基于评价的英语句法结构消歧和自我评价的规则校正

第39卷第7期2002年7月计算机研究与发展JO URN AL O F COM PU T ER RESEARCH AND DEV ELOPM EN TV o l.39,N o.7July 2002原稿收到日期:2001-08-30;修改稿收到日期:2002-03-14本课题得到国家自然科学基金(69775017)和国家“八六三”高技术研究发展计划基金项目(863-306-ZT03-06-3,863-306-ZD13-04-4)资助基于评价的英语句法结构消歧和自我评价的规则校正孟　遥　赵铁军　李　生　姚建民(哈尔滨工业大学计算机科学与技术学院　哈尔滨　150001)(meng @ )摘　要　句法结构歧义是句法分析过程中最主要也是最难解决的问题之一.使用了一种组合型的概率评价函数解决英语句法分析过程中所面临的结构歧义问题,综合考虑了句法分析时的结构特性和上下文信息.并使用基于规则的句法分析后校正机制对错误的分析结果进行进一步的校正.组合型的概率评价函数为更精细的句法分析提供了一个可以扩充的统计模型,这种方法也可以适用于其它语言的句法分析.实验结果表明,这种方法具有较高的精确率和召回率.关键词　句法分析,句法结构消歧,概率评价函数,规则中图法分类号　T P 18A STRUCTURE AMBIGUITY RESOLUTIO N BASED O N COMBINEDPROBABILITY EVALUATIO N FUNCTION AND THE POSTPARSING CORRECTIO N BASED O N RULEM EN G Yao ,ZHAO Tie-Jun,LI Sheng,and YAO J ian-Min(S c hool of Computer Science and Technology ,Harbin Institu te of Tec h nology ,Harbin 150001)Abstract　The am big uity in sy ntactic structure is a hard stone in na tural la nguage parsing .This paper deals with the structure am big uity problem by using a com bined pro bability evaluation functio n,w hich em ploy s the sentence structure fea tures and contex t info rmation during English parsing .Post parsing co rrectio n is implem ented on the basis of rule -based ex tensible fram e ,w hich possesses the fea ture o f a self -ev alua tio n mechanism .These tw o ev aluatio n methods hav e been provided.The combined probability evaluation function has provided an ex tensible sta tistic m odel for better parsing o f Eng lish sentences,w hich is also a pplicable to other la nguages.The ex periment show s a promising result o f precision and recall .Key words parsing ,sy ntactic ambig uity reso lution ,evaluatio n function ,rule1　引 言句法分析是自然语言处理的一个核心内容.句法分析的任务是生成一棵带有句法功能标记的短语结构树,它能指明短语的构成成分与成分之间的相互关系.输入一个句子,可以生成许多种形式的句法结构,这一现象叫做句法结构歧义[1].句法结构消歧是英语句法分析的主要任务[2～4].基于规则和基于统计的方法应用于句法分析各有其优缺点.基于规则的方法可以方便地将语言学家的知识应用到分析过程中,在规则中引入词汇信息、语义信息和上下文信息也比较容易.但是基于规则的唯理主义方法,在系统的一致性、可维护性以及通用性等一系列重大问题上面临着巨大困难.即使建立一个初步的句法分析系统也需要几千条精心选择的规则,规则获取十分困难.一个基于规则的句法分析器要经过漫长的时间才能够建立起来[5].基于统计的方法可以从语料库中获取知识,避免了人工获取规则之苦,获取的知识具有客观性好、一致性强等特点,有了语料库支撑可以很快建立起一个具有一定消歧能力的句法分析器.而且它面向现实生活中实际出现的语言材料,不仅可以处理符合传统语法的句子,而且可以处理不太符合传统语法的句子,增强了系统的鲁棒性.但是统计的方法总是抑制小概率事件的发生,并且从训练语料中获得的统计数据针对训练语料本身可能是一致的、错误最小的.但并不能保证对于我们需要解决的任务,这些数据同样也是一致的、错误最小的[6].因此,一个面向实用的句法分析器在解决句法结构歧义问题上应整体考虑基于规则和基于统计这两种方法各自的优缺点.采用综合的解决策略,尽可能发挥每种方法各自的优点,最大可能地减少句法分析过程中出现的错误[1].基于上面的考虑,我们设计并实现的英语句法分析器采用了以统计为主体、规则修正的策略.句法分析的总体过程如图1所示:图1　英语句法分析过程 我们采用了分解式的问题解决方法,将句法分析过程分为句子的浅层句法分析和句子骨干部分深层句法分析两大部分.输入一个英语句子,经过词性标注后,首先进行句子的浅层句法分析,完成英语基本名词短语(BNP)识别和介词短语附着(PPA)确定以及从句识别,随后浅层句法分析的结果作为句子骨干部分句法分析的输入,最终完成整个句子的句法分析.在这样的渐近式句法分析过程中,后面的处理模块需要用到前面的处理结果,为避免错误累加,我们在每一个模块处理结束后都增加了一个基于规则的错误校正机制,尽可能保证后面模块所接收到的结果是正确的.分解式的问题解决策略使得我们可以针对不同的问题采取更有效的处理方式[7,8].本文主要介绍句子骨干部分所用的句法分析算法以及基于规则的错误校正后处理,其它内容将另文介绍.2　统计与规则相结合的句子骨干部分句法分析 一个句子应用上下文无关规则可以生成许多句法分析结果,关键是要从这些句法结果中选择出正确的结果,也就是句法结构的消歧.这里,我们采用统计与规则相结合的方法,首先应用组合型的概率评价函数选择最优的句法分析结果,然后使用基于规则的句法分析后校正机制对错误的分析结果进行进一步的校正.我们从Penn Treebank [9]语料库中获取英语句法分析所需要的上下文无关规则,并且通过统计上下文无关规则在树库中使用频次给每个规则附着一个概率值.应用这些概率上下文无关规则进行句法分析.整个句法分析过程是分层进行的,每一层的输8037期孟　遥等:基于评价的英语句法结构消歧和自我评价的规则校正入是其下面一层的输出,在每一层得到所有能够匹配句子子串的规则.然后用动态规划算法对这些规则进行挑选,得到一条概率评价最大的规则序列.自底向上完成整个句法分析.同时在分析后增加了基于规则的错误校正机制,使用包含有复杂特征的上下文相关规则去掉前面分析中出现的错误,最终获得句法分析的最优结果.下面举例说明句子“I had the ho no ur of seeing Vice Premier Chen Yi.”的分析过程.浅层分析结果:BN P[I]had BN P[the honour] o f seeing BN P[Vice Premier]BN P[Chen Yi].深层分析的初始输入:BN P had BN P of seeing BN P BN P.第1层分析:BN P had BN P of seeing N P[BNP BN P].第2层输入:BNP had BN P o f seeing N P.第2层分析:BN P had BN P of V P[seeing N P].第3层分析:BNP had BN P PP[o f V P].第4层分析:BNP had N P[BN P PP].第5层分析:BNP V P[had N P].第6层分析:S[BN P V P].最终生成的句法树如图2所示:图2　句法分析树由于一棵句法树是用从语料库中统计出的上下文无关规则生成的,所以句法结构消歧任务也就是规则选择任务.从一个句子可能使用的若干组上下文无关规则序列中选择一组最适合该句子的规则序列,也就选择了一个最适合该句子的句法结构.在规则选择时,我们定义了一个概率评价函数将规则本身的出现概率与规则所处的上下文环境一起考虑,以此选取概率最优规则链.在概率选择之后又引入错误驱动的机制,对概率选择的错误结果进行校正.3　一个组合型的概率评价函数应用统计方法进行句法结构消歧时,最常用的方法是概率上下文无关文法(PCFG)[10,11].虽然PCFG将概率引入到句法分析中,给出了一种很好的消除结构歧义的方法,但由于PCFG在选取一条规则时没有考虑到这条规则所应用的特殊上下文环境,以及词汇化信息.因此PCFG并没有取得令人满意的结果[1,3,12].另一方面,N元文法可以较好地描述自然语言中的上下文关系[13],但它表示的是一个随机序列,它不能表示句法分析中所需要的结构信息[14].在这里,我们使用了一个组合型的概率评价函数,结合了PCFG和N元文法的优点.在规则选择过程中综合考虑了规则本身的出现概率和规则所处的上下文环境,取得了较好的消歧效果.组合型概率评价函数定义如下.定义1.候选规则集:设某一层句法分析的输入符号序列为W n1=w1,w2,…,w n,其中w i包括所有的词性符号、短语符号以及从句符号.规则集合中所有能够匹配输入符号序列当中一部分的规则构成了候选规则集.定义2.规则链:候选规则集中的某些规则是不能够同时出现的.一组互不包含且覆盖句子所有节点的规则叫做规则链.设L i为W n1的一条规则链.定义3.被选规则链:每一条规则链对应一种句法结构,也就是一种句法分析结果.最可能成为输入符号的句法分析结果的规则链叫做被选规则链,定义为L best.在本算法中是使概率评价函数值最高的规则链.L b est中的每一条规则叫做被选规则.设R i 为L best的某一条被选规则.给定一条规则R i:w k,w k+1,…,w l→N i,则规则的概率评价函数为Sc ore(R i)=S stru(R i)+S cont(R i|R i-1,R i-2),其中,S stru(R i)=T log(P(N i→w k,w k+1,…,w l)),这里,P(N i→w k,w k+1,…,w l)为规则的概率,它表示规则本身出现的概率.T为权值,它表示在概率评价函数中规则本身概率的权重.S cont(R i|R i-1,R i-2)= U log(P(N i|N i-1,N i-2)),其中N i-1和N i-2为规则链上规则R i的前两个规则所生成的符号,P(N i| N i-1,N i-2)表示了规则R i出现时它的上下文对它的认可程度.这里称为规则的上下文概率.U为权值,表示在整个概率评分函数中规则的上下文认可804计算机研究与发展2002年程度的比重.规则链L i 的概率评分函数为Score (L i )=∑R i ∈LiScore (R i),其中R i为L i 中的任意一条规则.那么,被选规则链为L best =arg max {Sc ore (L i )},其中L i 为任意一条规则链.4　被选规则链的动态规划法求解给定一个英语句子,它的可选规则链很多.例如,输入如下句子结点链:BN P [Sto ries /NN S ]about /IN BN P [co wboy s /NN S ]are /VBP v ery /RB popula r /JJ ./FSP ,对应如下符号链(有关句法符号请参见Penn Tree-bank 的符号定义):BN P→IN →BN P →V BP →RB →JJ →FSP ,在候选规则集中可以查寻到的所有匹配规则构成了如图3所示的规则匹配图.图3　规则匹配图在图3中,任意一个覆盖某一段句法符号串的块即为一条候选规则,而一组不互相重叠且覆盖整个句子符号的块序列就是一个规则链.对于这个只有7个句法符号的句子,它的可选规则链达400多个,句子的可选规则链同句子的符号个数及候选规则集规模呈指数级增长.为此采用了动态规划算法以降低求解过程的时间复杂性,获得被选规则链.设句子对应的符号链为＄,＄,w 1,w 2,…,wn -1,w n ,#,其中＄,#是为计算方便而加入的句首符号和句尾符号.对任意规则r ,L (r ′,r )表示一条以r 结尾的局部规则链,其中r ′为r 在该规则链上的前一个规则.在规则链中所有以w i 为规则被归约部分第1个符号的规则构成了w i 的开始规则集R i .对任意候选规则r ,它可以出现在若干候选规则链上,在每个候选规则链上,r 的前一个规则构成r 的前项规则集Pre -R (r ).动态规划算法的实现过程如下:①计算初始局部最优规则链w 1的开始规则集为R 1, R 1i ∈R 1,以R 1i 结尾的局部规则链为L (＄,R 1i ),Sc ore (L (＄,R 1i ))=S stru (R 1i )+U log (P (N 1i |＄,＄)).其中N 1i 为R 1i 的生成符号.因为R 1i 是规则链的第1条规则,以R 1i 结尾的每一个局部规则链都是最优局部规则链,记为L best (＄,R 1i ).②局部最优规则链的递推公式设w t 的开始规则集为R T , R Ti ∈R T ,而 R ′∈Pre -R (R Ti )为R Ti 的前项规则, R ″∈Pre -R (R ′)为R ′的前项规则,此时有L best (R ′,R Ti )=arg max L (Score (L best (R ″,R ′))+S stru (R Ti )+S cont (R Ti |R ′,R ″)). ③计算最优规则链上的最后一条规则设最优规则链L =r 1,r 2,…,r m -1,r m ,r m 为最后一条规则,则r m =a rg m ax (L best (R ni ,#)),其中R ni 为w n 的开始规则.④从r m 起回退最优规则链上的每一条规则.使用动态规划算法只需一遍扫描句子结点即可获得句子的最优规则链,其时间复杂性为O (n ×I 3).其中n 为句子结点个数,I 为每个结点符号的开始规则集合中元素的平均个数.5　基于规则的句法分析校正尽管在上述基于统计的句法分析过程中采用了综合的概率评分机制,全面考虑了规则本身的概率和它的上下文信息(三元文法),但分析结果中的错误显示,我们无法避免统计本身存在的弱点:统计的方法总是抑制小概率事件的发生,并且从训练语料中获得的统计数据仅仅针对训练语料本身可能是一致的、错误最小的,却不能保证对于开放文本的句法分析这些数据同样也是一致的、错误最小的.由于统计消歧时只使用了词的词性信息,并没有引入语义信息、词本身的信息,另外一些固定的句型也没有做专门的处理,所以在基于统计的句法分析之后,我们引入了基于规则的自评价的错误校正机制.对句法分析校正的主要思想是一种错误驱动的思想,它通过机器自动抽取与人工参与的方法针对错误的分析结果获得校正规则.每层句法分析结束后,应用校正规则库对分析的结果进行进一步的处理,以校正分析中出现的错误.校正规则使用包含复8057期孟　遥等:基于评价的英语句法结构消歧和自我评价的规则校正杂特征的上下文相关规则.句法分析校正程序主要由3个模块组成:(1)校正规则执行模块;(2)校正规则库管理模块;(3)系统性能自评价模块.校正规则执行模块的主要功能为对规则库中规则进行解释,建立规则匹配树[15].在分层句法分析进行过程中,当一层的句法分析结束后,即采用最长匹配策略,检查是否有匹配的校正规则.如果有则根据校正规则的要求对分析结果进行校正.校正规则库管理模块主要功能为规则格式检查、规则库添加、规则冲突检查.系统性能自评价模块的主要功能为对添入规则库的规则进行系统性能评价.它通过让机器自动标注一个人工检验已经是正确标注的测试集,比较正确结果与自动标注结果之间的差别去评价系统性能,从而决定规则是否添加到规则库中.添加校正规则的过程如图4所示:图4　获取校正规则过程校正规则的添加可以采用人工书写规则和机器抽取加人工筛选两种方法.当调试人员在分析一个句子时,如果发现句法分析的结果有错,可以采用人工书写规则的方法校正分析的错误.其过程是首先找到位于句法树最底层的错误结果,书写一条上下文相关的规则加以校正,然后重新进行句法分析,如果结果正确并且该规则并没有降低系统性能,则在规则库中添入该规则.校正规则可以包含有丰富的复杂特征集,它可以充分利用语法、语义、词汇等各级知识,可以充分考虑句型和句式的特点.基于规则的校正机制的引入,有效地弥补了基于统计的句法分析的弱点.另外,在校正机制中增加了系统性能评价模块,这对于整个规则添加过程十分重要.以往基于规则的系统,难以解决规则冲突、规则不一致的问题.有可能加入一条规则改对了一个句子,却使一些原来正确的句子产生错误.而系统性能评价模块可以很好地解决这个问题,它提供了系统性能评价机制,每加入一条规则都要看它是否会降低系统的总体性能.只有不降低系统总体性能的规则才可以加入规则库,因而有效地避免了规则冲突、不一致的问题.应用这种方法,我们从初高中英语课本中选取了1000个句子,针对句法分析错误的句子书写校正规则,共添加了345条校正规则,校正了1000个句子中出现的包括词性标注在内的所有种类的错误,最终对1000个句子的句法分析结果的精确率和召回率都达到98%以上.实验表明,对于封闭语料,文中所采用的校正机制可以达到很高的精确率和召回率.6　实验结果实验分两组,第1组实验用来测试组合型概率评分函数中S stru (R i )(即规则的结构概率)和S cont (R i|R i -1,R i -2)(即规则的上下文概率)选取不同的权值时对系统性能的影响.第2组实验用来测试加入规则和不加规则对系统性能产生的影响.测试时使用了3个测试指标[1,16,17]:精确率=正确的短语个数识别的总的短语个数,召回率=正确的短语个数测试句中总的短语个数,F -估计=2×(精确率×召回率)精确率+召回率.第1组实验使用封闭测试,从Penn Treebank 中随机抽取500个句子作为测试文本,共进行10次实验.通过对S st ru (R i )的权值T 和S cont (R i |R i -1,R i -2)的权值U选用不同的比值,以改变它们在整个概率评分函数中所起的作用.实验结果如表1所示.实验显示:规则本身的结构概率在整个句法分析中的重要性大于规则的上下文相关概率.表1中的实验1表明,当结构概率权值小于上下文相关概率时(如1/2),虽然系统的精确率有所提高,但不能合并的结点增加,召回率显著下降,整个系统的性能变差.而实验2～10表明,当T 与U 的比值变大(如7∶1)时,精确率逐渐下降,而最初召回率虽然有所增加,但当T 与U 的比值增加到一定程度时召回率806计算机研究与发展2002年也开始下降.图5显示当T 与U 的比值为6∶1时召回率和F -估计最高.表1　组合型概率评分函数不同权值对系统性能的影响实验序号T ∶U 出现短语数识别短语数正确识别数精确率召回率F -估计11∶27161325929050.8910.4050.55721∶17161633052820.8340.7370.78332∶17161641952890.8230.7380.77843∶17161660553480.8140.7510.78154∶17161653953550.8180.7470.78165∶17161657553820.8180.7510.78376∶17161672255180.8200.7700.79487∶17161664054200.8160.7560.78598∶17161665554290.8150.7580.785109∶17161660953550.8100.7470.777图5　第1组实验结果根据上述实验结果,确定最终概率评分函数为Sc ore (R i )=6log (P (N i →w k ,w k +1,…,w l ))+log (P (N i |N i -1,N i -2)). 第2组实验用来测试基于规则的校正模块对系统性能产生的影响.实验包括封闭测试和开放测试两部分,封闭测试使用第1组实验中的500个句子,T 与U 比值为6∶1.开放测试文本选自“八六三”计划专家组使用的英汉机器翻译测试文本(平均每句15个单词),从中随机抽取160个句子,由外语系教师参考Penn Treebank 的标注标准进行手工标注.规则集为调试1000个初高中英语所生成的345条规则.实验结果显示:对于开放测试和封闭测试,加入规则后的句法分析结果都好于未使用规则的结果.实验结果如表2所示:表2　规则校正模块对系统性能的影响句法分析评测出现短语数识别短语数正确识别数召回率精确率F -估计封闭开放统计7161672255180.7700.8200.794统计+规则7161694658330.8140.8390.8266统计113411029370.8260.8500.8387统计+规则113410869620.8480.8850.866 测试结果中开放测试的精确率和召回率都高于封闭测试,主要原因是开放测试所选句子相对封闭测试所选句子简单.此外,开放测试集合的标注符号相对于Penn Treeba nk 符号略微简单一些.整个实验结果表明,调整规则本身的概率与规则的上下文概率以及采用规则与统计结合的方法可以提高英语句法分析器的性能.对于开放测试,Pauw[18]所做的面向数据的句法分析器获得了F =88.2的结果,是目前所能看到的最好的英语句法分析结果.虽然我们的开放测试结果略低于此,但因为Pauw 所选句子最长不超过15个单词,而我们所使用的句子最长的为32个单词,平均单词数为15个,句子远为复杂,所以我们的实验结果也是最好结果之一.同时,我们的系统是一个可扩展的句法分析系统,相信今后通过人机互助或自动地改正句法分析的错误,系统的整体性能还可以得到进一步提高.7　结 论句法结构消歧是一件十分困难的工作,完全的消歧可能需要用到语法、语义、词汇及上下文语境等的综合知识[3,19,20].本文提出了一种统计与规则相结合的深层句法分析方法,有效地消除了在句法分析过程中出现的大量句法结构歧义.在以统计为主体的句法分析过程中,使用了组合型的概率评价函数,这种概率评价方法不仅可以在规则选择过程中考虑规则本身的出现概率和规则所处的上下文环境,还可以调整规则本身的概率和规则的上下文概率在评价中的比重.通过实验选择了最优的比例.另外组合型的概率评价函数可以方便地集合各种可用的知识,并且可以通过加权的方式,调解各种知识在句法分析中所起的作用,为进一步进行更精细的句法分析提供了一个很好的统计模型.在基于规则的后校正过程中,使用系统性能评价机制有效地解决了规则的冲突问题,保证系统的整体性能不断提高.实验表明,使用基于统计的句法分析方法,可以使我们在较短时间内建立一个相对完善的句法分析器;而基于错误驱动的自评价的分析结果校正机制,可以使句法分析器的性能逐渐提高,日益完善.基于统计和基于规则方法的结合为高性能句法分析器的实现提供了一个可行方案.致谢　感谢哈尔滨工业大学外语系李小红、卢玲、王祥玉在语料库工作方面给予的大力支持.8077期孟　遥等:基于评价的英语句法结构消歧和自我评价的规则校正参考文献1Chris toph er M anning,H inrich Sch utze.Fou ndations of Statis-tical Natural Lang uage Processing.M A:M I T Pres s,19992R Bod.A compu tational m od el of language perfo rmance:Data orien ted parsing.In:Proc of CO LING-1992.Nantes,19923Michael J Collins.Three g enerative,lexicalis ed models fo r s ta-tis tical parsing.In:Proc of the35th Annual M eeting of th e Association for Computional Linguis tics.M adrid,1997.16～234David M M agerman.Statis tical decision-tree models for pars-ing.In:Proc of the33rd Annual M eeting of th e Association for Compu tional Linguis tics.M ass achus etts,1995.276～283 5David M M agerman.Natural language parsing as s tatistical pattern recognition[Ph D dissertation].Stanford Univ ersity, Stan ford,19946Tu ng-Hui Chiang,Yi-Ch ung Lin et al.Robust learning, smoothing,and parameter tying on s yntactic ambig uity pu tational Linguis tics,1995,21(3):321～3457赵铁军,方高林,李生.英语介词短语附着决策的研究.高技术通讯,2001,11(3):36～41(Zhao Tiejun,Fang Gaolin,Li Sheng.Res earch on solu tion of prepositional ph rase attachm en t.High Tech nology Letters(in Chinese),2001,11(3):36～418张晶,赵铁军.基于语料库的英语从句识别研究.中文信息学报,2001,14(6):51～57(Zhang J ing,Zhao Tiejun.A Corpus-bas ed Approach to Eng-lish Subo rdinate Claus e Id entification.J ou rnal of Chin es e In-formation Proces sing(in Chines e),2001,14(6):51～579M M arcus,B Santorini et al.Building a large anno tated corpus of Englis h:Th e Penn Treeban putational Linguis tics.1993,19(2):313～33010K Lari,S J Young.The es timation of stochas tic contex t-f ree gram mars using the inside-outside puter Speech and Languag e,1990,4(1):35～5611K Lari,S J Young.Application of s tochas tic contex t f ree gram mar using th e insid e-outside alg orith puter Speech and Language,1991,5(1):237～25712David M M ag erman,Carl W eir.Efficiency,robus tnes s,and accuracy in pick y chart parsing.In:Proc of th e30th Annual M eeting of the As sociation fo r Compu tional Ling uistics.Dele-w are,1992.40～4713Law rence R Babin er.A tu torial on hid den M arkov models and selected applications in s peech recognition.Proceedings of th e IEEE,1989,77(2):257～28514W Ch urch,Robert L M ercer.Introduction to th e special issu e on compu tational ling uis tics using larg e pu tation-al Linguis tics,1994,19(1):1～2415荀恩东,李生,赵铁军.匹配树和决策树方法识别英语句子中的Bas eN P.计算机研究与发展,2000,37(7):826～832(Xun Endong,Li Sheng,Zhao ing matching tree and decision trees to id en tify Bas eN P in English s entences.J ou rnal of Compu ter Research and Development(in Chinese), 2000,37(7):826～832)16E Black et al.A proced ure for quan titatively comparing the s yntactic coverag e of English g rammars.In:Proc of th e4th DARPA Speech and Natural Language W orks hop.San M ateo, 1991.306～31117Ulf Herm j akob,Raymond J M ooney.Learning parse and translation decisions from examples with rich contex t.In:Proc of th e35th Annual M eeting of the Ass ociation for Computional Ling uistics.M ad rid,1997.482～48918Guy De Pauw.Aspects of pattern-matching in data-orien ted parsing.In:Proc of th e CO LING-2000.Saarbrucken,2000 19Donald H indle,M ats R ooth.Structural ambig uity and lexical relation putational Linguistics,1993,19(1):103～120 20D Gildea,D Jurafs ky.Au tomatic labeling of s emantic roles.In:Proc of the38th Annual M eeting of th e Ass ociation for Comp utional Ling uistics.Hongk ong,2000.512～520 孟　遥　女,1970年生,博士研究生,主要研究方向为自然语言句法分析、机器翻译. 赵铁军　男,1962年生,博士生导师,主要研究方向为机器翻译、计算语言学. 李　生　男,1943年生,博士生导师,主要研究方向为自然语言处理、机器翻译. 姚建民　男,1971年生,博士研究生,主要研究方向为词义消歧、机器翻译.808计算机研究与发展2002年。