatisierung (Reduktion auf Stammformen)

Aber: Große Trainingsmenge Bisher nur auf n-Gramme, n klein

hs / fub – alp3-19-Bbaum-1 11

Mittelwert und StandardabweichungMittelwert und Standardabweichung

Bisher: n-Gramme Syntaxmuster sonst kaum sinnvoll anwendbar(?)

(oder auch reguläre Ausdrücke sinnvoll??)

Alternative: Fenster der Breite b zulassenb im allgemeinen klein (5 … 10), da Kollokationen lokales Phänomen sind.Beispiel : "Projektbeginn"

- "Das Projekt beginnt am 1.1.2003"- "Nach Verzögerungen beginnt das Projekt…"- "Das Projekt, an das keiner mehr geglaubt hat, beginnt

am…"- "Das Projekt mit der knappsten Personalausstattung

beginnt.."

hs / fub – alp3-19-Bbaum-1 12

Mittelwert und StandardabweichungMittelwert und Standardabweichung

Berechne Mittelwert und Standardabweichung der Wortabstände

Im Beispiel: d = ¼ *(1+2+7+6) = 4,0s = (di-d)2 /(n-1) = 5,1…

Frequenz/Abstands-Histogramme von zu untersuchendem Wort w und anderen x,y,z sind Indiz für Kollokationen w x, w y, w z (Abb.)

Hypothese - nur in homogenem Textmaterial anwendbar

"Die Klasse beginnt mit einem import-…" (ok)"Die Aufführung beginnt …" (disjunkte Korpora?)

opposition - strong

support - strong

for - strong

zwei Maxima: keine Kollokation

flach: keine Kollokation

Frequenzhistogramm eines Wortes rel. zu anderenFrequenzhistogramm eines Wortes rel. zu anderen

Varian und Mittelwert von WortändenabstVarian und Mittelwert von Wortändenabst

InterpretationKleiner mittlerer Abstand d und kleine Standardabweichung entspricht Syntaxmustern.Großer Abstand und kleine Standardabweichung -> interessant, Kollokation?Hohe Standardabweichung -> nicht interessant.

Mittelwertund Standard-abweichung

hs / fub – alp3-19-Bbaum-1 15

HypothesentestsHypothesentests

Wie lassen sich zufällige Ergebnisse vermeiden?

Beispiel: zufällig häufiges Auftreten von "neue" und "Firmen" , etwa in Wirtschaftsartikeln.

Typisches statistisches Problem: Hypothesentests

Nullhypothese: z.B. zwei zufällige Ereignisse sind unabhängig. Bestimme Wahrscheinlichkeit p, dass sie beide eintreffen, wenn Nullhypothese zutrifft. Nullhypothese zurückweisen, wenn p zu klein z.B. p <= 0,05.

hs / fub – alp3-19-Bbaum-1 16

HypothesentestsHypothesentests

BeispielHypothese: Die Wörter "new" und "companies" kommen unabhängig in Texten vor (keine Kollokation):

P(w1 w2) = P(w1) P(w2) Statistische Testverfahren

z.B. t-Test : Gegeben N Messungen, errechneter Mittelwert x und Varianz s2. Zu testen die Nullhypothese: Daten sind aus einer Menge mit gegebene Verteilung und Mittelwert . Technisch: berechnen des t-Wertes: t = (x – ) /( s2/N )t-Verteilung liefert Konfidenzniveau, auf dem Nullhypothese verworfen oder akzeptiert wird.

hs / fub – alp3-19-Bbaum-1 17

Hypothesentest: BeispielHypothesentest: Beispiel

Beispiel wie oben: " new", "companies"....Experimentelle Daten

Anzahl Wörter im Korpus: N=14.307.668Anzahl Vorkommen: "new": 15.828 "companies": 4675Maximum Liklihood Schätzungen

P("new") = 15828/N, P("companies") = ...Nullhypothese: "new" und "companies" sind

unabhängig: H0: P("new companies") = P("new")*P("companies") 3,6 * 10 -7

hs / fub – alp3-19-Bbaum-1 18

Hypothesentest: BeispielHypothesentest: Beispiel

Interpretation der Nullhypothese als Bernoulliprozess: zufällige Auswahl von Wortpaaren (w1,w2) mit (w1,w2) = ("new companies") = 1, 0 sonst, p = 3,6 * 10 –7

Mittelwert = 3,6 * 10 –7

Varianz für Binominalverteilung: p(1-p) p . 8 mal kommt das Bigramm "new companies"

tatsächlich unter den 14307668 Bigrammen auf:

x = 8 / 14...68 5,5* 10-7 t berechnen: t 0,999.

hs / fub – alp3-19-Bbaum-1 19

Beispiel: HypothesentestBeispiel: Hypothesentest

Kritischer Wert für Konfidenz p = 0,995 , dass Nullhypothese zutrifft ist t0 = 2,576.

Nullhypothese ist für t > t0 zurückzuweisen. Trifft hier NICHT zu => "new companies" keine Kollokation (Bestätigung der Null-Hypothese)

KritikKritik

Hier gute Ergebnisse (Tabelle), aber viele Bi-Gramme sind nach dem Modell Kollokationen (falsches Modell?)

=> statistische Hypothesentests nur interessant für Rangordnung möglicher Kollokationen. Signifikanzlevel eher uninteressant.

hs / fub – alp3-19-Bbaum-1 21

Andere VerfahrenAndere Verfahren

Relative Frequenzen: Mehre KorporaErwartet: Verhältnis der Frequenzen nahe 1Aber: Sprachentwicklung. "Prager Fühling", "east Berliners",...Interessant, um Fachterminologie von anderen Kollokationen zu trennen. D

Informationstheoretisches Maß I(w, v) = log ( P(w v) / (P(w)P(v)) ) = log (P( w|v) / P(w)) = ..."Welche Information liefert w über v bzw. v über w"

Brauchbares Maß für Unabhängigkeit von w, v, aber insgesamt für Kollokations-Analyse wenig geeignet.

hs / fub – alp3-19-Bbaum-1 22

Allgemeines zu probabilistischen SprachmodellenAllgemeines zu probabilistischen Sprachmodellen

Jeder Wortfolge t = w1w2…wn wird Wahrscheinlichkeit p(t) zugeordnet

Verkettung und bedingte Wahrscheinlichkeiten für Text t:

p(t) = p(w1…wn) = p(w1) … p(wn|w1,…wn-1) mit

p(wk | w1…wk-1) = p(w1…wk) / P(w1…wk-1) C(w1…wk) / C(w1…wk-1)

(C: Empirische Frequenzen der Folgen) Diese "Verkettungsregel" führt zu einem

Historien-basierten Modell´.Historien clustern, um riesige Parametermenge

zu reduzieren.

hs / fub – alp3-19-Bbaum-1 23

n-gram Modellen-gram Modelle

Klassische statistische Sprachmodelle Jedes Wort wird in einem begrenzten Kontext

entsprechen einer bedingten Wahrscheinlichkeit vorhergesagt.

Tabellen…P(of|both) = 0,066P(to|both) = 0,041P(in|both) = 0,038

w1 w2 w3 wnn klein, lokalerKontext.

hs / fub – alp3-19-Bbaum-1 24

n-gram -Modellen-gram -Modelle

Fragwürdig, weil Distanz von aufeinander Einfluß habenden Wörtern SEHR groß ist.

"Der Politiker, wohl wissend, dass seine anstehende Entscheidung zur Reform des Arbeitsmarktes erhebliche Auswirkung auf das Leben des Einzelnen, besonders des gering Verdienenden, haben würde, liess sich in seinem Vorhaben nicht beirren."

Nützlich…… weil solche Sätze selten sind Empirische Untersuchungen: 74% Abhängigkeit zwischen benachbarten Wörtern (einfache Nominalphrasen als Wörter gezählt), 95% innerhalb 1…5 Wörtern.