Natuurlijke Taal Verwerking Walter Daelemans CNTS, Universiteit Antwerpen
[email protected] (AI-LAB 1986-1989)
Natuurlijke Taal Verwerking in AI
Turing Test (1950) (imitation game)
Kunnen computers denken? Computers van mensen onderscheiden op basis van een dialoog in natuurlijke taal
Wetenschappelijk belang Nauwe verwevenheid van taal, denken en bewustzijn Natuurlijke taal als belangrijkste medium voor
Kennisrepresentatie en -opslag Communicatie
Sociaal en economisch belang
Informatie-explosie (o.a. internet)
2002: • Nieuw gedrukt materiaal: 2 petabyte / jaar • Wetenschappelijke kennis: 2000 nieuwe pagina’s per minuut
Verdubbeling elke 2-3 jaar
Sociaal en economisch belang
Vertaalexplosie
EU (2005) • • • •
20+ officiële talen Budget > 1 miljard euro per jaar 2500 vertalers 40% administratief budget
Geen uniek Europees probleem: Zuid-Afrika heeft 11 officiële talen
Fundamentele probleem: oplossen van ambiguïteit
Lexicaal
Morfologisch
Fremdzugehen, betrachtet die Familie als eine Schande. External train marriages, the family considers as a disgrace.
Syntactisch
Brussel wil vrachtwagens zwaarder belasten.
De prins heeft zijn huwelijk met Verhofstadt besproken.
Wereldkennis
Hij had geen werk. Hij nam de krant. Hij werd lastiggevallen door een wesp. Hij nam de krant.
Oplossing: computermodellen
Van tekst naar semantische representatie via
Semantische representatie
Morfologische analyse Syntactische analyse Zinssemantiek Tekstsemantiek Eerste orde predikatenlogica (+ logica’s voor tijd, modaliteit, defaults, …) Semantische netwerken
Expliciete domeinkennis, wereldkennis
Inferentie
John is going to Boston by bus (John Sowa) (∃x:Go)(∃y:Person)(∃z:City)(∃w:Bus) (name(y,'John') ∧ name(z,'Boston') ∧ agnt(x,y) ∧ dest(x,z) ∧ inst(x,w))
Problemen met deze aanpak Niet schaalbaar (werkt alleen voor microwerelden) Niet robuust Niet efficiënt Duur in ontwikkeltijd Geen “grounding” van concepten …
Even terug naar 1987 (AI-LAB Brussel) Doctoraat (gestart in Nijmegen) over computermodel morfologie / fonologie van het Nederlands voor spraaksynthese (voorleesmachine) GRAFON-D Taalkundige regels (productieregels) Modularisering morfologie - fonologie lettergreepstructuur - klemtoonmodule Geavanceerde kennisrepresentatie KRS (frame-based) Meervoudige overerving, encapsulering, multi-methodes, …
Vaststelling Wet van de verminderde meeropbrengst (derde wet van Hugo Brandt Corstius) klopt!
Eigenschap van taal Weinig regelmatigheden, veel subregelmatigheden en uitzonderingen door Ontlening Etymologie Allerlei variatie (idiolect, regiolect, gender, leeftijd, sociale klasse …)
Alternatief: lerende systemen (statistiek) Machine Learning activiteit in AI-LAB Incidentele studies Sejnowski & Rosenberg Tekst naar spraak met neurale netwerken
Stanfill & Waltz Tekst naar spraak met memory-based reasoning
Zucht …
Beter accuraatheid Geen expliciete taalkundige modules, geen regels Schaalbaar / Efficiënt / Meer robuust …
Paradigm Shift Start van productieve onderzoekslijn “machine learning of language” “memory-based language processing”
in Tilburg ILK (1992 - nu)
http://ilk.uvt.nl/
en Antwerpen CNTS (1993 - nu)
http://www.cnts.ua.ac.be/
Belang van dit onderzoek “Early Adopters” wereldwijd Pioniersrol in Europa
Computertaalkunde publicaties
Terug naar begrijpen van taal
Vanuit de “market pull”, pragmatische oplossing
Text Mining in plaats van tekstbegrip • Oppervlakkige semantische analyse (concepten, relaties tussen concepten) • Op basis van Machine Learning • Robuust, efficiënt, schaalbaar, … • Laat toepassingen toe als Question Answering, Summarization, Information Extraction, … • Probleem: negatie, modaliteit, kwantificatie, inferentie, recursie, …
Vanuit de wetenschap
Maak schaalbare “shallow understanding” dieper Extraheer domein- en wereldkennis uit tekst met unsupervised learning
Voorbeeld: ‘Vraag-Antwoord systemen’
Geef antwoord op een vraag (in tegenstelling tot information retrieval: vind documenten die relevant zijn voor de vraag)
V: Wie heeft de telefoon uitgevonden?
A: Alexander Graham Bell
V: Wanneer werd de telefoon uitgevonden?
A: 1876
QA Systeem: Shapaqa (SHAllow PArsing QA)
Analyseer de vraag Wanneer werd de telefoon uitgevonden?
Welke informatie is gegeven? • Werkwoord uitgevonden • Voorwerp telefoon Welke informatie hebben we nodig? • Een temporele frase verbonden met het werkwoord
Document retrieval op WWW met de gegeven informatie Analyse van zinnen waar alle gegeven informatie in de juiste grammaticale relaties voorkomt Tel de antwoorden die voorkomen in de gevraagde grammaticale relatie (temporele frase)
Shapaqa: voorbeeld (Engels systeem)
When was the telephone invented? Google: invented “the telephone”
levert 835 paginas op 53 geanalyseerde zinnen met de twee gegeven relaties en met een temporele frase
is through his interest in Deafness and fascination with acoustics that the telephone was invented in 1876 , with the intent of helping Deaf and hard of hearing The telephone was invented by Alexander Graham Bell in 1876 When Alexander Graham Bell invented the telephone in 1876 , he hoped that these same electrical signals could …
Shapaqa: frequentievolgorde
Wanneer werd de telefoon uitgevonden? WWW resultaten bevatten fouten en de shallow parser maakt fouten, maar door het grote aantal antwoorden is het resultaat toch juist
17:1876 3:1874 2:ago 2:later 1:Bell …
Who shot Kennedy?
http://ilps.science.uva.nl/~qa
(42%) Lawrence J Wilker (14%) James Wilker (14%) Clinton (14%) Martha J. Fleischman (14%) Larry Wilker
Shapaqa
(50%) Lee Oswald (25%) Jim Bishop • Author of “The day Kennedy was shot”
(13%) a bullet (13%) a man
Conclusies (Inhoudelijk)
Natuurlijke taal verwerking behoort nog steeds tot de kern van AI onderzoek Van groot wetenschappelijk en socio-economisch belang Kennisgebaseerde, logische, diepe aanpak heeft gefaald in schaalbaarheid en toepasbaarheid Huidige taaltechnologie is inductief, schaalbaar en bruikbaar maar oppervlakkig Trend: incorporatie inzichten kennisgebaseerde aanpak in inductieve methode Trend: domein- en wereldkennis uit tekst
Conclusies (Organisatorisch)
Belang (voor AI onderzoeksgroep) van kritische massa en aanwezigheid van experts in verschillende subdisciplines
Waarom hebben we geen IMEC of VIB voor “cognitive sciences”?
“harmonica-effect” bij productieve onderzoeksgroepen moet opgelost worden
Na (soms forse) groei moet onderzoeksgroep weer krimpen • Geen betrouwbare continue sponsoring van onderzoek • Geen plaats voor onderzoeksmanagers aan onze universiteiten naast het (al overvraagde) ZAP-kader
