TJU自然语言处理（6）：词汇获取

介绍

• 总体目标：设计一种算法和统计技术，通过对大规模文本语料库的挖掘，获取其中词语出现的各类形式，来填补现有机读词典的不足。
• 俗话来说就是人类不断发明着新词，而字典不可能及时收录，这就需要词汇获取，而词汇获取的任务是扩大传统辞典中所包含的词条的信息，完善词条各方面的属性。

词汇获取的分类

评价方法

Precision （精确率）
Recall （召回率）
F-measure （F测量值）
Fallout （漏识率）

fp:不是正确的，但你选出来了
tp:正确的而且你选出来了
fn:正确的，但没选出来
tn:不是正确的而且没选出来

• 问题：为什么不用系统正确判断所占比例（准确率）来衡量性能呢？
• 答：当tn或者tp数量非常多，以至于不在一个数量级时，会造成算出的准确率差异在小数点后几位才有区别。此时F-measure更加好一点。

动词子范畴

• 定义：动词可以被划分为不同的句法范畴，也就是说，动词可以用不同的句法形式来表示自己的语义对象。我们把根据动词所允许搭配的补足成分的类型（名词短语，介词短语等）对动词进行分类称之为子范畴。我们总是对于某个特定的补足语来谈一个动词的子范畴。
• 子范畴框架：动词可以出现于其中的一个特殊语义论元集即称为一个子范畴框架。例如：动词为Greet，和它一同出现的论元为主语和宾语，都可以看作是名词短语，所以在该句中greet的框架为Np,np。
• 为何称为子范畴：因为如果我们把可以带有某一特定语义论元集合的动词作为一类，那么我们可以通过各种不同的句法形式（syntactic means）来表达这种语义，每一种表达形式都可以称为一个子范畴。例如：
  带有语义对象theme(主题)和recipient（受体）的一类动词可以有这样的子范畴，这类动词既可以使用宾语和介词短语来表示他们的语义论元，如donate，又可以使用双宾语结构来表示，每种表示形式都是这类动词的一个子范畴。