Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Wielowymiarowa Przestrzeń Semantyczna (HAL) jako narzędzie analizy korpusów języka polskiego Joanna Rączaszek – Leonardi Bartosz Kruszyński Wydział Psychologii.

Podobne prezentacje


Prezentacja na temat: "Wielowymiarowa Przestrzeń Semantyczna (HAL) jako narzędzie analizy korpusów języka polskiego Joanna Rączaszek – Leonardi Bartosz Kruszyński Wydział Psychologii."— Zapis prezentacji:

1 Wielowymiarowa Przestrzeń Semantyczna (HAL) jako narzędzie analizy korpusów języka polskiego
Joanna Rączaszek – Leonardi Bartosz Kruszyński Wydział Psychologii UW

2 Teorie znaczenia wyrazów języka naturalnego
Jak ująć/reprezentować znaczenie? Gdzie go szukać? W zewnętrznej rzeczywistości? W umyśle użytkownika języka? W związkach między wyrazami? Alan Cruse „Meaning in Language” (Oxford Textbooks in Linguistics, 2004) „The position taken in this book is that in general meanings are not finitely describable, so this task boils down to finding the best way to approximate meanings as closely as necessary for current purposes...”

3 Charakterystyka znaczenia: częstość współwystępowania z innymi wyrazami
Teoria najmniej ciekawa dla psychologa...? (pomija to, do czego wyraz się odnosi, pomija reprezentacje poznawcze, jakie towarzyszą użyciu lub rozumieniu wyrazu). Jednak związki między wyrazami (konteksty jęz.) daje się obiektywnie opisać; Łatwiej niż: odniesienia, czy reprezentacje umysłowe... Wzorce współwystępowania wyrazów jeśli nie wyznaczają (tak jak chciał np. Quine) tego, co one znaczą, to na pewno z tego znaczenia wynikają. Jakoś więc są z innymi aspektami znaczenia powiązane, odzwierciedlają je.

4 Metoda: 1995 – Kurt Burgess: Konferencja CUNY: Hyperspace Analogue to Language Korpus: np. 160 mln wyrazów; Macierz np x ; elementy: średnia bliskość danych dwóch wyrazów w tekście (miara współwystępowania dwóch wyrazów); Wyraz: reprezentowany przez wektor (o długości elementów); Podobieństwo wektorów: podobieństwo (strukturalistycznie zdefiniowanego) znaczenia.

5 CO UMIE HAL? Kategoryzacja Znajduje najbliższe „semantycznie” wyrazy
Np. semantyczna rzeczowników (nazwy geograficzne, zwierzęta, rośliny); Kategorie gramatyczne; Znajduje najbliższe „semantycznie” wyrazy Burgess: korelacja bliskości w przestrzeni HAL z siłą torowania (model pamięci semantycznej(?));

6 Torowanie semantyczne:
Założenie: słowa semantycznie związane uaktywniają się nawzajem (sieci semantyczne: im bliższy związek, tym silniej) Rozpoznanie słowa jest szybsze po wcześniejszej prezentacji słowa semantycznie z nim związanego

7 SZPITAL SZPITAL DRZEWO KOŁO LEKARZ JAJKO TRATWA STONU słowo nie-słowo

8

9 Wstępna ocena HAL’a Bardzo prosty koncepcyjnie model może być użyteczny w badaniach reprezentacji znaczenia. Czy nadaje się do tych samych celów w przypadku języka polskiego?

10 HAL a język polski Polski: swobodniejszy (niż angielski) szyk zdania: czy HAL będzie działał? przykład: konstrukcja macierzy Działa. Nawet na małym (np. 0,5 mln) korpusie: Znajduje wyrazy bliskie znaczeniowo (intuicyjnie; np. Najbliżej wyrazu „absolwentów”: są wyrazy: „uczniów”, „ludzi”, „i”, „nauczycieli”, „szkół”); Klasyfikuje; Przewiduje siłę torowania: efekt torowania silniejszy dla wyrazów bliskich w przestrzeni HAL niż dla dalekich (związek między „strukturalistycznym” a „psychologicznym” opisem znaczenia).

11 HAL działa: Dla języków o różnej strukturze i szyku zdania
Dla małych korpusów Dla form podstawowych jak i dla bezpośrednio występujących w tekście

12 HAL jako narzędzie analizy tekstów
Porównywanie bliskości wyrazów w HAL’ach skonstruowanych dla różnych korpusów tekstów: Pochodzących z różnych momentów czasowych Np. Analiza zmiany relatywnej bliskości wektorów w czasie Pochodzących z różnych kultur lub środowisk: Nasz Dziennik vs Gazeta Wyborcza

13 Pierwsze (wstępne) analizy
Porównanie otoczenia semantycznego wybranych słów Porównanie odległości między wybranymi wyrazami wewnątrz każdego korpusu

14 Ad. 1 GW: ND: "kościoła" "wyroki" "miał" "kościoła" "krwi" "mit"
"znaki" "przekracza" "założenia" "dzieła" "książka" "mówić" "europę" "krakowie" "odmówił" "otwarcie" "wiary" "postawa" "cbś" "nagrodę" "przekonany" "głośno" ND: "kościoła" "mit" "urząd" "historii" "katolickiego" "polityki" "patriotyzm" "polaków" "wiernych" "powołany" "duszpasterz" "tle" "matki" "w" "bożej" "św"

15 ND: GW: "kobiet" "mężczyzn" "cyklu" "ciała" "chętnie" "twarzy" "białe"
"miejscach" "zatem" "zasadach" "kilkunastu" "rękę" "trzech" "zdjęcia" "wspólnej" "ton" "sobą" "ds" "roli" "prowadzi" "kobiet" "roli" "niczym" "dziele" "równocześnie" "sytuacja" "pokoleń" "jaruga" "pełnomocnik" "status" "forum" "wskaźnik" "nowacka" "pomysł" "izabela" "statusu" "mężczyzn" "kowalewska" "wygląda" "przyczynić"

16 Ad. 2. Porównanie relatywnych odległości wektorów reprezentujących wybrane pojęcia
Uporządkowano wszystkie wyrazy (o f >10) według odległości od wybranego wyrazu. Czyli: im wyższa ranga, tym podobniejsze wektory.

17 „Dyferencjał semantyczny” w HAL’u:
Kościoła Kobieta Aborcji Polsce ND GW dobrego Złego dobrego złego dobrego – 3034 złego matka dobrego – 1698 złego matka dobrego – 5784 złego dobrego – 294 złego dobrego – 4120 złego dobrego – 2451 złego

18 Kłopoty z HAL’em: Odróżnienie asocjacji (klisz językowych) od „prawdziwej” bliskości semantycznej np. „czerwony” i „kapturek” mogą mieć podobne wektory bliskości do innych wyrazów bo często występują razem – szczególnie w małych korpusach. Odróżnianie znaczeń wyrazów wieloznacznych Czym jest HAL? Ponadjednostkowa, abstrakcyjna „reprezentacja znaczenia”?

19

20 Bibliografia Burgess, C., & Lund, K. (1997). Modeling parsing constraints with high-dimensional context space. Language and Cognitive Processes, 12, Burgess, C., & Livesay, K. (1998). The effect of corpus size in predicting reaction time in a basic word recognition task: Moving on from Kucera and Francis. Behavior Research Methods, Instruments, & Computers, 30, Burgess, C. (1998). From simple associations to the building blocks of language: Modeling meaning in memory with the HAL model. Behavior Research Methods, Instruments, & Computers, 30, Lund, K., & Burgess, C. (1996). Producing high-dimensional semantic spaces from lexical co-occurrence. Behavior Research Methods, Instrumentation, and Computers, 28, Marciszewski, W. (1985) Logika formalna, Warszawa: PWN. Osgood, C. E. (1971) Exploration in semantic space: A personal diary. Journal of Social Issues, 27, 5-64.

21 Przykład: Obliczanie wartości elementów macierzy dla zdania:
The horse raced past the barn fell. Okno o rozmiarze 5

22 The horse barn fell past raced horse the 5

23 The horse raced barn fell past raced horse the 5 4

24 The horse raced past barn fell past raced horse the 5 4 3

25 The horse raced past the
barn fell past raced horse the 5 4 3 2

26 The horse raced past the barn
fell past raced horse the 4 3 2 6 5

27 The horse raced past the barn fell
4 3 2 6 5 1


Pobierz ppt "Wielowymiarowa Przestrzeń Semantyczna (HAL) jako narzędzie analizy korpusów języka polskiego Joanna Rączaszek – Leonardi Bartosz Kruszyński Wydział Psychologii."

Podobne prezentacje


Reklamy Google