5. rész
Szemantika, ontológia: Domain-adaptív szemantikai model felépítése
Cikksorozatunk előző részeiben az NLI rendszer bemenetének előállításával és annak morfológiai elemzésével foglalkoztunk. A következő részben a fogalomalkotásra és a szemantikára helyeződik a hangsúly.
A természetes nyelvű szövegfeldolgozás egyik központi eleme a szemantikai feldolgozás. A szintaktikai feldolgozó modulok - mint a szövegtisztító és a morfológiai - kimenetét bontja tovább a domain ontológiai modul. A modul célja, hogy a bejövő mondatban, mondatokban felismerje a fogalmakat, azok kapcsolatait, viszonyait.
A fogalmak detektálása nem végezhető előzetes ismeret, tudás nélkül, így szükség van a modul megfelelő betanításásra. A betanítás során a feldolgozó megismeri a domain jellemző folgalmait, kapcsolatait, mondatbeli előfordulási lehetőségeit. Ezeket felhasználva később a felismerési fázisban képes lesz felismerni a mondat fogalmait.
A betanítás során XML formátumú adatokat használhatunk, amelyek előre meghatározott struktúrával kell rendelkezzenek. A valid fájlformátumot XSD leírásokkal biztosítjuk. A betanítás során a domain-t jellemző adatok adatbázisban is letárolásra kerülnek. Így könnyen biztosítható az incrementális és folyamatos tanulás: a már megtanult elemek nem vesznek el egy következő tanítás során.
A felismerés során egy olyan kimenetet kell előállítani, amelyet a parancsontológiai modul értelmezni tud és elő tudja állítani belőle az alkalmazás megfelelő kimenetét. Ennek formátuma az eddigi modulokéhoz hasonlóan szintén XML.
A modul két fő részre bontható:
- mondatelemző almodul
- fogalom detektáló almodul.
A modul struktúráját a következő ábra mutatja:
1. ábra: Az almodulok struktúrája
A domain leírására használt modell elemeit négy fogalom kategóriába sorolhatjuk:
- absztrakt fogalom
- predikátum fogalom
- konkrét fogalom
- attribútum fogalom.
Minden fogalom egy közös ősosztályból származtatható, ahogyan a következő ábra mutatja:
2. ábra: Fogalomtípusok hierarchiája
Az ontológiai modell felépítéséhez, illetve a szövegelemzéshez fontos almodul a mondatelemző, értelmező almodul. Ehhez a mondattan ismereteit kell összegyűjteni, szerkezetbe foglalni. Alapvetően 5 különböző mondatrészt tudunk elkülöníteni:
- alany
- állítmány
- tárgy
- határozó
- jelző.
A mondatelemző modell felépítésekor az egyes mondatrészekhez felismeréséhez a következő adatokk összegyűjtésére van szükség:
- Mit fejez ki?
- Mik a kérdőszavai?
- Milyen típusai, altípusai vannak?
- Milyen ragokat kaphat?
A modul fő feladatai a következők:
- mondat elemzése
- mellékmondatok felismerése, kapcsolatainak meghatározása
- fogalmak detektálása.
A folyamatokat a következő aktivitásdiagramok szemléltetik:
3. ábra: Mondatelemzés és fogalom-felismerés folyamatai
Nagyon fontos az összes modulnál, tehát itt is, hogy a megfelelő formátumú adatok kerüljenek feldolgozásra, illetve a megfelelő formátumú adatokat állítsák elő a különböző modulok. Az adatfolyam nyelve az XML, melynek a előre definiált séma leírásával lehet is is biztosítani a kívánt formátumot.
A fogalmak leírásához használt XSD leírás a következőkben látható:
<?xmlversion="1.0"encoding="UTF-8"?>
<xs:schemaxmlns:xs="http://www.w3.org/2001/XMLSchema"
targetNamespace="http://minerva-soft.com/nli/dom/Concepts"
xmlns:local="http://minerva-soft.com/nli/dom/Concepts"
elementFormDefault="qualified">
<xs:complexTypename="Stems">
<xs:sequence>
<xs:elementname="Stem"type="xs:string"minOccurs="1" maxOccurs="unbounded"/>
</xs:sequence>
<xs:attributename="POS"type="xs:string"use="required"/>
</xs:complexType>
<xs:complexTypename="Values">
<xs:sequence>
<xs:elementname="Value"type="xs:string"minOccurs="1" maxOccurs="unbounded"/>
</xs:sequence>
</xs:complexType>
<xs:complexTypename="POSCodes">
<xs:sequence>
<xs:elementname="POSCode"type="xs:string"minOccurs="1" maxOccurs="10"/>
</xs:sequence>
</xs:complexType>
<xs:complexTypename="ConceptBase">
<xs:sequence>
<xs:elementname="Name"type="xs:anyURI"minOccurs="1"maxOccurs="1"/>
<xs:elementname="Stems"type="local:Stems"/>
</xs:sequence>
</xs:complexType>
<xs:complexTypename="AbstractConcept">
<xs:complexContent>
<xs:extensionbase="local:ConceptBase"/>
</xs:complexContent>
</xs:complexType>
<xs:complexTypename="PredicateConcept">
<xs:complexContent>
<xs:extensionbase="local:ConceptBase"/>
</xs:complexContent>
</xs:complexType>
<xs:complexTypename="IndividualConcept">
<xs:complexContent>
<xs:extensionbase="local:ConceptBase"/>
</xs:complexContent>
</xs:complexType>
<xs:complexTypename="AttributeConcept">
<xs:complexContent>
<xs:extensionbase="local:ConceptBase">
<xs:sequence>
<xs:elementname="Values"type="local:Values"/>
</xs:sequence>
</xs:extension>
</xs:complexContent>
</xs:complexType>
<xs:complexTypename="ConnectionBase">
<xs:sequence>
<xs:elementname="Parent"type="xs:anyURI"minOccurs="1"/>
<xs:elementname="Child"type="xs:anyURI"minOccurs="1"/>
</xs:sequence>
</xs:complexType>
<xs:complexTypename="ISAConnection">
<xs:complexContent>
<xs:extensionbase="local:ConnectionBase"/>
</xs:complexContent>
</xs:complexType>
<xs:complexTypename="PredicateConnection">
<xs:complexContent>
<xs:extensionbase="local:ConnectionBase">
<xs:sequence>
<xs:elementname="POSCodes"type="local:POSCodes"minOccurs="1"/>
<xs:elementname="Required"type="xs:boolean"minOccurs="1" default="false"/>
<xs:elementname="Default"type="xs:string"minOccurs="0"/>
</xs:sequence>
</xs:extension>
</xs:complexContent>
</xs:complexType>
<xs:complexTypename="AttributeConnection">
<xs:complexContent>
<xs:extensionbase="local:ConnectionBase"/>
</xs:complexContent>
</xs:complexType>
<xs:complexTypename="Concepts">
<xs:sequence>
<xs:elementname="Concept"type="local:ConceptBase"minOccurs="1" maxOccurs="unbounded"/>
</xs:sequence>
</xs:complexType>
<xs:complexTypename="Connections">
<xs:sequence>
<xs:elementname="Connection"type="local:ConnectionBase"minOccurs="1" maxOccurs="unbounded"/>
</xs:sequence>
</xs:complexType>
<xs:elementname="ConceptsDictionary">
<xs:complexType>
<xs:sequence>
<xs:elementname="Concepts"type="local:Concepts"/>
<xs:elementname="Connections"type="local:Connections"/>
</xs:sequence>
</xs:complexType>
</xs:element>
4. ábra: Fogalmak XSD sémája
A domain ontológia modul felépítése igen komplex, sok XML binding modell elemmel, ezért fontos a csomagok megfelelő strukturálása. Az implementációs terv a következő csomagokat tartalmazza:
- com.minervasoft.nli.dom: a modul fő osztályai, interfészei
- com.minervasoft.nli.dom.analyser: a mondatelemző osztályai
- com.minervasoft.nli.dom.exception: a kivételkezelés elemei
- com.minervasoft.nli.dom.model: a modell osztályok, interfészek
- com.minervasoft.nli.dom.model.constituents: a mondatrészek leírásának osztályai
- com.minervasoft.nli.dom.service: a szolgáltatás osztályok definiciói.
Konklúzió
A cikksorozat jelen részében meghatároztuk a fogalomépítés alapelemeit, struktúráját. Nagyon fontos, hogy a mondatok fogalmait nagyon gyorsan találjuk meg, mert a feldolgozásnak közel valós időben kell működnie. Így fontos a jól strukturáltság, az egyszerűség és a rekurzív algoritmusok mélységének minél lentebb szorítása. Láthattuk, hogy a fő folyamatok milyen lépésekből állnak - és azt is, hogy az implemetáció során milyen ajánlott csomagstruktúrát célszerű tartani.
A cikksorozat következő részében a parancskonverzióval, a fogalmak parancshoz, parancsok paramétereihez történő kapcsolásával foglalkozunk.
Jelen publikáció eredményei a GOP-1.1.1-09/1-2009-0028 számú, “Domain- és nyelvadaptív természetes nyelvű parancsfelület prototípusának kidolgozása” című projekt keretében születtek.
