Coarse-to-Fine Natural Language Processing

تأثیر سیستم‌های رایانه‌ای که می‌توانند زبان طبیعی را بفهمند بسیار زیاد خواهد بود. برای توسعه این قابلیت باید بتوانیم به طور خودکار و کارآمد مقادیر زیادی از متن را تجزیه و تحلیل کنیم. قوانین دستی ابداع شده برای ارائه پوشش برای مدیریت ساختار پیچیده زبان طبیعی کافی نیست، و سیستم هایی را ضروری می کند که بتوانند به طور خودکار از مثال ها یاد بگیرند. برای رسیدگی به انعطاف‌پذیری زبان طبیعی، استفاده از مدل‌های آماری، که احتمالات را به عنوان مثال به معانی مختلف یک کلمه یا معقول بودن ساختارهای دستوری اختصاص می‌دهند، به یک روش استاندارد تبدیل شده است.

این کتاب به طور کلی درشت را توسعه می‌دهد. -چارچوب به ریز برای یادگیری و استنتاج در مدل‌های آماری بزرگ برای پردازش زبان طبیعی.

رویکردهای درشت به ریز از دنباله‌ای از مدل‌ها استفاده می‌کنند که پیچیدگی را به تدریج معرفی می‌کنند. در بالای دنباله یک مدل پیش پا افتاده است که در آن یادگیری و استنتاج هر دو ارزان هستند. هر مدل بعدی، مدل قبلی را اصلاح می کند، تا زمانی که به یک مدل نهایی و با پیچیدگی کامل برسد. کاربردهای این چارچوب برای تجزیه نحوی، تشخیص گفتار و ترجمه ماشینی ارائه شده است که اثربخشی رویکرد را از نظر دقت و سرعت نشان می‌دهد. این کتاب برای دانشجویان و محققان علاقه مند به رویکردهای آماری پردازش زبان طبیعی در نظر گرفته شده است.

کار اسلاو پردازش زبان طبیعی درشت به ریز نماینده یک پیشرفت بزرگ در زمینه تجزیه نحوی و تبلیغی عالی برای برتری یادگیری ماشینی است. رویکرد.

یوجین چارنیاک (دانشگاه براون)

The impact of computer systems that can understand natural language will be tremendous. To develop this capability we need to be able to automatically and efficiently analyze large amounts of text. Manually devised rules are not sufficient to provide coverage to handle the complex structure of natural language, necessitating systems that can automatically learn from examples. To handle the flexibility of natural language, it has become standard practice to use statistical models, which assign probabilities for example to the different meanings of a word or the plausibility of grammatical constructions.

This book develops a general coarse-to-fine framework for learning and inference in large statistical models for natural language processing.

Coarse-to-fine approaches exploit a sequence of models which introduce complexity gradually. At the top of the sequence is a trivial model in which learning and inference are both cheap. Each subsequent model refines the previous one, until a final, full-complexity model is reached. Applications of this framework to syntactic parsing, speech recognition and machine translation are presented, demonstrating the effectiveness of the approach in terms of accuracy and speed. The book is intended for students and researchers interested in statistical approaches to Natural Language Processing.

Slav’s work Coarse-to-Fine Natural Language Processing represents a major advance in the area of syntactic parsing, and a great advertisement for the superiority of the machine-learning approach.

Eugene Charniak (Brown University)