1. 89-6801 עיבוד שפות טבעיות - שיעור רביעי Part of Speech Tagging עידו דגן המחלקה למדעי המחשב אוניברסיטת בר אילן

2. 89-6802 חלקי - הדיבור מקובל למנות 9 ~ קבוצות מילים המכונות " חלקי - דיבור ": שם עצם (noun), שם תואר (adjective), כינוי (pronoun), שם מספר (numeral), פועל (verb), תואר הפועל (adverb), מלת יחס (preposition), מלת חיבור (conjunction), מלת קריאה (interjection). אך זו רק חלוקה אחת

3. 89-6803 למה זה טוב ? בסיס לניתוח parsing יצירת קול (TTS) – אופן הביטוי של המילה : – רכבת / רכבת –CONtent/conTENT, OBJect/objECT, DIScount/disCOUNT Chunking/partial parsing/identifing terms N-gram models for speech IR,MT

4. 89-6804 איך מגדירים חלקי דיבר ? באופן מסורתי, ההגדרה של חלקי הדיבר מבוססת על תכונות מורפולוגיות של המילה או על המילים שמופיעות לידן בסמיכות distributional properties. באופן עקרוני, יש למילים מאותו חלק דיבר דמיון סמנטי, כלומר, הן מתארות איברים מאותן קבוצות למשל – שמות עצם –nouns אנשים, מקומות, דברים – thought, table, sister – שמות תואר – adjectives תכונות, כמויות big, lazy – לואי פעולה – adverbs – מתארים אופן, מקום, זמן, איכות quickly – פעלים – אירועים, התרחשויות או מצבי קיום – eat, is, write – ויש גם מילות יחס, מילות איחוי ועוד...

5. 89-6805 דוגמא The yinkish dripner blorked quastofically into the nindin with the pidibs. yinkish -adj nindin -noun dripner -noun pidibs -noun blorked -verb quastofically -adverb We determine the P.O.S of a word by the affixes that are attached to it and by the syntactic context (where in the sentence) it appears in.

6. 89-6806 Open class vs. Closed class types Closed class – הקבוצה שחבריה קבועים בדרך כלל, כמו מילות יחס. Open class – למשל, שמות עצם ופעלים : מילים חדשות מתווספות לקבוצה to fax, לפקסס בקורפוסים שונים ייצפו מילים שונות מהקבוצה הפתוחה, אבל אם הקורפוס גדול מספיק, סביר להניח שימצאו בהם אותם מילים השייכות לקבוצה הסגורה. מילים מהקבוצה הסגורה הן בדרך כלל function words – מילים השייכות לדקדוק כמו of, את – מילים קצרות בדרך כלל המופיעות בתדירות גבוהה, ולהן תפקיד תחבירי חשוב.

7. 89-6807 שמות עצם Nouns –take -s, 's, -ness, -ment, -er, affixes –Occur with determiners (a,the,this,some … ) –can be a subject of a sentence. Semantically: can be concrete – chair, train, or abstract – relationship. או שמות פעולה, למשל : אכילה, לאכול, eating

8. 89-6808 Types of Nouns Proper Nouns: –David, Israel, Microsoft –Aren’t preceded by articles –Capitalized (In English) Common Nouns: –Count Nouns: allow grammatical enumeration (book, books) can be counted (one apple, 50 thoughts) –Mass Nouns: snow, salt, communism, …

9. 89-6809 Verbs מילים המתייחסות לפעולות או תהליכים –Main verbs – draw, provide, differ –Auxiliaries (referred to as closed-class) מערכת הטיה מורפולוגית –eat, eats, eating, eaten

10. 89-68010 Adjectives מבחינה סמנטית, קבוצה הכוללת ביטויים המתארים תכונות או איכויות, משהו כמו פרדיקט חד - מקומי. שפות רבות כוללות : – צבעים (yellow, green) – גילאים (young, old) – וערכים. (good, bad) יש שפות בלי שמות תואר.

11. 89-68011 Adverbs קבוצה מעורבת למדי... Unfortunately, John walked home extremely slowly yesterday Directional: sideways, downhill Locative: home, here Degree: extremely, somewhat Manner: slowly, delicately Temporal: yesterday, Monday

12. 89-68012 Closed class Prepositions – on, under, over, near, by, at, from, to, with Determiners – a, an, the Pronouns – it, she I Conjunctions – and, but, or, as, if, when Auxiliary verbs – can, may, should, are Particles – up, down, on, off, in, at, by Numerals – one, two, second, third

13. 89-68013 Prepositions and particles. Prepositions on top, by then, with him... מילות יחס המופיעות לפני שם עצם מצינות יחסי זמן / מקום, אבל לא רק. Particles go on, look up, turn down מופיעים אחרי פועל, ובפעלים טרנזיטיביים, גם אחרי המושא –The horse went off its truck/throw off sleep –*The horse went its track off/throw sleep off

14. 89-68014 Articles a, an, the מופיעים בתחילה צירוף שמני noun phrase גם : this chapter, that page שכיחים מאוד בטקסטים

15. 89-68015 Conjunctions מאחים שני phrases, צירופים, משפטים, וכו. Or, and, but מאחים צירופים מאותו סטטוס Subordinating conjunctions משמשים לאיחוי צירופים מקוננים I thought that you might like some milk. –I thought – main clause –That you might… - subordinating clause

16. 89-68016 ויש עוד...

17. 89-68017 Tagsets Tagset The set of possible tags for parts of speech. (size is changing in applications, languages...) A tagset should include the information that is needed for the next steps in the process, and that people can annotate well Brown corpus – 87 tags Penn Treebank – 45 Large: 146-tag C7 tagset of used to tag the British National Corpus BNC.

18. 89-68018 Part-Of-Speech Tagging תיוג הוא התהליך של השמת חלקי דיבר או סימון לקסיקלי אחר לכל מילה בקורפוס. (tokenization) תיוג מתבצע בדרך כלל גם על סימני פיסוק הקלט הוא רצף מילים ו -tagset מהסוג שראינו. הפלט הוא התיוג הטוב ביותר עבור כל אחת מן המילים. והבעייה המרכזית, היא – ambiguity: –Time flies like an arrow/ fruit flies like –I can can my can/ אישה נעלה נעלה נעלה נעלה את הדלת...

19. 89-68019 The Distribution of Tags Tags follow all the usual frequency-based distributional behavior. Most word types have only one part of speech. Of the rest, most have two. Things go pretty much as we'd expect from there on. Of course, as usual, the most frequently occurring word types tend to have multiple tags. (As we'll see later in the semester, they also tend to have more meanings). Therefore while its easy to determine the correct tag for most word types, it isn't necessarily so easy to tag most texts.

20. 89-68020 Word Types in the Brown Corpus 35340Unambiguous (1 tag) 4100Ambiguous (2-7 tags) 37602 tags 2643 tags 614 tags 125 tags 26 tags 1 (“still”)7 tags

21. 89-68021 State of the Art A dumb tagger that simply assigns the most common tag to each word achieves ~90% Best approaches give ~96/97% This still means that there will be on average one tagging error per sentence Life is much more difficult if we do not have a lexicon and/or training corpus or if we use a tagger across domains and genres.

22. 89-68022 מתייגים - מבוססי חוקים – קידוד ידני –Transformation-based tagging (learning) Stochastic Tagging - הסתברותיים –HMM –Bayesian networks –Maximum entropy

23. 89-68023 Supervised Learning Scheme Classification Model “Labeled” Examples New Examples Classifications Training Algorithm Classification Algorithm

24. 89-68024 איך זה עובד ? P(NN|race) = 0.98 P(VB|race)=0.02 בצעד הראשון, יתוייג המשפט לפי התג הסביר יותר : is/VBZ expected/VBN to/TO race/NN tomorrow the/DT race/NN for/IN outer/JJ space/NN אחרי הבחירה הראשונית של התג, המתייג מבצעה את הטרנפורמציות שלמד מהקורפוס – לדוגמא : Change NN to VN when the previous tag is TO החוק הזה יחליף את race/NN to/TO ב - to/TO race/VB

25. 89-68025 Transformational Based Learning (TBL) for Tagging Introduced by Brill (1995) Can exploit a wider range of lexical and syntactic regularities via transformation rules – triggering environment and rewrite rule Tagger: –Construct initial tag sequence for input – most frequent tag for each word –Iteratively refine tag sequence by applying “transformation rules” in rank order Learner: –Construct initial tag sequence for the training corpus –Loop until done: Try all possible rules and compare to known tags, apply the best rule r* to the sequence and add it to the rule ranking

26. 89-68026 Some examples 1. Change NN to VB if previous is TO –to/TO conflict/NN with  VB 2. Change VBP to VB if MD in previous three –might/MD vanish/VBP  VB 3. Change NN to VB if MD in previous two –might/MD reply/NN  VB 4. Change VB to NN if DT in previous two –the/DT reply/VB  NN

27. 89-68027 Transformation Templates Specify which transformations are possible For example: change tag A to tag B when: 1.The preceding (following) tag is Z 2.The tag two before (after) is Z 3.One of the two previous (following) tags is Z 4.One of the three previous (following) tags is Z 5.The preceding tag is Z and the following is W 6.The preceding (following) tag is Z and the tag two before (after) is W

28. 89-68028 Lexicalization New templates to include dependency on surrounding words (not just tags): Change tag A to tag B when: 1.The preceding (following) word is w 2.The word two before (after) is w 3.One of the two preceding (following) words is w 4.The current word is w 5.The current word is w and the preceding (following) word is v 6.The current word is w and the preceding (following) tag is X (Notice: word-tag combination) 7.etc…

29. 89-68029 Initializing Unseen Words How to choose most likely tag for unseen words? Transformation based approach: –Start with NP for capitalized words, NN for others –Learn “morphological” transformations from: Change tag from X to Y if: 1.Deleting prefix (suffix) x results in a known word 2.The first (last) characters of the word are x 3.Adding x as a prefix (suffix) results in a known word 4.Word W ever appears immediately before (after) the word 5.Character Z appears in the word

30. 89-68030 Unannotated Input Text Annotated Text Ground Truth for Input Text Rules Learning Algorithm TBL Learning Scheme Setting Initial State

31. 89-68031 Greedy Learning Algorithm Initial tagging of training corpus – most frequent tag per word At each iteration: –Identify rules that fix errors and compute “error reduction” for each transformation rule: #errors fixed - #errors introduced –Find best rule; If error reduction greater than a threshold (to avoid overfitting): Apply best rule to training corpus Append best rule to ordered list of transformations

32. 89-68032 Next Week … HMMs לא לשכוח שעורי בית...